1. 测试过程环境版本说明
Flink1.13.1
Scala2.11
CDH6.2.0
Hadoop3.0.0
Hive2.1.1
Hudi0.10(master)
PrestoDB0.256
Mysql5.7
2. 集群服务器基础环境
2.1 Maven和JDK环境版本
2.2 Hadoop 集群环境版本
2.3 HADOOP环境变量配置
export HADOOP_HOME=/opt/cloudera/parcels/CDH/lib/hadoopexport HADOOP_CALSSPATH=`$HADOOP_HOME/bin/hadoop classpath`
3. Hudi编译环境配置
3.1 Maven Home settings.xml配置修改
说明：指定aliyun maven地址(支持CDH cloudera依赖) mirror库
<mirrors><mirror><id>alimaven</id><mirrorOf>central,!cloudera</mirrorOf><name>aliyun maven</name><url>http://maven.aliyun.com/nexus/content/groups/public/</url></mirror></mirrors>
3.2 下载Hudi源码包
git clone https://github.com/apache/hudi.git
Hudi社区建议版本适配
hudi0.9 适配 flink1.12.2
hudi0.10(master) 适配 flink1.13.X ( 说明master分支上版本还未release)
3.3 Hudi 客户端命令行
3.4 修改Hudi集成flink和Hive编译依赖版本配置
hudi-master/packaging/hudi-flink-bundle
pom.xml文件 ( 笔者环境CDH6.2.0 hive2.1.1)
<profile><id>flink-bundle-shade-hive2</id><properties><hive.version>2.1.1-cdh6.2.0</hive.version><flink.bundle.hive.scope>compile</flink.bundle.hive.scope></properties><dependencies><dependency><groupId>${hive.groupid}</groupId><artifactId>hive-service-rpc</artifactId><version>${hive.version}</version><scope>${flink.bundle.hive.scope}</scope></dependency></dependencies></profile>
3.5 编译Hudi 指定Hadoop和Hive版本信息
mvn clean install -DskipTests-Drat.skip=true-Dscala-2.11-Dhadoop.version=3.0.0-Pflink-bundle-shade-hive2
（可加 –e –X 参数查看编译ERROR异常和DEBUG信息）
说明：默认scala2.11、默认不包含hive依赖
首次编译耗时较长 笔者首次编译大概花费 50min+(也和服务器网络有关)
后续编译会快一些 大约15min左右
3.6 Hudi编译异常
修改Hudi master pom.xml 增加 CDH repository地址
3.7 Hudi重新编译
3.8 Hudi编译结果说明
hudi-master/packaging/hudi-flink-bundle/target
hudi-flink-bundle_2.11-0.10.0-SNAPSHOT.jar
说明：hudi-flink-bundle jar 是 flink 用来写入和读取数据
hudi-master/packaging/hudi-hadoop-mr-bundle/target
hudi-hadoop-mr-bundle-0.10.0-SNAPSHOT.jar
说明：hudi-mr-bundle jar 是 hive 需要用来读hudi数据
4. Flink环境配置
版本说明：Flink 1.13.1 scala2.11版本
4.1 FLINK_HOME 下 sql-client-defaults.yaml 配置
4.2 flink-conf.yaml配置修改
# state.backend: filesystemstate.backend: rocksdb# 开启增量checkpointstate.backend.incremental: true# state.checkpoints.dir: hdfs://namenode-host:port/flink-checkpointsstate.checkpoints.dir: hdfs://nameservice/flink/flink-checkpointsclassloader.check-leaked-classloader: falseclassloader.resolve-order: parent-first
4.3 FLINK_HOME lib下添加依赖
flink-sql-connector-mysql-cdc-1.4.0.jarflink-sql-connector-oracle-cdc-2.1-SNAPSHOT.jar.BAK – oracle cdc 依赖 flink-format-changelog-json-1.4.0.jarflink-sql-connector-kafka_2.11-1.13.1.jar--- Hadoop home lib下copy过来hadoop-mapreduce-client-common-3.0.0-cdh6.2.0.jarhadoop-mapreduce-client-core-3.0.0-cdh6.2.0.jarhadoop-mapreduce-client-jobclient-3.0.0-cdh6.2.0.jar--- hudi编译jar copy过来hudi-flink-bundle_2.11-0.10.0-SNAPSHOT.jar
