一、概述
Hudi(Hadoop Upserts Deletes and Incrementals),简称Hudi,是一个流式数据湖平台,关于Hudi的更多介绍可以参考我以下几篇文章:
- 大数据Hadoop之——新一代流式数据湖平台 Apache Hudi
- 大数据Hadoop之——Apache Hudi 数据湖实战操作
这里主要讲解Hive、Trino、Starrocks与Hudi的整合操作,其实主要分为四大块:
- 数据处理:计算引擎,例如:flink、spark等。
- 数据存储:HDFS、云存储、AWS S3、对象存储等。
- 数据管理:Apache Hudi。
- 数据查询:查询引擎,例如:Spark、Trino(Presto)、Hive、Starrocks(Doris)等。
二、Hudi 数据管理
Hudi表的数据文件,可以使用操作系统的文件系统存储,也可以使用HDFS这种分布式的文件系统存储。为了后续分析性能和数据的可靠性,一般使用HDFS进行存储。以HDFS存储来看,一个Hudi表的存储文件分为两类。
- .hoodie 文件: 由于CRUD的零散性, 每一次的操作都会生成一个文件,这些小文件越来越多后,会严重影响HDFS的性能,Hudi设计了一套文件合并机制。.hoodie文件夹中存放了对应的文件合并操作相关的日志文件。
- americas和asia相关的路径是实际的数据文件,按分区存储,分区的路径key是可以指定的。
1).hoodie文件
Hudi把随着时间流逝,对表的一系列CRUD操作叫做Timeline, Timeline中某一次的操作,叫做Instant。
- Instant Action,记录本次操作是一次数据提交(COMMITS),还是文件合并(COMPACTION),或者是文件清理(CLEANS);
- Instant Time,本次操作发生的时间;
- State,操作的状态,发起(REQUESTED),进行中(INFLIGHT),还是已完成(COMPLETED);
2)数据文件
Hudi真实的数据文件使用Parquet文件格式存储
- 其中包含一个metadata元数据文件和数据文件parquet列式存储。
- Hudi为了实现数据的CRUD,需要能够唯一标识一条记录,Hudi将把数据集中的唯一字段(record key ) +数据所在分区(partitionPath)联合起来当做数据的唯一键。
三、数据存储
hudi数据集的组织目录结构与hive非常相似,一份数据集对应一个根目录。数据集被打散为多个分区,分区字段以文件夹形式存在,该文件夹包含该分区的所有文件。
在根目录下,每个分区都有唯一的分区路径,每个分区数据存储在多个文件中
每个文件都有唯一的fileId和生成文件的commit所标识。如果发生更新操作时,多个文件共享相同的fileId,但会有不同的commit
Metadata 元数据
以时间轴(timeline)的形式将数据集上的各项操作元数据维护起来,以支持数据集的瞬态视图,这部分元数据存储于根目录下的元数据目录。一共有三种类型的元数据:
- Commits:一个单独的commit包含对数据集上一批数据的一次原子写入操作的相关信息。我们用单调递增的时间戳来标识commits,标的是一次写入操作的开始。
- Cleans:用于清除数据集中不再被查询所用到的旧版本文件的后台活动。
- Compactions:用于协调hudi内部的数据结构差异的后台活动。例如,将更新操作由基于行存的日志文件归集到列式数据上。
四、Hive 与 Hudi 集成使用
关于Hive的介绍与部署,可以参考我这篇文章:大数据Hadoop之——数据仓库Hive
1)安装mysql数据库
这里选择使用mysql on k8s,有不清楚的小伙伴,可以参考我这篇文章:【云原生】MySQL on k8s 环境部署
创建hive用户
MYSQL_ROOT_PASSWORD=$(kubectl get secret --namespace mysql mysql -o jsonpath="{.data.mysql-root-password}" | base64 -d)#登录podkubectl exec -it mysql-primary-0 -n mysql -- bash# 连接myslqmysql -u root -p$MYSQL_ROOT_PASSWORDCREATE USER 'hive'@'%' IDENTIFIED BY '123456';GRANT ALL ON *.* to 'hive'@'%' WITH GRANT OPTION;flush privileges;
2)安装 Hive
1、下载
wget http://archive.apache.org/dist/hive/hive-3.1.3/apache-hive-3.1.3-bin.tar.gztar -xf apache-hive-3.1.3-bin.tar.gz
2、配置
hive-site.xml内容如下:
<?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration><!-- 配置hdfs存储目录 --><property> <name>hive.metastore.warehouse.dir</name> <value>/user/hudi_hive/warehouse</value> </property> <property> <name>hive.metastore.local</name> <value>false</value></property><property> <name>hive.metastore.schema.verification</name> <value>false</value> </property> <property> <name>hive.metastore.uris</name> <value>thrift://hadoop-hadoop-hdfs-nn-0:9083</value></property><!-- 所连接的 MySQL 数据库的地址,hudi_hive是数据库,程序会自动创建,自定义就行 --><property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://192.168.182.110:30306/hive_metastore?createDatabaseIfNotExist=true&useSSL=false&serverTimezone=Asia/Shanghai</value></property><!