0
0

Hudi Java Client总结|读取Hive写Hudi代码示例

前言

Hudi除了支持Spark、Fink写Hudi外，还支持Java客户端。本文总结Hudi Java Client如何使用，主要为代码示例，可以实现读取Hive表写Hudi表。当然也支持读取其他数据源，比如mysql，实现读取mysql的历史数据和增量数据写Hudi。

版本

Hudi 0.12.0

功能支持

支持insert/upsert/delete，暂不支持bulkInsert
目前仅支持COW表
支持完整的写Hudi操作，包括rollback、clean、archive等

代码

完整代码已上传GitHub：https://github.com/dongkelun/hudi-demo/tree/master/java-client

其中

HoodieJavaWriteClientExample

是从Hudi源码里拷贝的，包含了insert/upsert/delte/的代码示例，

JavaClientHive2Hudi

是我自己的写的代码示例总结，实现了kerberos认证、读取Hive表Schema作为写hudi的Schema、读取Hive表数据写hudi表，并同步hudi元数据至hive元数据，实现自动创建Hive元数据，当然也支持读取其他数据源，比如mysql，实现历史和增量写。

相比于

HoodieJavaWriteClientExample

,

JavaClientHive2Hudi

加了很多配置参数，更贴近实际使用，比如

HoodieJavaWriteClientExample

的payload为

HoodieAvroPayload

这只能作为示例使用，

JavaClientHive2Hudi

使用的为

DefaultHoodieRecordPayload

它支持预合并和历史值比较，关于这一点可以参考我之前写的文章：Hudi preCombinedField 总结(二)-源码分析,如果只需要预合并功能，可以使用

OverwriteWithLatestAvroPayload

,这俩分别是Spark SQL 和 Spark DF的默认值，当然都不需要的话，也支持

HoodieAvroPayload

,代码里是根据条件判断需要用哪个

payloadClassName

String payloadClassName = shouldOrdering ?DefaultHoodieRecordPayload.class.getName():
        shouldCombine ?OverwriteWithLatestAvroPayload.class.getName():HoodieAvroPayload.class.getName();

然后利用反射构造payload，其实这里反射的逻辑就是Hudi Spark源码里的逻辑。

另一个它更贴近实际使用的原因就是我们项目上就是将Hudi Java Client封装成了一个NIFI processor，然后用NIFI调度，其性能和稳定性都能够满足项目需求，这里的核心逻辑和实际项目中的逻辑是差不多的。关于我们使用Java客户端的原因是由于历史原因造成的，因为我们之前还没有调度Spark、Flink的开发工具（之前用的NIFI），而开发一个新的开发工具的话是需要时间成本的，所以选择了Java客户端，我们现在已经将Apache DolphinScheduler作为自己的开发调度工具了，后面会主要使用Spark/Flink,所以现在总结一下Hudi Java Client的使用以及源码，避免遗忘，也希望对大家有所帮助。

初始化Hudi表

Java Client的代码更贴近源码

initTable主要是根据一些配置信息，生成.hoodie元数据路径，并生成hoodie.properties元数据文件，该文件里持久化保存了Hudi的一些配置信息

if(!(fs.exists(path)&& fs.exists(hoodiePath))){//根据Hudi路径存不存在，判断Hudi表需不需要初始化if(Arrays.asList(INSERT_OPERATION, UPSERT_OPERATION).contains(writeOperationType)){HoodieTableMetaClient.withPropertyBuilder().setTableType(TABLE_TYPE).setTableName(targetTable).setPayloadClassName(payloadClassName).setRecordKeyFields(recordKeyFields).setPreCombineField(preCombineField).setPartitionFields(partitionFields).setBootstrapIndexClass(NoOpBootstrapIndex.class.getName()).initTable(hadoopConf, tablePath);}elseif(writeOperationType.equals(DELETE_OPERATION)){//Delete操作，Hudi表必须已经存在thrownewTableNotFoundException(tablePath);}}

hoodie.properties

#Properties saved on 2022-10-24T07:40:36.530Z#Mon Oct 24 15:40:36 CST 2022
hoodie.table.name=test_hudi_target
hoodie.archivelog.folder=archived
hoodie.table.type=COPY_ON_WRITE
hoodie.table.version=5
hoodie.timeline.layout.version=1
hoodie.datasource.write.drop.partition.columns=false
hoodie.table.checksum=1749434190