说明：目前oracle cdc jar和mysql cdc jar一起在lib下发现有冲突异常
5 启动flink yarn session服务
5.1 FLINK_HOME shell 命令
$FLINK_HOME/bin/yarn-session.sh -s 2-jm 2048-tm 2048-nm ys-hudi01 -d
5.2 Yarn Web UI
5.3 Flinksql Client 启动命令
$FLINK_HOME/bin/sql-client.sh embedded -j ./lib/hudi-flink-bundle_2.11-0.10.0-SNAPSHOT.jar shell
说明：-j指定hudi-flink 依赖jar
Show table /show catalogs
6. MySQL binlog 开启配置
6.1 创建binlog日志存储路径
mkdir logs
6.2 修改目录属主和group
chown -R mysql:mysql /mysqldata/logs
6.3 修改mysql配置信息
vim /etc/my.cnfserver-id=2log-bin= /mysqldata/logs/mysql-binbinlog_format=rowexpire_logs_days=15binlog_row_image=full
6.4 修改完，重启mysql server
service mysqld restart
6.5 客户端查看binlog日志情况
show master logs;
Mysql 版本：5.7.30
5.6 创建mysql sources 表 DDL
create table users_cdc( id bigint auto_increment primary key, name varchar(20) null, birthday timestamp default CURRENT_TIMESTAMP notnull, ts timestamp default CURRENT_TIMESTAMP notnull);
7. FlinkCDC sink Hudi测试代码过程
7.1 Flink sql cdc DDL 语句：（具体参数说明可参考flink官网）
CREATE TABLE mysql_users ( id BIGINT PRIMARY KEY NOT ENFORCED , name STRING, birthday TIMESTAMP(3), ts TIMESTAMP(3)) WITH ('connector'= 'mysql-cdc','hostname'= '127.0.0.1','port'= '3306','username'= '','password'=’’,'server-time-zone'= 'Asia/Shanghai','debezium.snapshot.mode'='initial','database-name'= 'luo','table-name'= 'users_cdc');
7.2 查询mysql cdc 表
Flink SQL> select * from mysql_users;
由于目前MySQL users_cdc表是空，所以flinksql 查询没有数据 只有表结构；
Flink web UI：
7.3 创建一个临时视图，增加分区列 方便后续同步hive分区表
Flink SQL> create view mycdc_v AS SELECT *, DATE_FORMAT(birthday, 'yyyyMMdd') as partition FROM mysql_users;
说明：partition 关键字需要 `` 引起来
查询视图数据也是空结构，但增加了分区字段：
Flink SQL> select * from mycdc_v;
Flink web UI：
7.4 设置checkpoint间隔时间，存储路径已在flink-conf配置设置全局路径
建议:测试环境 可设置秒级别（不能太小），生产环境可设置分钟级别。
Flink SQL> set execution.checkpointing.interval=30sec;
7.5 Flinksql 创建 cdc sink hudi文件，并自动同步hive分区表DDL 语句
CREATE TABLE mysqlcdc_sync_hive01(id bigint ,name string,birthday TIMESTAMP(3),ts TIMESTAMP(3),`partition` VARCHAR(20),primary key(id) not enforced --必须指定uuid 主键)PARTITIONED BY (`partition`)with('connector'='hudi','path'= 'hdfs://nameservice /luo/hudi/mysqlcdc_sync_hive01', 'hoodie.datasource.write.recordkey.field'= 'id'-- 主键, 'write.precombine.field'= 'ts'-- 自动precombine的字段, 'write.tasks'= '1', 'compaction.tasks'= '1', 'write.rate.limit'= '2000'-- 限速, 'table.type'= 'MERGE_ON_READ'-- 默认COPY_ON_WRITE,可选MERGE_ON_READ , 'compaction.async.enabled'= 'true'-- 是否开启异步压缩, 'compaction.trigger.strategy'= 'num_commits'-- 按次数压缩, 'compaction.delta_commits'= '1'-- 默认为5, 'changelog.enabled'= 'true'-- 开启changelog变更, 'read.streaming.enabled'= 'true'-- 开启流读, 'read.streaming.check-interval'= '3'-- 