大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

@

集成Spark开发

Spark编程读写示例

通过IDE如Idea编程实质上和前面的spark-shell和spark-sql相似,其他都是Spark编程的知识,下面以scala语言为示例,idea新建scala的maven项目

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

pom文件添加如下依赖

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">   <modelVersion>4.0.0</modelVersion>   <groupId>cn.itxs</groupId>   <artifactId>hoodie-spark-demo</artifactId>   <version>1.0</version>    <properties>     <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>     <scala.version>2.12.10</scala.version>     <scala.binary.version>2.12</scala.binary.version>     <spark.version>3.3.0</spark.version>     <hoodie.version>0.12.1</hoodie.version>     <hadoop.version>3.3.4</hadoop.version>   </properties>    <dependencies>     <dependency>       <groupId>org.scala-lang</groupId>       <artifactId>scala-library</artifactId>       <version>${scala.version}</version>     </dependency>      <dependency>       <groupId>org.apache.spark</groupId>       <artifactId>spark-core_${scala.binary.version}</artifactId>       <version>${spark.version}</version>       <scope>provided</scope>     </dependency>      <dependency>       <groupId>org.apache.spark</groupId>       <artifactId>spark-sql_${scala.binary.version}</artifactId>       <version>${spark.version}</version>       <scope>provided</scope>     </dependency>      <dependency>       <groupId>org.apache.spark</groupId>       <artifactId>spark-hive_${scala.binary.version}</artifactId>       <version>${spark.version}</version>       <scope>provided</scope>     </dependency>      <dependency>       <groupId>org.apache.hadoop</groupId>       <artifactId>hadoop-client</artifactId>       <version>${hadoop.version}</version>       <scope>provided</scope>     </dependency>      <dependency>       <groupId>org.apache.hudi</groupId>       <artifactId>hudi-spark3.3-bundle_${scala.binary.version}</artifactId>       <version>${hoodie.version}</version>       <scope>provided</scope>     </dependency>   </dependencies>    <build>     <plugins>       <plugin>         <groupId>org.apache.maven.plugins</groupId>         <artifactId>maven-compiler-plugin</artifactId>         <version>3.10.1</version>         <configuration>           <source>1.8</source>           <target>1.8</target>           <encoding>${project.build.sourceEncoding}</encoding>         </configuration>       </plugin>       <plugin>         <groupId>org.scala-tools</groupId>         <artifactId>maven-scala-plugin</artifactId>         <version>2.15.2</version>         <executions>           <execution>             <goals>               <goal>compile</goal>               <goal>testCompile</goal>             </goals>           </execution>         </executions>       </plugin>       <plugin>         <groupId>org.apache.maven.plugins</groupId>         <artifactId>maven-shade-plugin</artifactId>         <version>3.2.4</version>         <executions>           <execution>             <phase>package</phase>             <goals>               <goal>shade</goal>             </goals>             <configuration>               <filters>                 <filter>                   <artifact>*:*</artifact>                   <excludes>                     <exclude>META-INF/*.SF</exclude>                     <exclude>META-INF/*.DSA</exclude>                     <exclude>META-INF/*.RSA</exclude>                   </excludes>                 </filter>               </filters>             </configuration>           </execution>         </executions>       </plugin>     </plugins>   </build> </project> 

创建常量对象

object Constant {     val HUDI_STORAGE_PATH = "hdfs://192.168.5.53:9000/tmp/" } 

插入hudi数据

package cn.itxs  import org.apache.spark.sql.SparkSession import org.apache.spark.SparkConf import org.apache.hudi.QuickstartUtils._ import scala.collection.JavaConversions._ import org.apache.spark.sql.SaveMode._ import org.apache.hudi.DataSourceWriteOptions._ import org.apache.hudi.config.HoodieWriteConfig._  object InsertDemo {   def main(args: Array[String]): Unit = {     val sparkConf = new SparkConf()       .setAppName(this.getClass.getSimpleName)       .setMaster("local[*]")       .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")      val sparkSession = SparkSession.builder()       .config(sparkConf)       .enableHiveSupport()       .getOrCreate()      val tableName = "hudi_trips_cow_idea"     val basePath =  Constant.HUDI_STORAGE_PATH+tableName     val dataGen = new DataGenerator     val inserts = convertToStringList(dataGen.generateInserts(10))      val df = sparkSession.read.json(sparkSession.sparkContext.parallelize(inserts,2))     df.write.format("hudi").       options(getQuickstartWriteConfigs).       option(PRECOMBINE_FIELD.key(), "ts").       option(RECORDKEY_FIELD.key(), "uuid").       option(PARTITIONPATH_FIELD.key(), "partitionpath").       option(TBL_NAME.key(), tableName).       mode(Overwrite).       save(basePath)      sparkSession.close()   } } 