创建HoodieJavaWriteClient

首先要创建HoodieWriteConfig，主要是hudi的一些配置，比如表名、payload、索引、clean等一些参数，具体可以自己去了解。

HoodieWriteConfig cfg =HoodieWriteConfig.newBuilder().withPath(tablePath).withSchema(writeSchema.toString()).withParallelism(2,2).withDeleteParallelism(2).forTable(targetTable).withWritePayLoad(payloadClassName).withPayloadConfig(HoodiePayloadConfig.newBuilder().withPayloadOrderingField(orderingField).build()).withIndexConfig(HoodieIndexConfig.newBuilder().withIndexType(HoodieIndex.IndexType.BLOOM)// .bloomIndexPruneByRanges(false) // 1000万总体时间提升1分钟.bloomFilterFPP(0.000001)// 1000万总体时间提升3分钟.fromProperties(indexProperties).build()).withCompactionConfig(HoodieCompactionConfig.newBuilder().compactionSmallFileSize(smallFileLimit).approxRecordSize(recordSizeEstimate).build()).withArchivalConfig(HoodieArchivalConfig.newBuilder().archiveCommitsWith(150,200).build()).withCleanConfig(HoodieCleanConfig.newBuilder().retainCommits(100).build()).withStorageConfig(HoodieStorageConfig.newBuilder().parquetMaxFileSize(maxFileSize).build()).build();

writeClient =newHoodieJavaWriteClient<>(newHoodieJavaEngineContext(hadoopConf), cfg)

startCommit

返回commitTime，首先会执行rollback,然后创建一个.commit.request,再将commitTime返回

String newCommitTime = writeClient.startCommit();

generateRecord

这里主要是构造写hudi需要的数据结构，包含HoodieKey和payLoad,其中delete操作只需要HoodieKey

publicstaticList<HoodieRecord<HoodieRecordPayload>>generateRecord(ResultSet rs,Schema writeSchema,String payloadClassName,boolean shouldCombine)throwsIOException,SQLException{List<HoodieRecord<HoodieRecordPayload>> list =newArrayList<>();while(rs.next()){GenericRecord rec =newGenericData.Record(writeSchema);

            writeSchema.getFields().forEach(field ->{try{
                    rec.put(field.name(),convertValueType(rs, field.name(), field.schema().getType()));}catch(SQLException e){thrownewRuntimeException(e);}});String partitionPath = partitionFields ==null?"":getRecordPartitionPath(rs, writeSchema);System.out.println(partitionPath);String rowKey = recordKeyFields ==null&& writeOperationType.equals(INSERT_OPERATION)? UUID.randomUUID().toString():getRecordKey(rs, writeSchema);HoodieKey key =newHoodieKey(rowKey, partitionPath);if(shouldCombine){Object orderingVal =HoodieAvroUtils.getNestedFieldVal(rec, preCombineField,false,false);
                list.add(newHoodieAvroRecord<>(key,createPayload(payloadClassName, rec,(Comparable) orderingVal)));}else{
                list.add(newHoodieAvroRecord<>(key,createPayload(payloadClassName, rec)));}}return list;}

写Hudi

最后执行写Hudi的操作，常用upsert/insert/delete,Java Client也是默认开启clean等操作的，具体的实现是在HoodieJavaCopyOnWriteTable中。目前还不支持bulkInsert等操作,后面如果我有能力的话，会尝试提交PR支持。

writeClient.upsert(records, newCommitTime);
writeClient.insert(records, newCommitTime);
writeClient.delete(records, newCommitTime);