-- MySQL 驱动 --><property> <name>javax.jdo.option.ConnectionDriverName</name> <value>com.mysql.cj.jdbc.Driver</value></property><!-- mysql连接用户 --><property> <name>javax.jdo.option.ConnectionUserName</name> <value>hive</value></property> <!-- mysql连接密码 --><property> <name>javax.jdo.option.ConnectionPassword</name> <value>123456</value></property><property> <name>datanucleus.schema.autoCreateAll</name> <value>true</value> </property><!--元数据是否校验--><property> <name>hive.metastore.schema.verification</name> <value>false</value></property><property> <name>system:user.name</name> <value>admin</value> <description>user name</description></property><!-- host --><property> <name>hive.server2.thrift.bind.host</name> <value>hadoop-hadoop-hdfs-nn-0</value> <description>Bind host on which to run the HiveServer2 Thrift service.</description></property><!-- hs2端口 默认是1000,为了区别,我这里不使用默认端口--><property> <name>hive.server2.thrift.port</name> <value>10000</value></property></configuration>
hive-env.sh #底部追加两行
export HADOOP_HOME=/opt/apache/hadoopexport HIVE_CONF_DIR=/opt/apache/apache-hive-3.1.3-bin/confexport HIV_AUX_JARS_PATH=/opt/apache/apache-hive-3.1.3-bin/lib
3、解决Hive与Hadoop之间guava版本的差异
$ cd /opt/bigdata/hadoop/server$ ls -l apache-hive-3.1.2-bin/lib/guava-*.jar$ ls -l hadoop-3.3.1/share/hadoop/common/lib/guava-*.jar# 删除hive中guava低版本$ rm -f apache-hive-3.1.2-bin/lib/guava-*.jar# copy hadoop中的guava到hive$ cp hadoop-3.3.1/share/hadoop/common/lib/guava-*.jar apache-hive-3.1.2-bin/lib/$ ls -l apache-hive-3.1.2-bin/lib/guava-*.jar
4、下载对应版本的mysql驱动包
下载地址:https://downloads.mariadb.com/Connectors/java
cd $HIVE_HOME/lib# 根据java8版本下载这个版本,这个版本已验证可行wget https://downloads.mariadb.com/Connectors/java/connector-java-1.2.2/mariadb-java-client-1.2.2.jar# /etc/profile追加以下内容,source加载生效export HIVE_HOME="/opt/apache/hive-3.1.2"export PATH=$HIVE_HOME/bin:$PATH
5、初始化元数据
schematool -initSchema -dbType mysql --verbose
6、修改hadoop配置文件core-site.xml,表示设置可访问的用户及用户组
配置hadoop core-site.xml,再core-site.xml文件中追加如下内容
<property> <name>hadoop.proxyuser.admin.hosts</name> <value>*</value></property><property> <name>hadoop.proxyuser.admin.groups</name> <value>*</value></property>
7、将hudi-hive的jar包放到hive lib目录下
cp hudi-0.12.0/packaging/hudi-hadoop-mr-bundle/target/hudi-hadoop-mr-bundle-0.12.0.jar $HIVE_HOME/lib/cp hudi-0.12.0/packaging/hudi-hive-sync-bundle/target/hudi-hive-sync-bundle-0.12.0.jar $HIVE_HOME/lib/
8、启动服务
# 启动元数据服务,默认端口9083nohup hive --service metastore 启动hiveserver2服务,默认端口10000nohup hive --service hiveserver2 > /dev/null 2>&1 查看日志tail -f /tmp/admin/hive.log# 连接beeline -u jdbc:hive2://localhost:10000 -n admin
9、测试验证
# 这里使用新命令beeline,跟hive命令差不多$ hiveshow databases;create table users(id int,name string);show tables;insert into users values(1,'zhangsan');
beelive连接
beeline -u jdbc:hive2://hadoop-hadoop-hdfs-nn-0:10000 -n admin