由于依赖中scope是配置为provided,因此运行配置中勾选下面这项

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

运行InsertDemo程序写入hudi数据

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

运行ReadDemo程序读取hudi数据

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

通过mvn clean package打包后上传运行

spark-submit  --class cn.itxs.ReadDemo  /home/commons/spark-3.3.0-bin-hadoop3/appjars/hoodie-spark-demo-1.0.jar 

DeltaStreamer

HoodieDeltaStreamer实用程序(hudi-utilities-bundle的一部分)提供了从不同源(如DFS或Kafka)中获取的方法,具有以下功能。

  • 从Kafka的新事件,从Sqoop的增量导入或输出HiveIncrementalPuller或DFS文件夹下的文件。
  • 支持json, avro或自定义记录类型的传入数据。
  • 管理检查点、回滚和恢复。
  • 利用来自DFS或Confluent模式注册中心的Avro模式。
  • 支持插入转换。
# 拷贝hudi-utilities-bundle_2.12-0.12.1.jar到spark的jars目录 cp /home/commons/hudi-release-0.12.1/packaging/hudi-utilities-bundle/target/hudi-utilities-bundle_2.12-0.12.1.jar jars/ # 查看帮助文档,参数非常多,可以在有需要使用的时候查阅 spark-submit --class org.apache.hudi.utilities.deltastreamer.HoodieDeltaStreamer /home/commons/spark-3.3.0-bin-hadoop3/jars/hudi-utilities-bundle_2.12-0.12.1.jar --help 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

该工具采用层次结构组成的属性文件,并具有提取数据、密钥生成和提供模式的可插入接口。在hudi-下提供了从kafka和dfs中摄取的示例配置

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

接下里以File Based Schema Provider和JsonKafkaSoiurce为示例演示如何使用

# 创建topic bin/kafka-topics.sh --zookeeper zk1:2181,zk2:2181,zk3:2181 --create --partitions 1 --replication-factor 1 --topic data_test 

然后编写demo程序持续向这个kafka的topic发送消息

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

# 创建一个配置文件目录 mkdir /home/commons/hudi-properties # 拷贝示例配置文件 cp hudi-utilities/src/test/resources/delta-streamer-config/kafka-source.properties /home/commons/hudi-properties/ cp hudi-utilities/src/test/resources/delta-streamer-config/base.properties /home/commons/hudi-properties/ 

定义avro所需的schema文件包括source和target,创建source文件 vim source-json-schema.avsc

{   "type" : "record",   "name" : "Profiles",   "fields" : [       {         "name" : "id",         "type" : "long"       }, {         "name" : "name",         "type" : "string"       }, {          "name" : "age",          "type" : "int"       },  {         "name" : "partitions",         "type" : "int"       }   ] } 

拷贝一份为target文件

cp source-json-schema.avsc target-json-schema.avsc 

修改kafka-source.properties的配置如下

include=hdfs://hadoop2:9000/hudi-properties/base.properties # Key fields, for kafka example hoodie.datasource.write.recordkey.field=id hoodie.datasource.write.partitionpath.field=partitions # schema provider configs #hoodie.deltastreamer.schemaprovider.registry.url=http://localhost:8081/subjects/impressions-value/versions/latest hoodie.deltastreamer.schemaprovider.source.schema.file=hdfs://hadoop2:9000/hudi-properties/source-json-schema.avsc hoodie.deltastreamer.schemaprovider.target.schema.file=hdfs://hadoop2:9000/hudi-properties/target-json-schema.avsc # Kafka Source #hoodie.deltastreamer.source.kafka.topic=uber_trips hoodie.deltastreamer.source.kafka.topic=data_test #Kafka props bootstrap.servers=kafka1:9092,kafka2:9092,kafka3:9092 auto.offset.reset=earliest #schema.registry.url=http://localhost:8081 group.id=mygroup 

