0
0

Hudi最强指南 — Hudi的安装部署（Linux）

前言

随着大数据技术的飞速发展，企业对于数据处理的效率和实时性的要求也越来越高。Hadoop作为大数据领域的领军技术，长久以来一直承载着海量数据的存储和处理任务。然而，传统的Hadoop数据模型在处理更新和删除操作时的局限性，使得它难以满足实时数据湖等复杂场景的需求。

正是在这样的背景下，Hudi应运而生。Hudi，即Hadoop Upserts Deletes and Incrementals，是一个开源的数据存储层，它旨在解决Hadoop在处理更新和删除操作时的不足，使得大规模分析数据集的实时更新和增量处理成为可能。

本文旨在详细介绍如何搭建和部署Hudi，帮助读者了解并掌握这一强大的数据存储工具。我们将从环境准备、软件安装、配置调整、数据加载到性能优化等各个方面进行阐述，确保读者能够按照步骤顺利地搭建起自己的Hudi环境。

通过本文的学习，读者将能够了解到Hudi的基本原理和架构，掌握其安装和配置方法，并能够利用Hudi实现数据的实时更新和增量处理。无论是数据工程师、数据科学家还是大数据爱好者，都可以通过本文获得Hudi搭建和部署的实用知识和经验。

让我们一同走进Hudi的世界，探索它如何为实时数据湖的建设提供强大的技术支持，并为企业带来更高效、更灵活的数据处理能力。

Hudi的介绍

一、Hudi是什么？

Hudi（Hadoop Upserts Deletes and Incrementals）是一个开源的数据存储层，旨在优化Hadoop和HDFS上大规模分析数据集的更新、删除和增量处理。Hudi特别关注实时数据湖用例，使得数据工程师和数据科学家能够轻松地管理、查询和分析实时或几乎实时更新的数据集。

二、Hudi的特点功能和优势

  1. 支持增量更新和删除：传统上，Hadoop和HDFS是为批量处理而设计的，不支持对数据的更新或删除。然而，随着实时数据处理的需求增长，这种限制变得越来越明显。Hudi通过引入新的数据模型解决了这个问题，允许用户在不重写整个数据集的情况下，对特定记录进行更新或删除。
  2. 高效的数据摄取：Hudi提供了多种数据摄取方法，包括批量加载、流式摄取和实时摄取。这使得Hudi能够灵活适应不同的数据处理需求，无论是定期批量加载数据还是持续不断地从数据源摄取数据。
  3. 与Hadoop生态系统集成：Hudi与Hadoop生态系统中的其他组件（如Hive、Spark、Flink等）紧密集成，使得用户能够利用这些工具进行数据分析、查询和转换。
  4. 优化查询性能：Hudi使用列式存储格式，并结合索引和分区策略，优化了查询性能。这有助于加速数据分析任务，特别是在处理大规模数据集时。
  5. 版本控制和回滚：Hudi支持数据的版本控制，这意味着用户可以跟踪数据的更改历史，并在必要时回滚到之前的版本。
  6. 简化数据管理：通过使用Hudi，用户可以更容易地管理数据湖中的数据，包括处理数据的生命周期、保留策略和归档等。
  7. 优化存储和查询性能：Hudi 采用了多种技术来优化存储和查询性能，如列式存储、索引、分区等。这些技术使得用户可以更快地查询和分析数据。

三、Hudi的使用场景

1）近实时写入

减少碎片化工具的使用。
CDC 增量导入 RDBMS 数据。
限制小文件的大小和数量。

2）近实时分析

相对于秒级存储（Druid, OpenTSDB），节省资源。
提供分钟级别时效性，支撑更高效的查询。
Hudi作为lib，非常轻量。

3）增量 pipeline

区分arrivetime和event time处理延迟数据。
更短的调度interval减少端到端延迟（小时 -> 分钟） => Incremental Processing。

4）增量导出

替代部分Kafka的场景，数据导出到在线服务存储 e.g. ES。

Hudi的搭建部署

一、准备

准备下图的安装包：

具体准备要求：

1）确保安装了JAVA开发工具包（JDK），因为Hudi是基于Java开发的，因此JDK是必需的。确保安装了与Hudi兼容的JDK版本，并配置好环境变量，以便在命令行中能够直接使用。