3)通过Hive sync tool 同步数据到Hive
应用hudi不可避免地要创建对应的hive表以方便查询hudi数据。一般我们使用flink、spark写入数据时,可以配置自动建表、同步元数据。有时也会选择使用hive sync tool工具离线进行操作。
Hive sync tool的介绍
Hudi提供Hive sync tool用于同步hudi最新的元数据(包含自动建表、增加字段、同步分区信息)到hive metastore。Hive sync tool提供三种同步模式,Jdbc,Hms,hivesql。推荐使用jdbc、hms。
官网文档:https://hudi.apache.org/docs/syncing_metastore/
1、JDBC模式同步
cd /opt/apache/hudi-0.12.0/hudi-sync/hudi-hive-sync/./run_sync_tool.sh \--base-path hdfs://hadoop-hadoop-hdfs-nn:9000/tmp/hudi_trips_cow \--database hudi_hive \--table hudi_trips_cow \--partitioned-by dt \--jdbc-url 'jdbc:hive2://hadoop-hadoop-hdfs-nn-0:10000' \--partition-value-extractor org.apache.hudi.hive.MultiPartKeysValueExtractor \--user admin \--pass admin \--partitioned-by dt
2、HMS 模式同步
hive meta store同步,提供hive metastore的地址,如thrift://hms:9083,通过hive metastore的接口完成同步。使用时需要设置 --sync-mode=hms --use-jdbc=false。
./run_sync_tool.sh \--base-path hdfs://hadoop-hadoop-hdfs-nn:9000/tmp/hudi_trips_cow \--database hudi_hive \--table hudi_trips_cow \--jdbc-url thrift://hadoop-hadoop-hdfs-nn:9083 \--user admin --pass admin \--partitioned-by dt \--sync-mode hms
Hive Sync时会判断表不存在时建外表并添加分区,表存在时对比表的schema是否存在差异,存在则替换,对比分区是否有新增,有则添加分区。
因此使用hive sync时有以下约束:
- 写入数据Schema只允许增加字段,不允许修改、删除字段。
- 分区目录只能新增,不会删除。
- Overwrite覆写Hudi表不支持同步覆盖Hive表。
- Hudi同步Hive表时,不支持使用timestamp类型作为分区列。
五、基于 Flink CDC 同步 MySQL 分库分表构建实时数据湖
1)Flink CDC 是什么?
2020年 Flink cdc 首次在 Flink forward 大会上官宣, 由 Alibaba的 Jark Wu & Qingsheng Ren 两位大佬介绍的,官方网址。
Flink CDC 文档:https://ververica.github.io/flink-cdc-connectors/master/content/about.html
GitHub地址:https://github.com/ververica/flink-cdc-connectors
Flink CDC(Change Data Capture:变更数据捕获) connector 可以捕获在一个或多个表中发生的所有变更。该模式通常有一个前记录和一个后记录。Flink CDC connector 可以直接在Flink中以非约束模式(流)使用,而不需要使用类似 kafka 之类的中间件中转数据。
2)基于 Flink CDC 同步 MySQL 分库分表构建实时数据湖
官方文档:基于 Flink CDC 同步 MySQL 分库分表构建实时数据湖
你也可以使用不同的 source 比如 Oracle/Postgres 和 sink 比如 Hudi 来构建自己的 ETL 流程。
对上图进行简化:
1、添加flink mysql jar包
flink-sql-connector-mysql-cdc jar包下载地址:https://repo1.maven.org/maven2/com/ververica/flink-sql-connector-mysql-cdc/
cd $FLINK_HOME/libwget https://repo1.maven.org/maven2/com/ververica/flink-sql-connector-mysql-cdc/2.2.1/flink-sql-connector-mysql-cdc-2.2.1.jar
2、创建数据库表,并且配置binlog 文件
[mysqld]#开启 Binlog,一般放在/var/lib/mysql;比如上面的设置重启数据库会生成mysql-bin.000001文件,文件名跟log_bin 值对应,当然也可以指定存储路径。log_bin = mysql-bin#删除超出这个变量保留期之前的全部日志被删除expire_logs_days = 7# 定一个集群内的 MySQL 服务器 ID,如果做数据库集群那么必须全局唯一。server_id = 1024# mysql复制主要有三种方式:基于SQL语句的复制(statement-based replication, SBR),基于行的复制(row-based replication, RBR),混合模式复制(mixed-based replication, MBR)。对应的,binlog的格式也有三种:STATEMENT,ROW,MIXED。binlog_format = ROW
重启mysql
# 重启数据库systemctl restart mariadb
3、 创建mysql 库表
