随着数据技术的快速发展,了解并掌握各种工具和技术变得尤为重要。为此,我们准备在Apache SeaTunnel社区发起如何使用连接器的Demo演示计划,邀请所有热爱数据同步技术的同学分享他们的知识和实操经验!
我们第三期主题是:如何使用SeaTunnel连接器从MySQL同步到Hive,如果您对此计划感兴趣,也欢迎联系社区运营同学参与Demo录制!无论您是数据工程师、开发者还是技术爱好者,都欢迎您参与并展示您的技术才能。
敲重点敲重点如果你是用户,想看什么同步场景的Demo!请下滑到最底部留言,我们优先出品呼声最高的同步场景Demo!
Demo计划目标
我们的目标是创建一个共享和学习的平台,通过具体的Demo演示和对应的文档帮助社区成员更好地理解和应用各种数据连接器。这些Demo可以帮助新手快速学习,同时也为资深专家提供一个展示创新解决方案的舞台。
src="//player.bilibili.com/player.html?isOutside=true&aid=1855834722&bvid=BV1ks421T7ZV&cid=1586444145&p=1" scrolling="no" border="0" frameborder="no" framespacing="0" allowfullscreen="true">
如何使用 SeaTunnel进行高效数据同步
关于从MySQL同步到Hive,前段时间也有用户投稿,感兴趣的同学可以搜索看看:
【最佳实践】2个步骤教你从Mysql同步到Hive
如何使用 SeaTunnel 同步 MySQL 数据到 Hive
Mysql Source连接器相关请参考之前的教程: 全方位解读SeaTunnel MySQL CDC连接器:实现数据高效同步的强大工具
需要参考的文档及代码原文链接:https://seatunnel.apache.org/docs/2.3.5/connector-v2/sink/Hive (预计2.3.6版本才能正式使用)
描述
将数据写入到 Hive。
要使用此连接器,您必须确保您的 Spark/Flink 集群已经集成了 Hive。
如果您使用 SeaTunnel Zeta Engine,则需要将
seatunnel-hadoop3-3.1.4-uber.jar
、
hive-exec-3.1.3.jar
和
libfb303-0.9.3.jar
放置在
$SEATUNNEL_HOME/lib/
目录下。 :::
关键特性
- 精确一次
默认情况下,我们使用两阶段提交(2PC)来确保
精确一次
。
- 文件格式 - text- csv- parquet- orc- json
- 压缩编码 - lzo
选项
名称类型必需默认值table_namestring是-metastore_uristring是-compress_codecstring否nonehdfs_site_pathstring否-hive_site_pathstring否-hive.hadoop.confMap否-hive.hadoop.conf-pathstring否-krb5_pathstring否/etc/krb5.confkerberos_principalstring否-kerberos_keytab_pathstring否-abort_drop_partition_metadataboolean否truecommon-options否-
table_name [string]
目标 Hive 表的名称,例如:
db1.table1
。如果源是多模式的,您可以使用
${database_name}.${table_name}
来生成表名,它会用源中生成的 CatalogTable 的值替换
${database_name}
和
${table_name}
。
metastore_uri [string]
Hive Metastore 的 URI。
hdfs_site_path [string]
hdfs-site.xml
的路径,用于加载 namenodes 的高可用配置。
hive_site_path [string]
hive-site.xml
的路径。
hive.hadoop.conf [map]
Hadoop 配置文件中的属性(
core-site.xml
、
hdfs-site.xml
、
hive-site.xml
)。
hive.hadoop.conf-path [string]
core-site.xml
、
hdfs-site.xml
、
hive-site.xml
文件的指定加载路径。
krb5_path [string]
krb5.conf
的路径,用于 Kerberos 认证。
kerberos_principal [string]
Kerberos 的 principal。
kerberos_keytab_path [string]
Kerberos 的 keytab 路径。
abort_drop_partition_metadata [list]
决定在中止操作期间是否从 Hive Metastore 中删除分区元数据的标志。
注意:这仅影响 metastore 中的元数据,同步过程中生成的数据将始终被删除。
common options
Sink 插件的常用参数,请参阅 Sink Common Options 获取详细信息。
示例
Hive {
table_name = "default.seatunnel_orc"
metastore_uri = "thrift://namenode001:9083"
}
示例 1
我们有一个源表,如下所示:
create table test_hive_source(
test_tinyint TINYINT,
test_smallint SMALLINT,
test_int INT,
test_bigint BIGINT,
test_boolean BOOLEAN,
test_float FLOAT,
test_double DOUBLE,
test_string STRING,
test_binary BINARY,
test_timestamp TIMESTAMP,
test_decimal DECIMAL(8,2),
test_char CHAR(64),
test_varchar VARCHAR(64),
test_date DATE,
test_array ARRAY<INT>,
test_map MAP<STRING, FLOAT>,
test_struct STRUCT<street:STRING, city:STRING, state:STRING, zip:INT>
)
PARTITIONED BY (test_par1 STRING, test_par2 STRING);
我们需要从源表读取数据并写入到另一个表中:
create table test_hive_sink_text_simple(
test_tinyint TINYINT,
test_smallint SMALLINT,
test_int INT,
test_bigint BIGINT,
test_boolean BOOLEAN,
test_float FLOAT,
test_double DOUBLE,
test_string STRING,
test_binary BINARY,
test_timestamp TIMESTAMP,
test_decimal DECIMAL(8,2),
test_char CHAR(64),
test_varchar VARCHAR(64),
test_date DATE
)
PARTITIONED BY (test_par1 STRING, test_par2 STRING);
作业配置文件如下:
env {
parallelism = 3
job.name="test_hive_source_to_hive"
}
source {
Hive {