检查间隔，默认60s, 'hive_sync.enable'= 'true'-- 开启自动同步hive, 'hive_sync.mode'= 'hms'-- 自动同步hive模式，默认jdbc模式, 'hive_sync.metastore.uris'= 'thrift://hadoop:9083'-- hive metastore地址-- , 'hive_sync.jdbc_url'= 'jdbc:hive2://hadoop:10000'-- hiveServer地址, 'hive_sync.table'= 'mysqlcdc_sync_hive01'-- hive 新建表名, 'hive_sync.db'= 'luo'-- hive 新建数据库名, 'hive_sync.username'= ''-- HMS 用户名, 'hive_sync.password'= ''-- HMS 密码, 'hive_sync.support_timestamp'= 'true'-- 兼容hive timestamp类型);
说明：Hudi目前支持MOR和COW两种模式
（1） Copy on Write:使用列式存储来存储数据（例如：parquet）,通过在写入期间执行同步合并来简单地更新和重现文件
（2） Merge on Read:使用列式存储（parquet）+行式文件（arvo）组合存储数据。更新记录到增量文件中，然后进行同步或异步压缩来生成新版本的列式文件。
COW：Copy on Write （写时复制）,快照查询+增量查询
MOR：Merge on Read （读时合并），快照查询+增量查询+读取优化查询（近实时）
使用场景上：
（1）COW适用写少读多的场景 ，MOR 适用写多读少的场景；
（2）MOR适合CDC场景，更新延迟要求较低，COW目前不支持 changelog mode 不适合处理cdc场景；
Flink web UI
7.6 Flink sql mysql cdc数据写入hudi文件数据
Flink SQL> insert into mysqlcdc_sync_hive01 select id,name,birthday,ts,partition from mycdc_v;
Flink web UI DAG图：
7.7 HDFS上Hudi文件目录情况
说明：目前还没写入测试数据，hudi目录只生成一些状态标记文件，还未生成分区目录以及.log 和.parquet数据文件，具体含义可见hudi官方文档。
7.8 Mysql数据源写入测试数据
insert into users_cdc (name) values ('cdc01');
7.9 Flinksql 查询mysql cdc insert数据：
Flink SQL> set execution.result-mode=tableau;
[WARNING] The specified key 'execution.result-mode' is deprecated. Please use 'sql-client.execution.result-mode' instead.
[INFO] Session property has been set.
Flink SQL> select * from mysql_users; -- 查询到一条insert数据
7.10 Flink web UI页面可以看到DAG 各个环节产生一条测试数据
7.11 Flinksql 查询 sink的hudi表数据
Flink SQL> select * from mysqlcdc_sync_hive01; --已查询到一条insert数据
7.12 Hdfs上Hudi文件目录变化情况
7.13 Hive分区表和数据自动同步情况
7.14 查看自动创建hive表结构
hive> show create table mysqlcdc_sync_hive01_ro;
hive> show create table mysqlcdc_sync_hive01_rt;
7.15 查看自动生成的表分区信息
hive> show partitions mysqlcdc_sync_hive01_ro;
hive> show partitions mysqlcdc_sync_hive01_rt;
说明：已自动生产hudi MOR模式的
mysqlcdc_sync_hive01_ro
mysqlcdc_sync_hive01_rt
ro表和rt表区别：
ro 表全称 read oprimized table，对于 MOR 表同步的 xxx_ro 表，只暴露压缩后的 parquet。其查询方式和COW表类似。设置完 hiveInputFormat 之后 和普通的 Hive 表一样查询即可；
rt表示增量视图，主要针对增量查询的rt表；
ro表只能查parquet文件数据， rt表 parquet文件数据和log文件数据都可查；
7.16 Hive访问Hudi数据
说明：需要引入hudi-hadoop-mr-bundle-0.10.0-SNAPSHOT.jar
引入Hudi依赖jar方式:
(1) 引入到 $HIVE_HOME/lib下；
(2) 引入到$HIVE_HOME/auxlib 自定义第三方依赖 修改 hive-site.xml配置文件；
(3) Hive shell命令行引入 Session级别有效；
其中（1）和（3）配置完后需要重启 hive-server服务;
查询Hive 分区表数据：
hive> select * from mysqlcdc_sync_hive01_ro; --已查询到mysq insert的一条数据
hive> select * from mysqlcdc_sync_hive01_rt; --已查询到mysq insert的一条数据
Hive 条件查询：
hive> select name,ts from mysqlcdc_sync_hive01_ro where partition='20211109';
Hive ro表 count查询
hive> select count(1) from mysqlcdc_sync_hive01_ro;
