第二章 Flink集成Iceberg的集成方式及基本SQL使用-Toy模板网

这篇具有很好参考价值的文章主要介绍了第二章 Flink集成Iceberg的集成方式及基本SQL使用。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

注意事项：一般都是用基于Flink的Hive Catalog，使用HMS存储表模型数据

1、集成方式

（1）下载jar包

iceberg-flink-runtime-1.14-1.0.0jar
flink-sql-connector-hive-2.3.6_2.12-1.11.2.jar

下载地址

https://nightlies.apache.org/flink/flink-docs-release-1.15/zh/docs/connectors/table/hive/overview/

（2）启动FlinkSQL

①StandLone模式启动

export HADOOP_CLASSPATH=`$HADOOP_HOME/bin/hadoop classpath`

./bin/sql-client.sh embedded -j <flink-runtime-directory>/iceberg-flink-runtime-xxx.jar shell

②Flink On Yarn模式启动

export HADOOP_CLASSPATH=`$HADOOP_HOME/bin/hadoop classpath`


#  第一步 - 在Yarn集群上生成一个Standlone集群
./yarn-session.sh -s 2 -jm 2048 -tm 2048 -nm flinksql1 -d

#  第二步 - 指定yarn-session模式启动sql-client
./sql-client.sh embedded -s yarn-session -j ../lib/iceberg-flink-runtime-1.14-0.14.1.jar shell

2、基本使用

2.1、创建catalog

核心：可创建hive、hadoop、自定义等目录，创建模板如下

CREATE CATALOG <catalog_name> WITH (
  'type'='iceberg',
  `<config_key>`=`<config_value>`
);

type: 必须的iceberg。（必需的）
catalog-type:hive或hadoop用于内置目录，或未设置用于使用 catalog-impl 的自定义目录实现。（可选的）
catalog-impl：自定义目录实现的完全限定类名。如果未设置，则必须catalog-type设置。（可选的）
property-version: 描述属性版本的版本号。如果属性格式发生变化，此属性可用于向后兼容。当前的属性版本是1. （可选的）
cache-enabled: 是否启用目录缓存，默认值为true

2.2、创建基于Hive的Catalog

（1）创建Catalog

CREATE CATALOG hive_iceberg WITH (
    'type'='iceberg',                     
    'catalog-type'='hive',                  
    'uri'='thrift://leidi01:9083',       
    'clients'='5',                         
    'property-version'='1',
    'hive-conf-dir'='/usr/hdp/3.1.0.0-78/hive/conf'
);

show catalogs;

uri: Hive 元存储的 thrift URI。（必需的）
clients：Hive Metastore 客户端池大小，默认值为 2。（可选）
warehouse：Hive 仓库位置，如果既不设置hive-conf-dir指定包含hive-site.xml配置文件的位置也不添加正确hive-site.xml的类路径，用户应指定此路径。
hive-conf-dir``hive-site.xml：包含将用于提供自定义 Hive 配置值的配置文件的目录的路径。如果同时设置和创建冰山目录时，hive.metastore.warehouse.dirfrom /hive-site.xml（或来自类路径的 hive 配置文件）的值将被该值覆盖。warehouse``hive-conf-dir``warehouse

创建结果

第二章 Flink集成Iceberg的集成方式及基本SQL使用

（2）多客户端共享验证

客户端一对应库表

第二章 Flink集成Iceberg的集成方式及基本SQL使用

客户端二可见对应库表

2.3、创建基于Hadoop的calalog

（1）创建Catalog

CREATE CATALOG hadoop_catalog WITH (
  'type'='iceberg',
  'catalog-type'='hadoop',
  'warehouse'='hdfs://leidi01:8020/warehouse/iceberg_catalog',
  'property-version'='1'
);

warehouse：HDFS目录，存放元数据文件和数据文件。（必需的）

创建结果

第二章 Flink集成Iceberg的集成方式及基本SQL使用

2.4、其余创建方式

（1）创建自定义目录

核心：通过指定catalog-impl属性来加载自定义的 Iceberg实现

REATE CATALOG my_catalog WITH (
  'type'='iceberg',
  'catalog-impl'='com.my.custom.CatalogImpl',
  'my-additional-catalog-config'='my-value'
);