table_name = "test_hive.test_hive_source"
metastore_uri = "thrift://ctyun7:9083"
}
}
sink {
Hive {
table_name = "test_hive.test_hive_sink_text_simple"
metastore_uri = "thrift://ctyun7:9083"
hive.hadoop.conf = {
bucket = "s3a://mybucket"
}
}
}
Hive on S3
1、为 EMR 的 Hive 创建 lib 目录
mkdir -p ${SEATUNNEL_HOME}/plugins/Hive/lib
2、从 Maven 中心获取 jar 到 lib 目录
cd ${SEATUNNEL_HOME}/plugins/Hive/lib
wget https://repo1.maven.org/maven2/org/apache/hadoop/hadoop-aws/2.6.5/hadoop-aws-2.6.5.jar
wget https://repo1.maven.org/maven2/org/apache/hive/hive-exec/2.3.9/hive-exec-2.3.9.jar
3、从 EMR 环境中复制 jar 到 lib 目录
cp /usr/share/aws/emr/emrfs/lib/emrfs-hadoop-assembly-2.60.0.jar ${SEATUNNEL_HOME}/plugins/Hive/lib
cp /usr/share/aws/emr/hadoop-state-pusher/lib/hadoop-common-3.3.6-amzn-1.jar ${SEATUNNEL_HOME}/plugins/Hive/lib
cp /usr/share/aws/emr/hadoop-state-pusher/lib/javax.inject-1.jar ${SEATUNNEL_HOME}/plugins/Hive/lib
cp /usr/share/aws/emr/hadoop-state-pusher/lib/aopalliance-1.0.jar ${SEATUNNEL_HOME}/plugins/Hive/lib
4、运行测试用例
env {
parallelism = 1
job.mode = "BATCH"
}
source {
FakeSource {
schema = {
fields {
pk_id = bigint
name = string
score = int
}
primaryKey {
name = "pk_id"
columnNames = [pk_id]
}
}
rows = [
{
kind = INSERT
fields = [1, "A", 100]
},
{
kind = INSERT
fields = [2, "B", 100]
},
{
kind = INSERT
fields = [3, "C", 100]
}
]
}
}
sink {
Hive {
table_name = "test_hive.test_hive_sink_on_s3"
metastore_uri = "thrift://ip-192-168-0-202.cn-north-1.compute.internal:9083"
hive.hadoop.conf-path = "/home/ec2-user/hadoop-conf"
hive.hadoop.conf = {
bucket="s3://ws-package"
}
}
}
Hive on OSS
1、为 EMR 的 Hive 创建 lib 目录
mkdir -p ${SEATUNNEL_HOME}/plugins/Hive/lib
2、从 Maven 中心获取 jar 到 lib 目录
cd ${SEATUNNEL_HOME}/plugins/Hive/lib
wget https://repo1.maven.org/maven2/org/apache/hive/hive-exec/2.3.9/hive-exec-2.3.9.jar
3、从 EMR 环境中复制 jar 到 lib 目录并删除冲突的 jar
cp -r /opt/apps/JINDOSDK/jindosdk-current/lib/jindo-*.jar ${SEATUNNEL_HOME}/plugins/Hive/lib
rm -f ${SEATUNNEL_HOME}/lib/hadoop-aliyun-*.jar
4、运行测试用例
env {
parallelism = 1
job.mode = "BATCH"
}
source {
FakeSource {
schema = {
fields {
pk_id = bigint
name = string
score = int
}
primaryKey {
name = "pk_id"
columnNames = [pk_id]
}
}
rows = [
{
kind = INSERT
fields = [1, "A", 100]
},
{
kind = INSERT
fields = [2, "B", 100]
},
{
kind = INSERT
fields = [3, "C", 100]
}
]
}
}
sink {
Hive {
table_name = "test_hive.test_hive_sink_on_oss"
metastore_uri = "thrift://master-1-1.c-1009b01725b501f2.cn-wulanchabu.emr.aliyuncs.com:9083"
hive.hadoop.conf-path = "/tmp/hadoop"
hive.hadoop.conf = {
bucket="oss://emr-osshdfs.cn-wulanchabu.oss-dls.aliyuncs.com"
}
}
}
示例 2
我们有多个源表,如下所示:
create table test_1(
)
PARTITIONED BY (xx);
create table test_2(
)
PARTITIONED BY (xx);
...
我们需要从这些源表读取数据并写入到其他表中:
作业配置文件如下:
env {
# 在这里设置 Flink 配置
parallelism = 3
job.name="test_hive_source_to_hive"
}
source {
Hive {
tables_configs = [
{
table_name = "test_hive.test_1"
metastore_uri = "thrift://ctyun6:9083"
},
{
table_name = "test_hive.test_2"
metastore_uri = "thrift://ctyun7:9083"
}
]
}
}
sink {
Hive {
table_name = "${database_name}.${table_name}"
metastore_uri = "thrift://ctyun7:9083"
}
}
通过视频教程,我们探讨了如何使用 Apache SeaTunnel 的 Hive Sink Connector 将数据高效地写入 Hive 表。
无论是在本地环境还是云上部署,使用 Hive Sink Connector 都能够帮助企业构建高效、可靠的数据处理流程。希望通过本文的指导,您能更好地理解和应用这一强大的工具,以满足您的数据处理需求。
如果您对本文内容有任何疑问或建议,欢迎在评论区分享您的想法。让我们共同探讨和进步,不断推动数据技术的边界。
本文由 白鲸开源科技 提供发布支持!
版权归原作者 SeaTunnel 所有, 如有侵权,请联系我们删除。