同步Hive

最后是同步元数据至Hive，实现在hive中建表,这一步是可选的。这样可以利用Hive SQL和Spark SQL查询Hudi表

/**
     * 利用HiveSyncTool同步Hive元数据
     * Spark写Hudi同步hive元数据的源码就是这样同步的
     *
     * @param properties
     * @param hiveConf
     */publicstaticvoidsyncHive(TypedProperties properties,HiveConf hiveConf){HiveSyncTool hiveSyncTool =newHiveSyncTool(properties, hiveConf);
        hiveSyncTool.syncHoodieTable();}publicstaticHiveConfgetHiveConf(String hiveSitePath,String coreSitePath,String hdfsSitePath){HiveConf configuration =newHiveConf();
        configuration.addResource(newPath(hiveSitePath));
        configuration.addResource(newPath(coreSitePath));
        configuration.addResource(newPath(hdfsSitePath));return configuration;}/**
     * 同步Hive元数据的一些属性配置
     * @param basePath
     * @return
     */publicstaticTypedPropertiesgetHiveSyncProperties(String basePath){TypedProperties properties =newTypedProperties();
        properties.put(HiveSyncConfigHolder.HIVE_SYNC_MODE.key(),HiveSyncMode.HMS.name());
        properties.put(HiveSyncConfigHolder.HIVE_CREATE_MANAGED_TABLE.key(),true);
        properties.put(HoodieSyncConfig.META_SYNC_DATABASE_NAME.key(), dbName);
        properties.put(HoodieSyncConfig.META_SYNC_TABLE_NAME.key(), targetTable);
        properties.put(HoodieSyncConfig.META_SYNC_BASE_PATH.key(), basePath);
        properties.put(HoodieSyncConfig.META_SYNC_PARTITION_EXTRACTOR_CLASS.key(),MultiPartKeysValueExtractor.class.getName());
        properties.put(HoodieSyncConfig.META_SYNC_PARTITION_FIELDS.key(), partitionFields);if(partitionFields !=null&&!partitionFields.isEmpty()){
            properties.put(HoodieSyncConfig.META_SYNC_PARTITION_FIELDS.key(), partitionFields);}return properties;}

与0.9.0版本差异

之前是基于0.9.0版本开发的，本文代码示例基于0.12.0，核心代码是一样的，差异的地方有两处

1、0.9.0 clean、archive的参数都是在withCompactionConfig中，现在单独拎出来
2、0.9.0 HiveSyncTool的参数为HiveSyncConfig，现在为TypedProperties

总结

Hudi Java Client和Spark、Flink一样都可以实现完整的写Hudi的逻辑，但是目前功能支持还不完善，比如不支持MOR表，而且性能上也不如Spark、Flink，毕竟Spark、FLink都是集群，但是Hudi Java Client可以集成到其他框架中，比如NIFI，集成起来比较方便，集成到NIFI的好处是，可以通过拖来拽配置参数的形式完成历史数据和增量数据写入Hudi。也可以自己实现多线程，提升性能，我们目前测试的性能是Insert可以达到10000条/s，而upsert因为需要读取索引，还有历史数据的更新，可能需要重写整个表，所以当历史数据比较大且更新占比比较高时，单线程的性能会非常差，但是我们基于源码改造，将布隆索引和写数据的部分改为多线程后，性能就会提升很多，当然这也取决于机器的性能，和CPU、内存有关。对于数据量不是很大的ZF数据，一般大表几十亿，性能还是可以满足要求的。

相关阅读

  • Hudi preCombinedField 总结
  • HUDI preCombinedField 总结(二)-源码分析
  • 超硬核！详解Apache Hudi灵活的Payload机制
标签： 大数据 数据湖 Hudi
本文转载自: https://blog.csdn.net/dkl12/article/details/127555767
版权归原作者 董可伦 所有， 如有侵权，请联系我们删除。
登录后发布评论

“Hudi Java Client总结|读取Hive写Hudi代码示例”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

机器人技术在安全领域的重要作用

安全学习记录——网络篇（一）

图腾柱PFC：HP1010为您的电动两轮车之旅提供绿色，高效，安全的动力

单元测试数据库回滚问题

这才是单元测试，之前我们都错了

【C语言基础】：字符函数和字符串函数

ChatGPT-Next-Web SSRF漏洞+XSS漏洞复现(CVE-2023-49785)

文章导航