一、概述
Hudi(Hadoop Upserts Deletes and Incrementals),简称Hudi,是一个流式数据湖平台,支持对海量数据快速更新,内置表格式,支持事务的存储层、 一系列表服务、数据服务(开箱即用的摄取工具)以及完善的运维监控工具,它可以以极低的延迟将数据快速存储到HDFS或云存储(S3)的工具,最主要的特点支持记录级别的插入更新(Upsert)和删除,同时还支持增量查询。
GitHub地址:https://github.com/apache/hudi
官方文档:https://hudi.apache.org/cn/docs/overview
关于Apache Hudi 数据湖 也可以参考我这篇文章:大数据Hadoop之——新一代流式数据湖平台 Apache Hudi
二、Hudi CLI
构建hudi后,可以通过cd hudi cli&&./hudi-cli.sh启动shell。一个hudi表驻留在DFS上的一个称为basePath的位置,我们需要这个位置才能连接到hudi表。Hudi库有效地在内部管理此表,使用.hoodie子文件夹跟踪所有元数据。
编译生成的包如下:
复制
# 启动 ./hudi-cli/hudi-cli.sh• 1. • 2.
三、Spark 与 Hudi 整合使用
Hudi 流式数据湖平台,协助管理数据,借助HDFS文件系统存储数据,使用Spark操作数据。
Hadoop 安装可参考我这篇文章:大数据Hadoop原理介绍+安装+实战操作(HDFS+YARN+MapReduce)Hadoop HA安装可参考我这篇文章:大数据Hadoop之——Hadoop 3.3.4 HA(高可用)原理与实现(QJM)Spark 环境配置可以参考我这篇文章:大数据Hadoop之——计算引擎Spark
1)Spark 测试
复制
cd $SPARK_HOME hdfs dfs -mkdir /tmp/ hdfs dfs -put README.md /tmp/ hdfs dfs -text /tmp/README.md # 启动spark-shell ./bin/spark-shell --master local[2] val datasRDD = sc.textFile("/tmp/README.md") # 行数 datasRDD.count() # 读取第一行数据 datasRDD.first() val dataframe = spark.read.textFile("/tmp/README.md") dataframe.printSchema dataframe.show(10,false)• 1. • 2. • 3. • 4. • 5. • 6. • 7. • 8. • 9. • 10. • 11. • 12. • 13. • 14. • 15. • 16.
2)Spark 与 Hudi 整合使用
官方示例:https://hudi.apache.org/docs/quick-start-guide/在spark-shell命令行,对Hudi表数据进行操作,需要运行spark-shell命令是,添加相关的依赖包,命令如下:
1、启动spark-shell
【第一种方式】在线联网下载相关jar包
复制
### 启动spark-shell,使用spark-shell操作hudi数据湖 ### 第一种方式 ./bin/spark-shell \ --master local[2] \ --packages org.apache.hudi:hudi-spark3.2-bundle_2.12:0.12.0 \ --conf 'spark.serializer=org.apache.spark.serializer.KryoSerializer' \ --conf 'spark.sql.catalog.spark_catalog=org.apache.spark.sql.hudi.catalog.HoodieCatalog' \ --conf 'spark.sql.extensinotallow=org.apache.spark.sql.hudi.HoodieSparkSessionExtension' ### 上述命令需要联网,基于ivy下载下载相关jar包到本地,然后加载到CLASSPATH,其中包含三个jar包。• 1. • 2. • 3. • 4. • 5. • 6. • 7. • 8. • 9. • 10.
【第二种方式】离线使用已经下载好的jar包
复制
### 第二种方式,使用--jars cd /opt/apache wget https://repo1.maven.org/maven2/org/apache/spark/spark-avro_2.12/3.3.0/spark-avro_2.12-3.3.0.jar cd $SPARK_HOME ./bin/spark-shell \ --master local[2] \ --jars /opt/apache/hudi-0.12.0/packaging/hudi-spark-bundle/target/hudi-spark3.2-bundle_2.12-0.12.0.jar,/opt/apache/hudi-0.12.0/hudi-examples/hudi-examples-spark/target/lib/unused-1.0.0.jar,/opt/apache/spark-avro_2.12-3.3.0.jar \ --conf 'spark.sql.catalog.spark_catalog=org.apache.spark.sql.hudi.catalog.HoodieCatalog' \ --conf "spark.serializer=org.apache.spark.serializer.KryoSerializer"• 1. • 2. • 3. • 4. • 5. • 6. • 7. • 8. • 9. • 10.
