大数据Hadoop之——Apache Hudi 数据湖实战操作（FlinkCDC）

作者：大数据老司机

次浏览

次

2023-5-16

编辑推荐:

本文主要介绍了大数据Hadoop之——Apache Hudi 数据湖实战操作等相关知识。希望对你的学习有帮助。
本文来自于CSDN，由Linda编辑、推荐。

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://192.168.182.110:303
06/hive_metastore?create
DatabaseIfNotExist=true&amp;
useSSL=false&amp;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

export HADOOP_HOME=/opt/apache/hadoop
export HIVE_CONF_DIR=/opt/apache
/apache-hive-3.1.3-bin/conf
export HIV_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
export HIVE_HOME="/opt/apache/hive-3.1.2"
export PATH=$HIVE_HOME/bin:$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-m
r-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9083
nohup hive --service metastore &

# 启动hiveserver2服务，默认端口10000
nohup 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：123456

CREATE DATABASE hudi_hive;

USE hudi_hive;

CREATE TABLE `Flink_cdc` (
  `id` BIGINT(64) AUTO_INCREMENT PRIMARY KEY,
  `name` VARCHAR(64)  NULL,
  `age` INT(20) NULL,
  `birthday` TIMESTAMP DEFAULT 
CURRENT_TIMESTAMP NOT NULL,
   `ts` TIMESTAMP DEFAULT 
CURRENT_TIMESTAMP NOT NULL
) ;
INSERT INTO `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
export HADOOP_HOME=/opt/apache/hadoop
export HADOOP_DIR_CONF=${HADOOP_HOME}/etc/hadoop
export HADOOP_CLASSPATH=`hadoop classpath`

# 启动单点flink
cd $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。

次浏览