参考集成模式
环境准备
基于docker 运行
- spark 环境准备
docker run -it -p 8080:8080 datamechanics/spark:jvm-only-3.1-latest sh
// 启动master
/opt/spark/sbin/start-master.sh
// 启动worker
./start-worker.sh spark://bbc0225c7aee:7077
效果
minio 准备
很简单，也是基于容器部署的
spark 集成delta lake 以及minio s3
- 运行命令
./spark-shell \
--packages io.delta:delta-core_2.12:1.0.0,org.apache.hadoop:hadoop-aws:3.2.0 \
--conf "spark.hadoop.fs.s3a.access.key=<accesskey>" \
--conf "spark.hadoop.fs.s3a.secret.key=<accesssecret>" \
--conf "spark.hadoop.fs.s3a.endpoint=endpoint" \
--conf "spark.sql.extensions=io.delta.sql.DeltaSparkSessionExtension" \
--conf "spark.databricks.delta.retentionDurationCheck.enabled=false \
--conf "spark.sql.catalog.spark_catalog=org.apache.spark.sql.delta.catalog.DeltaCatalog"
- 创建delta lake table
直接可以运行官方demo
spark.range(50000000).write.format("delta").save("s3a://delta-lake/firstdemo")
- s3 效果
- dremio 集成
添加s3 data lake 数据源
- 数据查询
dremio 可以自动发现delta lake 的数据格式，但是需要开启，默认16.1 直接开启了
说明
以上只是简单的将各个组件集成在一起，基于delta lake + minio+ dremio 的数据分析模式也是一个很不错的选择，可以加速我们的数据查询处理
dremio 的能力是很强大的，我们可以利用反射能力方便的进行数据加速处理，基于dremio 提供的sql 能力可以方便的进行数据分析，快速的利用数据
湖的能力加速业务处理，同时delta lake 自身也有一些问题（小文件过多以及vacuum，这些问题也都可以很好的解决，官方提供了相关的管理api）
参考资料
https://docs.delta.io/latest/quick-start.html#language-scala
https://www.vertica.com/kb/Vertica_DeltaLake_Technical_Exploration/Content/Partner/Vertica_DeltaLake_Technical_Exploration.htm
https://databricks.com/blog/2019/04/17/running-peta-scale-spark-jobs-on-object-storage-using-s3-select.html
https://www.datamechanics.co/