文章目录
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（Spark，Flink与Hudi整合）
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=$(kubectl get secret --namespace mysql mysql -o jsonpath="{.data.mysql-root-password}"| base64 -d)#登录pod
kubectl exec -it mysql-primary-0 -n mysql -- bash# 连接myslq
mysql -u root -p$MYSQL_ROOT_PASSWORD
CREATE 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.gz
tar -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
exportHADOOP_HOME=/opt/apache/hadoop
exportHIVE_CONF_DIR=/opt/apache/apache-hive-3.1.3-bin/conf
exportHIV_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$HIVE_HOME/lib
# 根据java8版本下载这个版本，这个版本已验证可行wget https://downloads.mariadb.com/Connectors/java/connector-java-1.2.2/mariadb-java-client-1.2.2.jar
# /etc/profile追加以下内容，source加载生效exportHIVE_HOME="/opt/apache/hive-3.1.2"exportPATH=$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
$ hive
show 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$FLINK_HOME/lib
wget https://repo1.maven.org/maven2/com/ververica/flink-sql-connector-mysql-cdc/2.2.1/flink-sql-connector-mysql-cdc-2.2.1.jar
2、创建数据库表，并且配置binlog 文件
[mysqld]#开启 Binlog，一般放在/var/lib/mysql；比如上面的设置重启数据库会生成mysql-bin.000001文件，文件名跟log_bin 值对应，当然也可以指定存储路径。
log_bin = mysql-bin
#删除超出这个变量保留期之前的全部日志被删除
expire_logs_days =7# 定一个集群内的 MySQL 服务器 ID，如果做数据库集群那么必须全局唯一。
server_id =1024# mysql复制主要有三种方式：基于SQL语句的复制(statement-based replication, SBR)，基于行的复制(row-based replication, RBR)，混合模式复制(mixed-based replication, MBR)。对应的，binlog的格式也有三种：STATEMENT，ROW，MIXED。
binlog_format = ROW
重启mysql
# 重启数据库
systemctl restart mariadb
3、 创建mysql 库表
mysql -uhive -h192.168.182.110-P30306 -p
密码：123456CREATEDATABASE hudi_hive;USE hudi_hive;CREATETABLE`Flink_cdc`(`id`BIGINT(64)AUTO_INCREMENTPRIMARYKEY,`name`VARCHAR(64)NULL,`age`INT(20)NULL,`birthday`TIMESTAMPDEFAULTCURRENT_TIMESTAMPNOTNULL,`ts`TIMESTAMPDEFAULTCURRENT_TIMESTAMPNOTNULL);INSERTINTO`hudi_hive`.`Flink_cdc`(NAME,age)VALUES("flink",18);
4、在 Flink SQL CLI 中使用 Flink DDL 创建表
# 添加环境变量exportHADOOP_HOME=/opt/apache/hadoop
exportHADOOP_DIR_CONF=${HADOOP_HOME}/etc/hadoop
exportHADOOP_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hive
INSERT 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 admin
show 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~
本文转载自: https://blog.csdn.net/qq_35745940/article/details/127468801
版权归原作者 大数据老司机 所有， 如有侵权，请联系我们删除。
版权归原作者 大数据老司机 所有， 如有侵权，请联系我们删除。