2）由于Hudi依赖于Apache Hadoop和Apache Spark，因此在安装Hudi之前，需要先安装和配置这两个组件。

3）需要安装并配置 Apache Maven：

Maven是一个项目管理工具，用于自动化构建Java项目，并管理项目的依赖关系。安装Maven后，需要设置其环境变量，并确保可以在命令行中调用Maven命令。

部署maven的原因：

在搭建和部署Hudi的过程中，之所以需要搭建Maven环境，主要是因为Hudi项目本身是基于Java开发的，并且采用了Maven作为项目管理工具。Maven在Java项目开发中扮演了重要的角色，它提供了项目构建、依赖管理等功能，能够大大简化项目的开发和维护过程。

具体来说，Maven通过定义项目对象模型（POM），帮助开发者管理项目的构建过程、依赖关系、生命周期等。对于Hudi项目而言，Maven可以自动处理其所需的Java依赖库，包括其他Java项目或库，确保项目在编译、测试和运行时能够正确引用这些依赖。

此外，Maven还提供了丰富的插件生态系统，这些插件可以扩展Maven的功能，实现诸如代码编译、打包、发布等操作。在Hudi的搭建和部署过程中，这些插件可以帮助我们自动化地完成一些繁琐的任务，提高开发效率。

因此，为了顺利搭建和部署Hudi，我们需要先搭建Maven环境，以便利用Maven的强大功能来管理Hudi项目的构建和依赖关系。这样，我们可以确保Hudi项目在开发和运行过程中能够正确、高效地运行，为后续的数据处理和分析工作提供有力的支持。

4）需要下载Hudi的发布版本

二、搭建

1）搭建JAVA环境和Hadoop环境

https://blog.csdn.net/2301_78038072/article/details/136498258https://blog.csdn.net/2301_78038072/article/details/136498258

2）部署zookeeper

https://blog.csdn.net/2301_78038072/article/details/136505364https://blog.csdn.net/2301_78038072/article/details/136505364

3）部署Spark on yarn

生产生活中 因为数据量比较大，是以TB、PB级别的数据量，所以建议部署在yarn上

https://blog.csdn.net/2301_78038072/article/details/136632914https://blog.csdn.net/2301_78038072/article/details/136632914

4）部署maven环境

①解压缩安装包到**/opt/module**目录下

tar -zxvf /opt/software/apache-maven-3.6.3-bin.tar.gz -C /opt/module/

②配置maven的环境变量

vim /etc/profile.d/bigdata_env.sh

添加：

#MAVEN_HOME
export MAVEN_HOME=/opt/module/apache-maven-3.6.3
export PATH=$PATH:$MAVEN_HOME/bin

退出保存，刷新环境，使其生效：

source /etc/profile

③验证是否成功

mvn -v

④修改apache-maven-3.6.1/conf目录下的settings.xml文件

（1）添加maven本地仓库路径

跳转到大概55行左右，添加内容：

<localRepository>/opt/software/RepMaven</localRepository>

（2）修改阿里云镜像

跳转到大概160行左右，添加内容：

<mirror>
<id>nexus-aliyun</id>
<mirrorOf>central</mirrorOf>
<name>Nexus aliyun</name>
<url>http://maven.aliyun.com/nexus/content/groups/public</url>
</mirror>

5）部署Hudi环境

①解压缩安装包到**/opt/module**目录下

tar -zxvf /opt/software/hudi-0.11.0.src.tgz -C /opt/module/

②修改hudi-0.11.0文件夹目录下的pom.xml文件

（1）111行和113行左右 修改hadoop与hive版本兼容

（2）1170行左右 新增中央仓库repository加速依赖下载

<repository>
        <id>nexus-aliyun</id>
        <name>nexus-aliyun</name>
        <url>http://maven.aliyun.com/nexus/content/groups/public/</url>
        <releases>
            <enabled>true</enabled>
        </releases>
        <snapshots>
            <enabled>false</enabled>
        </snapshots>
</repository>