Hive Count异常解决：
引入hudi-hadoop-mr-bundle-0.10.0-SNAPSHOT.jar依赖
hive> add jar hdfs://nameservice /luo/hudi-hadoop-mr-bundle-0.10.0-SNAPSHOT.jar;
hive> set hive.input.format = org.apache.hudi.hadoop.hive.HoodieCombineHiveInputFormat;
hive> select count(1) from mysqlcdc_sync_hive01_ro; --可正常count
Hive rt表 count查询
hive> select count(1) from mysqlcdc_sync_hive01_rt;
说明：rt 表count 还是异常，和Hudi社区人员沟通hudi master目前还没release这块存在bug正在修复中
具体见：https://issues.apache.org/jira/browse/HUDI-2649
7.17 Mysql 数据源写入多条测试数据
insert into users_cdc (name) values ('cdc02');insert into users_cdc (name) values ('cdc03');insert into users_cdc (name) values ('cdc04');insert into users_cdc (name) values ('cdc05');insert into users_cdc (name) values ('cdc06');
Flink web UI DAG中数据链路情况：
7.18 Flinksql中新写入数据查询情况
Yarn web UI application_1626256835287_40351[1]资源使用情况
Hdfs上Hudi文件目录变化情况
Hudi状态文件说明：
（1）requested:表示一个动作已被安排，但尚未启动
（2）inflight:表示当前正在执行操作
（3）completed:表示在时间线上完成了操作
Flink jobmanager log sync hive过程详细日志
7.19 Mysql 数据源更新数据
update users_cdc set name = 'cdc05-bj'where id = 5;
7.20 Flinksql 查询cdc update数据 产生两条binlog数据
说明：flinksql 查询最终只有一条+I有效数据，且数据已更新
Flink web UI DAG接受到两条binlog数据，但最终compact和sink只有一条有效数据
7.21 MySQL 数据源 delete 一条数据：
deletefrom users_cdc where id = 3;
Flink Web UI job DAG中捕获一条新数据：
Flinksql changlog delete数据变化查询
HDFS上Hudi数据文件生成情况
Hudi文件类型说明：
（1）commits: 表示将一批数据原子性写入表中
（2）cleans: 清除表中不在需要的旧版本文件的后台活动
（3）delta_commit:增量提交是指将一批数据原子性写入MergeOnRead类型的表中，其中部分或者所有数据可以写入增量日志中
（4）compaction: 协调hudi中差异数据结构的后台活动，例如：将更新从基于行的日志文件变成列格式。在内部，压缩的表现为时间轴上的特殊提交
（5）rollback:表示提交操作不成功且已经回滚，会删除在写入过程中产生的数据
说明：hudi分区文件以及.log和.parquet文件都已生成
两种文件区别：Hudi会在DFS分布式文件系统上的basepath基本路径下组织成目录结构。每张对应的表都会成多个分区，这些分区是包含该分区的数据文件的文件夹，与hive的目录结构非常相似。在每个分区内，文件被组织成文件组，文件id为唯一标识。每个文件组包含多个切片，其中每个切片包含在某个提交/压缩即时时间生成的基本列文件（parquet文件），以及自生成基本文件以来对基本文件的插入/更新的一组日志文件（*.log）。Hudi采用MVCC设计,其中压缩操作会将日志和基本文件合并成新的文件片，清理操作会将未使用/较旧的文件片删除来回收DFS上的空间。
Flink 任务checkpoint 情况：
设置30s 一次
7.22 Hive shell查询数据update和delete变化情况：
hive> select * from mysqlcdc_sync_hive01_ro;
hive> select * from mysqlcdc_sync_hive01_rt;
7.23 Hudi Client端操作Hudi表
进入Hudi客户端命令行：
hudi-master/hudi-cli/hudi-cli.sh
连接Hudi表，查看表信息
hudi->connect --path hdfs://nameservice1/tmp/luo/hudi/mysqlcdc_sync_hive01
查看Hudi commit信息
hudi:mysqlcdc_sync_hive01->commits show --sortBy "CommitTime"
查看Hudi compactions 计划
hudi:mysqlcdc_sync_hive01->compactions show all
7.24 PrestoDB 查询Hive表Hudi数据
版本说明：PrestoDB 0.256 DBeaver7.0.4
PrestoDB 集群配置和hive集成参考PrestoDB官网
presto-server-***/etc/catalog/hive.properties 配置hive catalog
可通过 presto-cli 连接 hive metastore 开启查询，presto-cli 的设置参考 presto官方配置；
DBeaver客户端查询Hive ro表数据：
Hive ro表count 正常：
查询Hive rt表数据查询异常：
Hive rt表count异常：
Presto Web ui:
