delta lake minio+dremio 集成试用

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=<access-key>" \

--conf "spark.hadoop.fs.s3a.secret.key=<secret>" \

--conf "spark.hadoop.fs.s3a.endpoint=<minio-endpoint>" \

--conf "spark.databricks.delta.retentionDurationCheck.enabled=false" \

--conf "spark.sql.extensions=io.delta.sql.DeltaSparkSessionExtension" \

--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/