③** 修改源码兼容hadoop3 **

vim /opt/module/hudi-0.11.0/hudi-common/src/main/java/org/apache/hudi/common/table/log/block/HoodieParquetDataBlock.java

113左右

④修改hudi-0.11.0/packaging/hudi-spark-bundle/文件夹目录下的pom.xml文件

vim /opt/module/hudi-0.11.0/packaging/hudi-spark-bundle/pom.xml

解决spark模块依赖冲突

（1）380行左右 hive

<exclusions>
        <exclusion>
          <artifactId>guava</artifactId>
          <groupId>com.google.guava</groupId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.pentaho</groupId>
          <artifactId>*</artifactId>
        </exclusion>
</exclusions>

（2）410行左右 ** hive-jdbc**

<exclusions>
        <exclusion>
          <groupId>javax.servlet</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>javax.servlet.jsp</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
</exclusions>

（3）430行左右 hive-metastore

<exclusions>
        <exclusion>
          <groupId>javax.servlet</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.datanucleus</groupId>
          <artifactId>datanucleus-core</artifactId>
        </exclusion>
        <exclusion>
          <groupId>javax.servlet.jsp</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <artifactId>guava</artifactId>
          <groupId>com.google.guava</groupId>
        </exclusion>
</exclusions>

（4）455行左右** hive-common**

<exclusions>
        <exclusion>
          <groupId>org.eclipse.jetty.orbit</groupId>
          <artifactId>javax.servlet</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
</exclusions>

（5） 在最后手动增加jetty （hive最下边，zookeeper上边）

排除低版本jetty，添加hudi指定版本的jetty

    <!-- 增加hudi配置版本的jetty -->
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-server</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-util</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-webapp</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-http</artifactId>
      <version>${jetty.version}</version>
    </dependency>

⑤修改hudi-0.11.0/packaging/hudi-utilities-bundle/文件夹目录下的pom.xml文件

vim /opt/module/hudi-0.11.0/packaging/hudi-utilities-bundle/pom.xml

（1）350行左右 

      <exclusions>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（2）361行左右

      <exclusions>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（3）423行左右 hive-service

      <exclusions>
        <exclusion>
          <artifactId>servlet-api</artifactId>
          <groupId>javax.servlet</groupId>
        </exclusion>
        <exclusion>
          <artifactId>guava</artifactId>
          <groupId>com.google.guava</groupId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.pentaho</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（4）455行左右 hive-jdbc

      <exclusions>
        <exclusion>
          <groupId>javax.servlet</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>javax.servlet.jsp</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（5）476行左右 hive-metastore

      <exclusions>
        <exclusion>
          <groupId>javax.servlet</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.datanucleus</groupId>
          <artifactId>datanucleus-core</artifactId>
        </exclusion>
        <exclusion>
          <groupId>javax.servlet.jsp</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <artifactId>guava</artifactId>
          <groupId>com.google.guava</groupId>
        </exclusion>
      </exclusions>

（6）501行左右 hive-common

      <exclusions>
        <exclusion>
          <groupId>org.eclipse.jetty.orbit</groupId>
          <artifactId>javax.servlet</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（7）520行 最后增加hudi配置版本的jetty

    <!-- 增加hudi配置版本的jetty -->
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-server</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-util</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-webapp</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-http</artifactId>
      <version>${jetty.version}</version>
    </dependency>

三、执行编译，构建maven

mvn clean package -DskipTests -Dspark3.0 -Dscala-2.12 -Dhadoop.version=3.1.3 -Pflink-bundle-shade-hive3