将本地hudi-properties文件夹上传到HDFS

cd .. hdfs dfs -put hudi-properties/ / 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

# 运行导入命令 spark-submit  --class org.apache.hudi.utilities.deltastreamer.HoodieDeltaStreamer  /home/commons/spark-3.3.0-bin-hadoop3/jars/hudi-utilities-bundle_2.12-0.12.1.jar    --props hdfs://hadoop2:9000/hudi-properties/kafka-source.properties    --schemaprovider-class org.apache.hudi.utilities.schema.FilebasedSchemaProvider    --source-class org.apache.hudi.utilities.sources.JsonKafkaSource    --source-ordering-field id    --target-base-path hdfs://hadoop2:9000/tmp/hudi/user_test    --target-table user_test    --op BULK_INSERT    --table-type MERGE_ON_READ 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

查看hdfs目录已经有表目录和分区目录

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

通过spark-sql查询从kafka摄取的数据

use hudi_spark; create table user_test using hudi location 'hdfs://hadoop2:9000/tmp/hudi/user_test'; select * from user_test limit 10; 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

集成Flink

环境准备

# 解压进入flink目录,这里我就用之前flink的环境,详细可以查看之前关于flink的文章 cd /home/commons/flink-1.15.1 # 拷贝编译好的jar到flink的lib目录 cp /home/commons/hudi-release-0.12.1/packaging/hudi-flink-bundle/target/hudi-flink1.15-bundle-0.12.1.jar lib/ 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

# 拷贝guava包,解决依赖冲突 cp /home/commons/hadoop/share/hadoop/common/lib/guava-27.0-jre.jar lib/ # 配置hadoop环境变量和启动hadoop export HADOOP_CLASSPATH=`$HADOOP_HOME/bin/hadoop classpath` 

sql-clent使用

启动

修改配置文件 vi conf/flink-conf.yaml

classloader.check-leaked-classloader: false taskmanager.numberOfTaskSlots: 4 state.backend: rocksdb state.checkpoints.dir: hdfs://hadoop2:9000/checkpoints/flink state.backend.incremental: true execution.checkpointing.interval: 5min 
  • local 模式

修改workers文件,也可以多配制几个(伪分布式或完全分布式),官方提供示例是4个

localhost localhost localhost 
# 在本机上启动三个TaskManagerRunner和一个Standalone伪分布式集群 ./bin/start-cluster.sh  # 查看进程确认 jps -l 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

# 启动内嵌的flink sql客户端 ./bin/sql-client.sh embedded show databases; show tables; 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

  • yarn-session 模式

    • 解决依赖冲突问题
    # 拷贝jar到flink的lib目录 cp /home/commons/hadoop/share/hadoop/mapreduce/hadoop-mapreduce-client-core-3.3.4.jar lib/ 
    • 启动yarn-session
    # 先停止上面启动Standalone伪分布式集群 ./bin/stop-cluster.sh # 启动yarn-session分布式集群 ./bin/yarn-session.sh --detached 

    大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

    查看yarn上已经有一个Flink session集群job, ID为application_1669357770610_0015

    大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

    查看Flink的Web UI可用TaskSlots为0,可确认已切换为yarn管理资源非分配

    大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

    • 启动sql-client
    # 由于使用内嵌模式管理元数据,元数据是保存在内存中,关闭sql-client后则元数据也会消失,生产环境建议使用如Hive元数据管理方式,后面再做配置 ./bin/sql-client.sh embedded -s yarn-session show databases; show tables; 

插入数据

CREATE TABLE t1(   uuid VARCHAR(20),   name VARCHAR(10),   age INT,   ts TIMESTAMP(3),   `partition` VARCHAR(20),   PRIMARY KEY(uuid) NOT ENFORCED ) PARTITIONED BY (`partition`) WITH (   'connector' = 'hudi',   'path' = 'hdfs://hadoop1:9000/tmp/hudi_flink/t1',   'table.type' = 'MERGE_ON_READ' -- 创建一个MERGE_ON_READ表,默认情况下是COPY_ON_WRITE表 ); -- 插入数据 INSERT INTO t1 VALUES   ('id1','Danny',23,TIMESTAMP '2022-11-25 00:00:01','par1'),   ('id2','Stephen',33,TIMESTAMP '2022-11-25 00:00:02','par1'),   ('id3','Julian',53,TIMESTAMP '2022-11-25 00:00:03','par2'),   ('id4','Fabian',31,TIMESTAMP '2022-11-25 00:00:04','par2'),   ('id5','Sophia',18,TIMESTAMP '2022-11-25 00:00:05','par3'),   ('id6','Emma',20,TIMESTAMP '2022-11-25 00:00:06','par3'),   ('id7','Bob',44,TIMESTAMP '2022-11-25 00:00:07','par4'),   ('id8','Han',56,TIMESTAMP '2022-11-25 00:00:08','par4'); 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