mysql -uhive -h192.168.182.110 -P30306 -p密码:123456CREATE DATABASE hudi_hive;USE hudi_hive;CREATE TABLE `Flink_cdc` ( `id` BIGINT(64) AUTO_INCREMENT PRIMARY KEY, `name` VARCHAR(64) NULL, `age` INT(20) NULL, `birthday` TIMESTAMP DEFAULT CURRENT_TIMESTAMP NOT NULL, `ts` TIMESTAMP DEFAULT CURRENT_TIMESTAMP NOT NULL) ;INSERT INTO `hudi_hive`.`Flink_cdc`(NAME,age) VALUES("flink",18) ;
4、在 Flink SQL CLI 中使用 Flink DDL 创建表
# 添加环境变量export HADOOP_HOME=/opt/apache/hadoopexport HADOOP_DIR_CONF=${HADOOP_HOME}/etc/hadoopexport HADOOP_CLASSPATH=`hadoop classpath`# 启动单点flinkcd $FLINK_HOME./bin/start-cluster.sh# 测试可用性# ./bin/flink run examples/batch/WordCount.jar# 登录flink-sql CLI./bin/sql-client.sh embedded -j ../hudi-0.12.0/packaging/hudi-flink-bundle/target/hudi-flink1.14-bundle-0.12.0.jar shell# 设置表输出格式SET 'sql-client.execution.result-mode' = 'tableau';CREATE TABLE source_mysql ( id BIGINT PRIMARY KEY NOT ENFORCED, name STRING, age INT, birthday TIMESTAMP(3), ts TIMESTAMP(3) ) WITH ( 'connector' = 'mysql-cdc', 'hostname' = '192.168.182.110', 'port' = '30306', 'username' = 'hive', 'password' = '123456', 'server-time-zone' = 'Asia/Shanghai', 'debezium.snapshot.mode' = 'initial', 'database-name' = 'hudi_hive', 'table-name' = 'Flink_cdc' );# 创建flinksql 中的 flinkcdc 视图create view view_source_flinkcdc_mysql AS SELECT *, DATE_FORMAT(birthday, 'yyyyMMdd') as part FROM source_mysql;# 查mysql数据SELECT id, name,age,birthday, ts, part FROM view_source_flinkcdc_mysql ;
5、创建输出表,关联Hudi表,并且自动同步到Hive表
使用下面的 Flink SQL 语句将数据从 MySQL 写入 hudi 中,并同步到hive
CREATE TABLE flink_cdc_sink_hudi_hive(id bigint ,name string,age int,birthday TIMESTAMP(3),ts TIMESTAMP(3),part VARCHAR(20),primary key(id) not enforced)PARTITIONED BY (part)with('connector'='hudi','path'= 'hdfs://hadoop-hadoop-hdfs-nn-0:9000/flink_cdc_sink_hudi_hive', 'table.type'= 'MERGE_ON_READ','hoodie.datasource.write.recordkey.field'= 'id', 'write.precombine.field'= 'ts','write.tasks'= '1','write.rate.limit'= '2000', 'compaction.tasks'= '1', 'compaction.async.enabled'= 'true','compaction.trigger.strategy'= 'num_commits','compaction.delta_commits'= '1','changelog.enabled'= 'true','read.streaming.enabled'= 'true','read.streaming.check-interval'= '3','hive_sync.enable'= 'true','hive_sync.mode'= 'hms','hive_sync.metastore.uris'= 'thrift://hadoop-hadoop-hdfs-nn-0:9083','hive_sync.jdbc_url'= 'jdbc:hive2://hadoop-hadoop-hdfs-nn-0:10000','hive_sync.table'= 'flink_cdc_sink_hudi_hive','hive_sync.db'= 'db_hive','hive_sync.username'= 'admin','hive_sync.password'= '123456','hive_sync.support_timestamp'= 'true');
6、查询视图数据,添加数据到输出表
# 将mysql数据同步到hudi和hiveINSERT INTO flink_cdc_sink_hudi_hive SELECT id, name,age,birthday, ts, part FROM view_source_flinkcdc_mysql ;
7、查看hive数据
beeline -u jdbc:hive2://localhost:10000 -n adminshow tables from db_hive;
hive 会有两张表:flink_cdc_sink_hudi_hive_ro类型是读优化查询 , flink_cdc_sink_hudi_hive_rt 类型快照查询。
关于FlinkCDC,hive,mysql与hudi的整合就先到这里了,有任何疑问的小伙伴欢迎给我留言,后续会持续更新【大数据+云原生】相关的文档,请小伙伴耐心等待~
版权声明:内容来源于互联网和用户投稿 如有侵权请联系删除