官宣!Amazon EMR正式支持Apache Hudi

Apache Hudi是一个开源的数据管理框架,其通过提供记录级别的insert, update, upsert和delete能力来简化增量数据处理和数据管道开发。Upsert指的是将记录插入到现有数据集中(如果它们不存在)或进行更新(如果它们存在的话)的功能。通过高效管理Amazon S3中数据的布局方式,Hudi允许近乎实时地提取和更新数据。Hudi维护在数据集上所执行的操作的元数据,以确保这些操作的原子性和一致性。
Hudi可与Apache SparkApache HivePresto集成在一起。在Amazon EMR 5.28.0和更高版本中,Amazon EMR在安装SparkHivePresto时会默认安装Hudi组件。这样就可以使用SparkHudi提供的 DeltaStreamer来创建或更新Hudi数据集,便可以使用HiveSparkPresto交互式地查询Hudi数据集,还可以进行增量拉取以构建数据处理管道(增量拉取是指仅提取两次操作之间发生变化的数据的能力)。
上述功能将使得Hudi适用于以下场景:

  • 使用来自传感器和其他的物联网(IoT)设备,需要特定数据插入和更新事件的流数据。

  • 遵守数据隐私规定,用户可能会选择忘记或修改他们对应用程序如何使用数据的协议。

  • 实现变更数据捕获(Change Data Capture)系统,可以随时间将变更应用于数据集。

Amazon EMR 5.28.0安装的Hudi版本为0.5.0-incubating。值得注意的是:0.5.0-incubating版本是Hudi社区近一个月内发布的第一个Apache Release版本。Hudi才加入Apache孵化器大半年时间,就以非常惊人的速度被AWS EMR团队集成进5.28.0发布版,这也是Amazon EMR支持的开源项目里唯一一个还处于孵化阶段的项目。至此,已有Uber与Amazon两大巨头使用Hudi,这也充分证明了数据湖方向的火热以及Hudi未来可与Delta Lake形成两强相争的对峙局面。

官宣!Amazon EMR正式支持Apache Hudi_第1张图片

你可能感兴趣的:(官宣!Amazon EMR正式支持Apache Hudi)