0
0

Flink SQL通过Hudi HMS Catalog读写Hudi并同步Hive表（强烈推荐这种方式）

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站：https://www.captainai.net/dongkelun

前言

上篇文章Flink SQL操作Hudi并同步Hive使用总结总结了如何使用Flink SQL读写Hudi并同步Hive，介绍了创建表的各种方式，但是每一种方式都不太完美。本文介绍一种比较完美的方式，通过Hudi HMS Catalog读写Hudi并同步Hive表，这里的Hudi HMS Catalog实际上就是通过上篇文章最后提到的

HoodieHiveCatalog

实现的，PR：[HUDI-4098]Support HMS for flink HudiCatalog,2022年7月18 merge，也就是从Hudi0.12.0版本开始支持(我确认了一下0.11.1版本没有)，如果大家要使用的话，必须升级到0.12.0+，本文使用Hudi master 0.13.0-SNAPSHOT。

Flink Hudi HMS Catalog的好处

既然推荐这种方式，那么先说一下它的好处吧。好处是它可以像Spark SQL创建表一样，直接将表建立在Hive中，并且表结构与Hive SQL和Spark SQL兼容，也就是Flink Hudi HMS Catalog中创建的表，可以同时使用Flink SQL、Hive SQL、Spark SQL查询，也可以同时使用Flink SQL、Spark SQL写Hudi。不像上篇文章中介绍的方式，Flink SQL写Hudi的表不能被Hive/Spark使用，只能通过同步表的方式。另外在Flink Hudi HMS Catalog中和Spark SQL一样默认开启同步Hive,也就是对于MOR表默认会同步创建对应的_ro表和_rt表，至于COW表因为同步的表名和创建的表名一样，所以读写是同一张表。总之和Spark SQL创建表、读写一致。

版本

Flink 1.14.3
Hudi master 0.13.0-SNAPSHOT。

本文采用Flink yarn-session模式，不会的可以参考：Flink SQL 客户端查询Hive配置及问题解决

创建Flink Hudi HMS Catalog

先看一下如何创建Flink Hudi HMS Catalog

CREATE CATALOG hudi_catalog WITH('type'='hudi','mode'='hms','default-database'='default','hive.conf.dir'='/usr/hdp/3.1.0.0-78/hive/conf','table.external'='true');## 其实就是在Hive中创建一个数据库test_flinkcreatedatabaseifnotexists hudi_catalog.test_flink;## 切换到数据库test_flinkuse hudi_catalog.test_flink;

支持的配置项:

catalog.path
default-database
hive.conf.dir
# 可选项hms、dfs
mode
property-version
# 0.12.1版本应该还不支持，需要自己拉取master最新代码，PR支持：https://github.com/apache/hudi/pull/6923# 是否为外部表，默认false，也就是默认内部表# 0.12.0和0.12.1没有这个配置项，只能是外部表
table.external

可以看到和hive catalog的配置项差不多，只是type为hudi，这里mode必须是hms，默认值是dfs，至于为啥是hms，请看下面的源码分析
还有一点需要注意的是hive catalog中的配置项为hive-conf-dir，但是hudi的为hive.conf.dir，看着差不多，其实不一样。
table.external：是否为外部表，默认false，也就是默认内部表，但是0.12.0和0.12.1没有这个配置项，只能是外部表，这正是我使用Hudi master 0.13.0-SNAPSHOT的原因
如果觉得这个配置不是必须的，大家可以直接用0.12.1即可

为啥mode为hms

publicCatalogcreateCatalog(Context context){finalFactoryUtil.CatalogFactoryHelper helper =FactoryUtil.createCatalogFactoryHelper(this, context);
    helper.validate();String mode = helper.getOptions().get(CatalogOptions.MODE);switch(mode.toLowerCase(Locale.ROOT)){case"hms":returnnewHoodieHiveCatalog(
            context.getName(),(Configuration) helper.getOptions());case"dfs":returnnewHoodieCatalog(
            context.getName(),(Configuration) helper.getOptions());default:thrownewHoodieCatalogException(String.format("Invalid catalog mode: %s, supported modes: [hms, dfs].", mode));}}publicstaticfinalConfigOption<String>MODE=ConfigOptions.key("mode").stringType().defaultValue("dfs");

可以看到mode默认值为dfs,只有mode为hms时，才会使用

HoodieHiveCatalog

MOR表

建表

CREATETABLE test_hudi_flink_mor (
  id intPRIMARYKEYNOT ENFORCED,
  name VARCHAR(10),
  price int,
  ts int,
  dt VARCHAR(10))
PARTITIONED BY(dt)WITH('connector'='hudi','path'='/tmp/hudi/test_hudi_flink_mor','table.type'='MERGE_ON_READ','hoodie.datasource.write.keygenerator.class'='org.apache.hudi.keygen.ComplexAvroKeyGenerator','hoodie.datasource.write.recordkey.field'='id','hoodie.datasource.write.hive_style_partitioning'='true','hive_sync.conf.dir'='/usr/hdp/3.1.0.0-78/hive/conf');