2、导入park及Hudi相关包
复制
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• 1. • 2. • 3. • 4. • 5. • 6. • 7.
3、定义变量
复制
val tableName = "hudi_trips_cow" # 存储到HDFS val basePath = "hdfs://hadoop-hadoop-hdfs-nn:9000/tmp/hudi_trips_cow" # 存储到本地 # val basePath = "file:///tmp/hudi_trips_cow"• 1. • 2. • 3. • 4. • 5.
4、模拟生成Trip乘车数据
复制
##构建DataGenerator对象,用于模拟生成10条Trip乘车数据 val dataGen = new DataGenerator val inserts = convertToStringList(dataGen.generateInserts(10))• 1. • 2. • 3. • 4.
其中,DataGenerator可以用于生成测试数据,用来完成后续操作。
5、将模拟数据List转换为DataFrame数据集
复制
##转成df val df = spark.read.json(spark.sparkContext.parallelize(inserts,2)) ##查看数据结构 df.printSchema() ##查看数据 df.show() # 指定字段查询 df.select("rider","begin_lat","begin_lon","driver","end_lat","end_lon","fare","partitionpath","ts","uuid").show(10,truncate=false)• 1. • 2. • 3. • 4. • 5. • 6. • 7. • 8. • 9.
6、将数据写入到hudi
复制
# 将数据保存到hudi表中,由于Hudi诞生时基于Spark框架,所以SparkSQL支持Hudi数据源,直接通过format指定数据源Source,设置相关属性保存数据即可,注意,hudi不是正真存储数据,而是管理数据。 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) ## 重要参数说明 #参数:getQuickstartWriteConfigs,设置写入/更新数据至Hudi时,Shuffle时分区数目 #参数:PRECOMBINE_FIELD_OPT_KEY,数据合并时,依据主键字段 #参数:RECORDKEY_FIELD_OPT_KEY,每条记录的唯一id,支持多个字段 #参数:PARTITIONPATH_FIELD_OPT_KEY,用于存放数据的分区字段• 1. • 2. • 3. • 4. • 5. • 6. • 7. • 8. • 9. • 10. • 11. • 12. • 13. • 14. • 15. • 16.
本地存储
HDFS 存储
四、Flink 与 Hudi 整合使用
官方示例:https://hudi.apache.org/docs/flink-quick-start-guide
1)启动flink集群
下载地址:http://flink.apache.org/downloads.html
复制
### 1、下载软件包 wget https://dlcdn.apache.org/flink/flink-1.14.6/flink-1.14.6-bin-scala_2.12.tgz tar -xf flink-1.14.6-bin-scala_2.12.tgz export FLINK_HOME=/opt/apache/flink-1.14.6 ### 2、设置HADOOP_CLASSPATH # HADOOP_HOME is your hadoop root directory after unpack the binary package. export HADOOP_CLASSPATH=`$HADOOP_HOME/bin/hadoop classpath` export HADOOP_CONF_DIR='/opt/apache/hadoop/etc/hadoop' ### 3、启动单节点flink 集群 # Start the Flink standalone cluster,这里先修改slot数量,默认是1,这里改成4 # taskmanager.numberOfTaskSlots: 4 cd $FLINK_HOME ./bin/start-cluster.sh # 测试可用性 ./bin/flink run examples/batch/WordCount.jar• 1. • 2. • 3. • 4. • 5. • 6. • 7. • 8. • 9. • 10. • 11. • 12. • 13. • 14. • 15. • 16. • 17. • 18.
2) 启动flink SQL 客户端
复制
# 【第一种方式】指定jar包 ./bin/sql-client.sh embedded -j ../hudi-0.12.0/packaging/hudi-flink-bundle/target/hudi-flink1.14-bundle-0.12.0.jar shell # 【第二种方式】还可以将jar包放在$FINK_HOME/lib目录下 ./bin/sql-client.sh embedded shell• 1. • 2. • 3. • 4. • 5.