参数解析：

  1. mvn: 这是Maven命令行工具的调用，Maven是一个用于自动化构建Java项目的工具。
  2. clean: 这个目标（goal）用于清理项目构建的输出目录，通常包括target/目录，确保从干净的状态开始构建。
  3. package: 这个目标用于编译项目源代码，执行测试（如果未使用-DskipTests参数），并打包项目为一个可发布的格式，比如JAR、WAR或EAR文件。
  4. -DskipTests: 这个参数告诉Maven在构建过程中跳过单元测试。这对于只想构建项目而不运行测试的场景很有用，可以节省构建时间。
  5. -Dspark3.0: 这个参数可能是一个自定义属性，用于指定项目应该使用Apache Spark 3.0版本的相关依赖。这通常用于项目的pom.xml文件中，通过Maven属性来控制依赖的版本。
  6. -Dscala-2.12: 类似地，这个参数可能用于指定项目应该使用Scala 2.12版本的相关依赖。
  7. -Dhadoop.version=3.1.3: 这个参数用于指定Hadoop的版本为3.1.3。Maven将使用这个版本来解析Hadoop相关的依赖。
  8. -Pflink-bundle-shade-hive3: 这个参数用于激活一个或多个Maven profile。在这里，它激活了名为**flink-bundle-shade-hive3**的profile。Profiles是Maven中用于定义不同构建逻辑的一种方式，可以根据不同的环境或需求激活不同的profile。（这个profile与Apache Flink的捆绑、shade（重命名依赖以避免冲突）和Hive 3相关。）

接下来就是等待编译，过程很漫长

………………

………………………………

………………………………………………

………………………………………………………………

………………………………………………………………………………

………………………………………………………………………………………………

………………………………………………………………………………………………………………

就这样等啊等，你等了20分钟左右，出现了下面的画面，就证明你成功了

成功编译之后，进入Hudi自带的客户端

hudi-cli/hudi-cli.sh

Hudi的简单使用

一、准备案例

import org.apache.hudi.QuickstartUtils._
import scala.collection.JavaConversions._
import org.apache.spark.sql.SaveMode._
import org.apache.hudi.DataSourceReadOptions._
import org.apache.hudi.DataSourceWriteOptions._
import org.apache.hudi.config.HoodieWriteConfig._
import org.apache.hudi.common.model.HoodieRecord

val tableName = "hudi_trips_cow"
val basePath = "file:///tmp/hudi_trips_cow"
val dataGen = new DataGenerator

val inserts = convertToStringList(dataGen.generateInserts(10))
val df = spark.read.json(spark.sparkContext.parallelize(inserts, 2))
df.write.format("hudi").
  options(getQuickstartWriteConfigs).
  option(PRECOMBINE_FIELD_OPT_KEY, "ts").
  option(RECORDKEY_FIELD_OPT_KEY, "uuid").
  option(PARTITIONPATH_FIELD_OPT_KEY, "partitionpath").
  option(TABLE_NAME, tableName).
  mode(Overwrite).
  save(basePath)

val tripsSnapshotDF = spark.read.format("hudi").load(basePath + "/*/*/*/*")
tripsSnapshotDF.createOrReplaceTempView("hudi_trips_snapshot")
spark.sql("select fare, begin_lon, begin_lat, ts from  hudi_trips_snapshot where fare > 20.0").show()

二、将编译好的包拷贝到spark的jars目录中

cp hudi-spark3.1-bundle_2.12-0.12.0.jar /opt/module/spark-3.0.3-yarn/jars

三、启动spark-shell，配置启动序列化参数

spark-shell --conf "spark.serializer=org.apache.spark.serializer.KryoSerializer" --conf "spark.HoodieRecord=org.apache.hudi.common.model.HoodieRecord"

直接复制案例进入spark-shell里面，会得到

标签： 大数据 Hudi 搭建
本文转载自: https://blog.csdn.net/2301_78038072/article/details/137054946
版权归原作者 十二点的泡面 所有， 如有侵权，请联系我们删除。
登录后发布评论

“Hudi最强指南 — Hudi的安装部署（Linux）”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

网络安全法-网络运行安全

使用selenium/drissionpage时如何阻止chrome自动跳转http到https

docker desktop 里部署的Open WebUI 管理员密码忘记了的处理方法

在ubuntu20.04中搭建onsite比赛运行环境

利用开源的低代码表单设计器FcDesigner高效管理和渲染复杂表单结构

Kafka学习笔记

【前端】浏览器输入url到页面呈现发生了什么？

文章导航