使用catalog时path可以不用指定，不指定的话，路径就是Hive库路径+表名，可以看后面的Cow表。

这里需要注意的是，虽然不用配置同步Hive相关的配置，也就是默认会同步，但仍然需要配置hive_sync.conf.dir，否则依旧会报和上篇文章中一样的异常：
WARN hive.metastore [] - set_ugi() not successful, Likely cause: new client talking to old server. Continuing without it.
org.apache.thrift.transport.TTransportException: null
其实这里我认为是不合理的，因为catalog中已经配置了hive.conf.dir，这俩其实可以共用的。

这时在对应的Hive数据库中就已经建好表了,并且表结构同时兼容Hive、Spark和Flink,也就是既可以用Hive SQL查询，也可以用Spark SQL和Flink SQL读写

showcreatetable test_hudi_flink_mor;## 可以自己验证一下table.external是否生效+----------------------------------------------------+|                   createtab_stmt                   |+----------------------------------------------------+|CREATETABLE`test_hudi_flink_mor`(||`_hoodie_commit_time` string,||`_hoodie_commit_seqno` string,||`_hoodie_record_key` string,||`_hoodie_partition_path` string,||`_hoodie_file_name` string,||`id`int,||`name` string,||`price`int,||`ts`int)|| PARTITIONED BY(||`dt` string)||ROW FORMAT SERDE                                   ||'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'||WITH SERDEPROPERTIES (||'hoodie.query.as.ro.table'='false',||'path'='/tmp/hudi/test_hudi_flink_mor',||'primaryKey'='id',||'type'='mor')|| STORED AS INPUTFORMAT                              ||'org.apache.hudi.hadoop.realtime.HoodieParquetRealtimeInputFormat'|| OUTPUTFORMAT                                       ||'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'|| LOCATION                                           ||'hdfs://cluster1/tmp/hudi/test_hudi_flink_mor'|| TBLPROPERTIES (||'connector'='hudi',||'hive_sync.conf.dir'='/usr/hdp/3.1.0.0-78/hive/conf',||'hoodie.datasource.write.hive_style_partitioning'='true',||'hoodie.datasource.write.keygenerator.class'='org.apache.hudi.keygen.ComplexAvroKeyGenerator',||'hoodie.datasource.write.recordkey.field'='id',||'path'='/tmp/hudi/test_hudi_flink_mor',||'spark.sql.create.version'='spark2.4.4',||'spark.sql.sources.provider'='hudi',||'spark.sql.sources.schema.numPartCols'='1',||'spark.sql.sources.schema.numParts'='1',||'spark.sql.sources.schema.part.0'='{"type":"struct","fields":[{"name":"id","type":"integer","nullable":false,"metadata":{}},{"name":"name","type":"string","nullable":true,"metadata":{}},{"name":"price","type":"integer","nullable":true,"metadata":{}},{"name":"ts","type":"integer","nullable":true,"metadata":{}},{"name":"dt","type":"string","nullable":true,"metadata":{}}]}',||'spark.sql.sources.schema.partCol.0'='dt',||'table.type'='MERGE_ON_READ',||'transient_lastDdlTime'='1667373370')|+----------------------------------------------------+

同步Hive

Insert几条数据，看一下会不会触发一下Hive同步

insertinto test_hudi_flink_mor values(1,'hudi',10,100,'2022-10-31'),(2,'hudi',10,100,'2022-10-31');

果然默认同步，表结构和之前的方式是一样的。同步的表默认是外部表，可以通过配置项hoodie.datasource.hive_sync.create_managed_table配置是否为外部表

COW 表

建表

## 建表时可以直接catalog.database.table,不用use切换CREATETABLE hudi_catalog.test_flink.test_hudi_flink_cow (
  id intPRIMARYKEYNOT ENFORCED,
  name VARCHAR(10),
  price int,
  ts int,
  dt VARCHAR(10))
PARTITIONED BY(dt)WITH('connector'='hudi','hoodie.datasource.write.keygenerator.class'='org.apache.hudi.keygen.ComplexAvroKeyGenerator','hoodie.datasource.write.recordkey.field'='id','hoodie.datasource.write.hive_style_partitioning'='true','hive_sync.conf.dir'='/usr/hdp/3.1.0.0-78/hive/conf');

这里没有指定path，看一下Hive中的表结构,路径为库路径+表名：hdfs://cluster1/warehouse/tablespace/managed/hive/test_flink/test_hudi_flink_cow，这更符合平时的使用习惯，毕竟少了一个配置项，且路径统一好管理，不容易出错。