3)添加数据
复制
-- sets up the result mode to tableau to show the results directly in the CLI SET 'sql-client.execution.result-mode' = 'tableau'; CREATE TABLE t1( uuid VARCHAR(20) PRIMARY KEY NOT ENFORCED, name VARCHAR(10), age INT, ts TIMESTAMP(3), `partition` VARCHAR(20) ) PARTITIONED BY (`partition`) WITH ( 'connector' = 'hudi', 'path' = 'hdfs://hadoop-hadoop-hdfs-nn:9000/tmp/flink-hudi-t1', 'table.type' = 'MERGE_ON_READ' -- this creates a MERGE_ON_READ table, by default is COPY_ON_WRITE ); INSERT INTO t1 VALUES ('id1','Danny',23,TIMESTAMP '1970-01-01 00:00:01','par1'); -- insert data using values INSERT INTO t1 VALUES ('id1','Danny',23,TIMESTAMP '1970-01-01 00:00:01','par1'), ('id2','Stephen',33,TIMESTAMP '1970-01-01 00:00:02','par1'), ('id3','Julian',53,TIMESTAMP '1970-01-01 00:00:03','par2'), ('id4','Fabian',31,TIMESTAMP '1970-01-01 00:00:04','par2'), ('id5','Sophia',18,TIMESTAMP '1970-01-01 00:00:05','par3'), ('id6','Emma',20,TIMESTAMP '1970-01-01 00:00:06','par3'), ('id7','Bob',44,TIMESTAMP '1970-01-01 00:00:07','par4'), ('id8','Han',56,TIMESTAMP '1970-01-01 00:00:08','par4');• 1. • 2. • 3. • 4. • 5. • 6. • 7. • 8. • 9. • 10. • 11. • 12. • 13. • 14. • 15. • 16. • 17. • 18. • 19. • 20. • 21. • 22. • 23. • 24. • 25. • 26. • 27. • 28.
HDFS上查看
4)查询数据(批式查询)
复制
select * from t1;• 1.
5)更新数据
复制
-- this would update the record with key 'id1' insert into t1 values ('id1','Danny',27,TIMESTAMP '1970-01-01 00:00:01','par1');• 1. • 2. • 3.
6)Streaming Query(流式查询)
首先创建表t2,设置相关属性,以流的方式查询读取,映射到上面表:t1
- read.streaming.enabled 设置为true,表明通过streaming的方式读取表数据;
- read.streaming.check-interval 指定了source监控新的commits的间隔时间4s
- table.type 设置表类型为 MERGE_ON_READ
复制
CREATE TABLE t2( uuid VARCHAR(20) PRIMARY KEY NOT ENFORCED, name VARCHAR(10), age INT, ts TIMESTAMP(3), `partition` VARCHAR(20) ) PARTITIONED BY (`partition`) WITH ( 'connector' = 'hudi', 'path' = 'hdfs://hadoop-hadoop-hdfs-nn:9000/tmp/flink-hudi-t1', 'table.type' = 'MERGE_ON_READ', 'read.streaming.enabled' = 'true', -- this option enable the streaming read 'read.start-commit' = '20210316134557', -- specifies the start commit instant time 'read.streaming.check-interval' = '4' -- specifies the check interval for finding new source commits, default 60s. ); -- Then query the table in stream mode select * from t2;• 1. • 2. • 3. • 4. • 5. • 6. • 7. • 8. • 9. • 10. • 11. • 12. • 13. • 14. • 15. • 16. • 17. • 18. • 19.
注意:查看可能会遇到如下错误:
[ERROR] Could not execute SQL statement. Reason: java.lang.ClassNotFoundException: org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat
【解决】添加hadoop-mapreduce-client-core-xxx.jar和hive-exec-xxx.jar到Flink lib中。
复制
cp /opt/apache/hadoop-3.3.2/share/hadoop/mapreduce/hadoop-mapreduce-client-core-3.3.2.jar $FLINK_HOME/lib cp ./hudi-0.12.0/hudi-examples/hudi-examples-spark/target/lib/hive-exec-2.3.1-core.jar $FLINK_HOME/lib• 1. • 2.