1. Johngo学长首页
  2. 技术点详细复盘专题
  3. 大数据

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

• 大数据 • 阅读 57

文章目录

*
– 一、概述
– 二、Hudi 数据管理
–
+ 1）.hoodie文件
+ 2）数据文件
– 三、数据存储
– 四、Hive 与 Hudi 集成使用
–
+ 1）安装mysql数据库
+ 2）安装 Hive
+
* 1、下载
* 2、配置
* 3、解决Hive与Hadoop之间guava版本的差异
* 4、下载对应版本的mysql驱动包
* 5、初始化元数据
* 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
* 7、将hudi-hive的jar包放到hive lib目录下
* 8、启动服务
* 9、测试验证
+ 3）通过Hive sync tool 同步数据到Hive
+
* 1、JDBC模式同步
* 2、HMS 模式同步
– 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？
+ 2）基于 Flink CDC 同步 MySQL 分库分表构建实时数据湖
+
* 1、添加flink mysql jar包
* 2、创建数据库表，并且配置binlog 文件
* 3、 创建mysql 库表
* 4、在 Flink SQL CLI 中使用 Flink DDL 创建表
* 5、创建输出表，关联Hudi表，并且自动同步到Hive表
* 6、查询视图数据，添加数据到输出表
* 7、查看hive数据

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：

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。

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

; 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。

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

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

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

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

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

; 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)

kubectl exec -it mysql-primary-0 -n mysql -- bash

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://192.168.182.110:30306/hive_metastore?createDatabaseIfNotExist=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

$ rm -f apache-hive-3.1.2-bin/lib/guava-*.jar

$ 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

wget https://downloads.mariadb.com/Connectors/java/connector-java-1.2.2/mariadb-java-client-1.2.2.jar

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.hostsname>
  <value>*value>
property>
<property>
  <name>hadoop.proxyuser.admin.groupsname>
  <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-mr-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

nohup hive --service metastore &

nohup hive --service hiveserver2 > /dev/null 2>&1 &

tail -f /tmp/admin/hive.log

beeline -u jdbc:hive2://localhost:10000  -n admin
9、测试验证

$ 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

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

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

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

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&#xFF08;Change Data Capture&#xFF1A;&#x53D8;&#x66F4;&#x6570;&#x636E;&#x6355;&#x83B7;&#xFF09; 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。

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

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

; 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

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

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：

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

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

log_bin = mysql-bin

expire_logs_days = 7

server_id = 1024

binlog_format = ROW

重启mysql


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) ;

大数据Hadoop之——Apache Hudi 数据湖实战操作（FlinkCDC）
4、在 Flink SQL CLI 中使用 Flink DDL 创建表

export HADOOP_HOME=/opt/apache/hadoop
export HADOOP_DIR_CONF=${HADOOP_HOME}/etc/hadoop
export HADOOP_CLASSPATH=hadoop classpath

cd $FLINK_HOME
./bin/start-cluster.sh

./bin/sql-client.sh embedded -j ../hudi-0.12.0/packaging/hudi-flink-bundle/target/hudi-flink1.14-bundle-0.12.0.jar shell

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'
 );

create view view_source_flinkcdc_mysql AS SELECT *, DATE_FORMAT(birthday, 'yyyyMMdd') as part FROM source_mysql;

SELECT id, name,age,birthday, ts, part FROM view_source_flinkcdc_mysql ;

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

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。

关于FlinkCDC，hive，mysql与hudi的整合就先到这里了，有任何疑问的小伙伴欢迎给我留言，后续会持续更新【大数据+云原生】相关的文档，请小伙伴耐心等待~

Original: https://blog.csdn.net/qq_35745940/article/details/127468801
Author: 大数据老司机
Title: 大数据Hadoop之——Apache Hudi 数据湖实战操作（FlinkCDC）

原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/816913/

转载文章受原作者版权保护。转载请注明原作者出处！

赞 (0)
0

【自取】最近整理的，有需要可以领取学习：



Linux核心资料大放送~

全栈面试题汇总（持续更新&可下载）

一个提高学习100%效率的工具！

【超详细】深度学习面试题目！

LeetCode Python刷题答案下载！

LeetCode Java版刷题答案下载！

LeetCode C++ 版本，抓紧保存！

LeetCode GO语言 刷题答案下载！

大家都在看

亲爱的 Coder【最近整理，可免费获取】👉 最新必读书单  | 👏 面试题下载  | 🌎 免费的AI知识星球