在 EMR 上使用 Delta Lake

Amazon EMR 在 6.9.0 版本开始引入 Delta Lake，测试下来，启用的方式和 Apache Hudi 是非常像的。具体可参考:

• EMR 官方文档
• Delta Lake 官方文档

本文简单记录一下操作环节。此外，在 EMR 上使用 Delta Lake 也是可以使用 Glue Data Catalog 的。

1. 创建一个存储桶

aws s3 rm --recursive s3://glc-deltalake-test || aws s3 mb s3://glc-deltalake-test

2. 打开带deltalake功能的spark-sql命令行

spark-sql \
    --conf "spark.sql.extensions=io.delta.sql.DeltaSparkSessionExtension" \
    --conf "spark.sql.catalog.spark_catalog=org.apache.spark.sql.delta.catalog.DeltaCatalog"

3. 使用SQL创建deltalake数据表

-- create a delta lake table with the S3 location
CREATE TABLE delta_table(
    id string,
    creation_date string, 
    last_update_time string)
USING delta
LOCATION 's3://glc-deltalake-test/delta_table';

-- insert data into the table
INSERT INTO delta_table VALUES ("100", "2015-01-01",  "2015-01-01T13:51:39.340396Z"),
("101",  "2015-01-01",  "2015-01-01T12:14:58.597216Z"),
("102",  "2015-01-01", "2015-01-01T13:51:40.417052Z"),
("103",  "2015-01-01", "2015-01-01T13:51:40.519832Z");

-- check results
SELECT * FROM delta_table;