Iceberg在微软云azure上的部署实践

大数据技术与应用实战

发布于 2021-11-11 15:28:05

1.7K0

发布于 2021-11-11 15:28:05

前言
微软云设置
- 创建存储账号
- 创建容器
hadoop的配置
- 添加环境变量
- 配置文件
- 相关jar包
- Azure Blob Storage 存储的支持
hive的支持
- 复制jar包
- 修改配置
spark的支持
- 复制jar包
- 配置文件
flink的支持
trino的支持

前言

本文主要讲解一下iceberg数据湖在微软云azure上面的部署方案，采用的方案是通过hadoop的api写入azure，和之前写入hdfs没有太大区别，只需要配置一下hadoop的配置文件即可。iceberg这里不需要做任何改动。目前支持Azure Blob Storage 和 Azure Data Lake Storage Gen2。此外着重说明一下，azure仅支持hadoop 3.2 以上的版本，否则的会报错 java.io.ioexception no filesystem for scheme : abfss.

微软云设置

创建存储账号

首先我们需要去创建一个微软云的存储账号，具体的方法可以参考官方文档，https://docs.microsoft.com/zh-cn/azure/storage/common/storage-account-create?tabs=azure-portal ，如果我们需要Azure Data Lake Storage Gen2，则需要在创建账户的过程中启用分层命名空间, 具体参考这个 https://docs.microsoft.com/zh-cn/azure/storage/blobs/create-data-lake-storage-account

由于Azure Data Lake Storage Gen2专门针对大数据分析做了优化，并且Azure Data Lake Storage Gen2集成了Azure Blob Storage 的功能，所以我们这里采用了Azure Data Lake Storage Gen2来讲解相关的配置。其相关介绍参考：https://docs.microsoft.com/zh-cn/azure/storage/blobs/data-lake-storage-introduction

创建容器

接下来创建一个容器，这个容器我个人理解有点namespace的意思，我们可以逻辑上和物理上对数据进行相关的划分，比如我们可以每个业务或者每个数据库指定使用一个容器，用于区分。

比如我这里创建了一个叫做mydatalake的容器.

hadoop的配置

添加环境变量

在${HADOOP_HOME}/etc/hadoop/hadoop-evn.sh中添加

HADOOP_OPTIONAL_TOOLS="hadoop-azure,hadoop-azure-datalake"

配置文件

目前使用的hadoop-3.2.2版本，我们使用最简单的配置，只配置core-site.xml，其实在配置文件只需要配置存储账号和access key就可以了，它会自动访问azure的地址进行读写，

<property>
        <name>fs.azure.account.key.${youraccount}.dfs.core.windows.net</name>
        <value>${YOUR ACCESS KEY}</value>
</property>

其中youraccount就是你申请的微软云存储的账号，比如我上面申请的baidudatalake , ACCESS KEY也就是帐户访问密钥，如果获取可以参考：https://docs.microsoft.com/zh-cn/azure/storage/common/storage-account-keys-manage?tabs=azure-portal。

但是这个access key是没有受保护的，直接配置在core-site.xml里面，一旦泄露是很危险的，所以我们在生产上需要加密存储。

加密方式如下：我们使用hadoop的命令创建一个加密的文件.


hadoop credential create fs.azure.account.key.youraccount.dfs.core.windows.net -value 123
    -provider localjceks://file/home/lmccay/wasb.jceks

其中create后面的参数中，youraccount替换成你的存储账号，--value后面的参数值（比如示例中的123）替换成你的 access key.之后就会在/home/lmccay/目录下生成一个wasb.jceks文件.

然后在配置文件core-site.xml添加配置。不要明文的在core-site.xml中配置fs.azure.account.key.youraccount.dfs.core.windows.net，上述讲解只是为了增加理解。

<property>
  <name>hadoop.security.credential.provider.path</name>
  <value>localjceks://file/home/lmccay/wasb.jceks</value>
  <description>Path to interrogate for protected credentials.</description>
</property>

为了方便的通过hdfs命令行管理，我们可以配置fs.defaultFS，这样就不用每次都写全路径了.

示例如下：

    <property>
        <name>fs.defaultFS</name>
        <value>abfss://{your container}@{your account }.dfs.core.windows.net/</value>
    </property>

Azure Blob Storage 存储的支持

Azure Blob Storage存储我们这暂时不用，不过有用的话可以参考下，其实和Azure Data Lake Storage Gen2配置差不多.

示例如下：


<property>
      <name>fs.azure.account.key.{your account}.blob.core.windows.net</name>
      <value>{access key}</value>
</property>

    <property>
            <name>fs.defaultFS</name>
        <value>wasbs://{your container}@{your account}.blob.core.windows.net/</value>
    </property>

线上环境也是用加密的密钥来替换access key。

hive的支持

目前我们并没涉及到相关的hive任务，但是由于在生产中iceberg的元数据是存储到hive的，所以还是需要讲一下.

复制jar包

和hadoop中的配置一样，将上面的jar包复制到hive的${HIVE_HOME}/lib下面。

修改配置

<property>
    <name>hive.metastore.warehouse.dir</name>
    <value>abfss://{your container}@{your account }.dfs.core.windows.net/user/hive3/warehouse</value>
    <description>location of default database for the warehouse</description>
</property>

spark的支持

spark我这里使用的是spark-3.1.2-bin-hadoop3.2版本，请注意需要hadoop的最低版本要求是3.2.

复制jar包

和hadoop中的配置一样，将azure需要的jar包复制到spark的${SPARK_HOME}/jars下面。

配置文件

配置文件和以前操作hdfs一样，不需要特殊修改.我这里给一个示例在${SPARK_HOME}/conf/spark-defaults.conf中添加

spark.sql.extensions=org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions
spark.sql.catalog.iceberg = org.apache.iceberg.spark.SparkCatalog
spark.sql.catalog.iceberg.type = hive
spark.sql.catalog.iceberg.uri = thrift://localhost:9083

flink的支持

flink的集成主要是再通过hadoop api操作的时候，需要集成一下flink-shaded-hadoop的jar包，目前没有合适的hadoop 3.2版本的包，需要自己打包编译一个，具体的地址是 https://github.com/apache/flink-shaded.git ，目前最新版已经移除了hadoop的模块，需要切换到以前的旧的分支，我这里是切换到原来的release-10.0分支，修改hadoop的版本为hadoop 3.2 ，然后重新打包编译,最后得到一个flink-shaded-hadoop-2-uber-3.2.2-10.0.jar的包，替换掉原来的即可。