+----------------------------------------------------+|                   createtab_stmt                   |+----------------------------------------------------+|CREATE EXTERNAL TABLE`test_hudi_flink_cow`(||`_hoodie_commit_time` string,||`_hoodie_commit_seqno` string,||`_hoodie_record_key` string,||`_hoodie_partition_path` string,||`_hoodie_file_name` string,||`id`int,||`name` string,||`price`int,||`ts`int)|| PARTITIONED BY(||`dt` string)||ROW FORMAT SERDE                                   ||'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'||WITH SERDEPROPERTIES (||'hoodie.query.as.ro.table'='true',||'path'='hdfs://cluster1/warehouse/tablespace/managed/hive/test_flink/test_hudi_flink_cow',||'primaryKey'='id')|| STORED AS INPUTFORMAT                              ||'org.apache.hudi.hadoop.HoodieParquetInputFormat'|| OUTPUTFORMAT                                       ||'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'|| LOCATION                                           ||'hdfs://cluster1/warehouse/tablespace/managed/hive/test_flink/test_hudi_flink_cow'|| TBLPROPERTIES (||'connector'='hudi',||'hive_sync.conf.dir'='/usr/hdp/3.1.0.0-78/hive/conf',||'hoodie.datasource.write.hive_style_partitioning'='true',||'hoodie.datasource.write.keygenerator.class'='org.apache.hudi.keygen.ComplexAvroKeyGenerator',||'hoodie.datasource.write.recordkey.field'='id',||'path'='hdfs://cluster1/warehouse/tablespace/managed/hive/test_flink/test_hudi_flink_cow',||'spark.sql.create.version'='spark2.4.4',||'spark.sql.sources.provider'='hudi',||'spark.sql.sources.schema.numPartCols'='1',||'spark.sql.sources.schema.numParts'='1',||'spark.sql.sources.schema.part.0'='{"type":"struct","fields":[{"name":"id","type":"integer","nullable":false,"metadata":{}},{"name":"name","type":"string","nullable":true,"metadata":{}},{"name":"price","type":"integer","nullable":true,"metadata":{}},{"name":"ts","type":"integer","nullable":true,"metadata":{}},{"name":"dt","type":"string","nullable":true,"metadata":{}}]}',||'spark.sql.sources.schema.partCol.0'='dt',||'transient_lastDdlTime'='1667375710')|+----------------------------------------------------+

同步Hive

insertinto test_hudi_flink_cow values(1,'hudi',10,100,'2022-10-31'),(2,'hudi',10,100,'2022-10-31');

因为名字一样，所以同步的结果看不到变化

一致性验证

通过Spark SQL分别往每个表写几条数据，再用Spark、Hive、Flink查询

insertinto test_hudi_flink_mor values(3,'hudi',10,100,'2022-10-31');insertinto test_hudi_flink_mor_ro values(4,'hudi',10,100,'2022-10-31');insertinto test_hudi_flink_mor_rt values(5,'hudi',10,100,'2022-10-31');insertinto test_hudi_flink_cow values(3,'hudi',10,100,'2022-10-31');

经过验证，一致性没有问题。遗憾的是，Flink SQL查询结果依旧不包含元数据字段，不清楚为啥要这样设计~

异常解决

异常信息

Caused by:java.lang.NoSuchMethodError:org.apache.hudi.org.apache.jetty.util.compression.DeflaterPool.ensurePool(Lorg/apache/hudi/org/apache/jetty/util/component/Container;)Lorg/apache/hudi/org/apache/jetty/util/compression/DeflaterPool;
    at org.apache.hudi.org.apache.jetty.websocket.server.WebSocketServerFactory.<init>(WebSocketServerFactory.java:184)~[hudi-flink1.14-bundle-0.13.0-SNAPSHOT.jar:0.13.0-SNAPSHOT]

异常原因，Hudi包中的jetty版本和hadoop环境下的jetty版本不一致，导致有冲突，相关PR：[HUDI-4960] Upgrade jetty version for timeline server,这个PR升级了jetty的版本。
解决思路，使hadoop环境下的jetty版本和Hudi包中的版本一致。一个方法是使Flink任务不依赖Hadoop环境下的jetty相关的jar，这里是由于配置了HADOOP_CLASSPATH，经过尝试一时无法解决。另外一个是升级Hadoop环境下的jetty版本，但是我尝试了一下，由于Hadoop环境组件依赖的jar包比较多，单纯升级jetty版本的话，会引起其他问题，无奈只能先将Hudi中jetty回退到原先的版本，最简单的方式是直接reset到这个PR之前的位置。(先跑通Hudi HMS Catalog，后面有时间再解决依赖冲突问题)
在这里插入图片描述

总结

本文介绍了Flink SQL如何通过Hudi HMS Catalog读写Hudi并同步Hive表，并且讲述了Hudi HMS Catalog的好处，我认为这是目前比较完美的一种方式，强烈推荐大家使用

相关阅读

  • Flink SQL操作Hudi并同步Hive使用总结
  • Flink SQL 客户端查询Hive配置及问题解决
标签： flink hudi 数据湖
本文转载自: https://blog.csdn.net/dkl12/article/details/127654752
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

“Flink SQL通过Hudi HMS Catalog读写Hudi并同步Hive表（强烈推荐这种方式）”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