查看Flink Web UI Job的信息

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

# 查询数据 select * from t1; 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

# 更新数据 INSERT INTO t1 VALUES   ('id1','Danny',28,TIMESTAMP '2022-11-25 00:00:01','par1'); # 查询数据 select * from t1; 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

流式读取

-- 设置结果模式为tableau,在CLI中直接显示结果;另外还有table和changelog;changelog模式可以获取+I,-U之类动作数据; set 'sql-client.execution.result-mode' = 'tableau'; CREATE TABLE sourceT (   uuid varchar(20),   name varchar(10),   age int,   ts timestamp(3),   `partition` varchar(20),   PRIMARY KEY(uuid) NOT ENFORCED ) WITH (   'connector' = 'datagen',   'rows-per-second' = '1' );  CREATE TABLE t2 (   uuid varchar(20),   name varchar(10),   age int,   ts timestamp(3),   `partition` varchar(20),   PRIMARY KEY(uuid) NOT ENFORCED ) WITH ( 'connector' = 'hudi',  'path' = 'hdfs://hadoop1:9000/tmp/hudi_flink/t2',  'table.type' = 'MERGE_ON_READ', 'read.streaming.enabled' = 'true', 'read.streaming.check-interval' = '4' );  insert into t2 select * from sourceT; select * from t2; 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

Bucket索引

在0.11.0增加了一种高效、轻量级的索引类型bucket index,其为字节贡献回馈给hudi社区。

  • Bucket Index是一种Hash分配方式,根据指定的索引字段,计算hash值,然后结合Bucket个数,均匀分配到具体的文件中。Bucket Index支持大数据量场景下的更新,Bucket Index也可以对数据进行分桶存储,但是对于桶数的计算是需要根据当前数据量的大小进行评估的,如果后续需要re-hash的话成本也会比较高。在这里我们预计通过建立Extensible Hash Index来提高哈希索引的可扩展能力。
  • 要使用此索引,请将索引类型设置为BUCKET并设置hoodie.storage.layout.partitioner.class为org.apache.hudi.table.action.commit.SparkBucketIndexPartitioner。对于 Flink,设置index.type=BUCKET.
  • 该方式相比于BloomIndex在元素定位性能高很多,缺点是Bucket个数无法动态扩展。另外Bucket不适合于COW表,否则会导致写放大更严重。
  • 实时入湖写入的性能要求高的场景建议采用Bucket索引。

Hudi Catalog

前面基于内容管理hudi元数据的方式每次重启sql客户端就丢掉了,Hudi Catalog则是可以持久化元数据;Hudi Catalog支持多种模式,包括dfs和hms,hudi还可以直接集群hive使用,后续再一步步演示,现在先简单看下dfs模式的Hudi Catalog,先添加启动sql文件,vim conf/sql-client-init.sql

create catalog hudi_catalog  with( 'type' = 'hudi', 'mode' = 'dfs', 'catalog.path'='/tmp/hudi_catalog' ); use catalog hudi_catalog;  create catalog hudi_catalog  with( 'type' = 'hudi', 'mode' = 'hms', 'hive.conf.dir'='/etc/hive/conf' ); 

创建目录并启动,建表测试

hdfs dfs -mkdir /tmp/hudi_catalog ./bin/sql-client.sh embedded -i conf/sql-client-init.sql -s yarn-session 

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

查看hdfs的数据如下,退出客户端后重新登录客户端还可以查到上面的hudi_catalog及其库和表的数据。

大数据下一代变革之必研究数据湖技术Hudi原理实战双管齐下-下

本人博客网站IT小神 www.itxiaoshen.com

发表评论

评论已关闭。

相关文章