（2）通过SQL文件创建目录

-- define available catalogs
CREATE CATALOG hive_catalog WITH (
  'type'='iceberg',
  'catalog-type'='hive',
  'uri'='thrift://leidi01:9083',
  'warehouse'='hdfs://leidi01:8020/user/flink/iceberg'
);

USE CATALOG hive_catalog;

注意事项：sql-client-defaults.yaml在 flink 1.14 中删除了该文件，需要初始化才能有文件。

3、Flink SQL语句

3.1、DDL语句

（1）建库建表

use catalog iceberg;
CREATE DATABASE iceberg_db;
USE iceberg_db;

CREATE TABLE iceberg.iceberg_db.iceberg_001 (
    id BIGINT COMMENT 'unique id',
    data STRING
) WITH ('connector'='iceberg','write.format.default'='ORC');

（2）创建分区table

CREATE TABLE iceberg.iceberg_db.iceberg_003 (
    id BIGINT COMMENT 'unique id',
    data STRING
) PARTITIONED BY (data);

（3）更改table

--1、CREATE TABLE LIKE
CREATE TABLE `hive_catalog`.`default`.`sample` (
    id BIGINT COMMENT 'unique id',
    data STRING
);

CREATE TABLE  `hive_catalog`.`default`.`sample_like` LIKE `hive_catalog`.`default`.`sample`

--2、alter table
ALTER TABLE `hive_catalog`.`default`.`sample` SET ('write.format.default'='avro')

--3、ALTER TABLE .. RENAME TO
ALTER TABLE `hive_catalog`.`default`.`sample` RENAME TO `hive_catalog`.`default`.`new_sample`;

--4、DROP TABLE
DROP TABLE `hive_catalog`.`default`.`sample`;

3.2、DML语句

（1）插入数据

insert into

INSERT INTO `iceberg`.`iceberg_db`.`iceberg_001` VALUES (1, 'a');

--分区表插入语句
INSERT INTO `iceberg`.`iceberg_db`.`iceberg_001`() values(2,'b')

insert overwrite

INSERT OVERWRITE sample VALUES (1, 'a');

（2）查询数据

执行类型：流模式 VS 批模式

-- Execute the flink job in streaming mode for current session context
SET execution.runtime-mode = streaming;

-- Execute the flink job in batch mode for current session context
SET execution.runtime-mode = batch;

Ⅰ、批量读取：通过提交 flink批处理作业来检查 iceberg 表中的所有行

SET execution.runtime-mode = batch;
SELECT * FROM sample;

Ⅱ、流式读取：支持处理从历史快照 id 开始的 flink 流作业中的增量数据

monitor-interval：连续监控新提交的数据文件的时间间隔（默认值：‘10s’）。
start-snapshot-id：流作业开始的快照 id。

-- Submit the flink job in streaming mode for current session.
SET execution.runtime-mode = streaming;

-- Enable this switch because streaming read SQL will provide few job options in flink SQL hint options.
SET table.dynamic-table-options.enabled=true;

-- Read all the records from the iceberg current snapshot, and then read incremental data starting from that snapshot.
SELECT * FROM sample /*+ OPTIONS('streaming'='true', 'monitor-interval'='1s')*/ ;

-- Read all incremental data starting from the snapshot-id '3821550127947089987' (records from this snapshot will be excluded).
SELECT * FROM sample /*+ OPTIONS('streaming'='true', 'monitor-interval'='1s', 'start-snapshot-id'='3821550127947089987')*/ ;

（3）更新数据

前提：启动更新模式
模式一：启用UPSERT模式作为表级属性write.upsert.enabled

CREATE TABLE `hive_catalog`.`default`.`sample` (
  `id`  INT UNIQUE COMMENT 'unique id',
  `data` STRING NOT NULL,
 PRIMARY KEY(`id`) NOT ENFORCED
) with ('format-version'='2', 'write.upsert.enabled'='true');

模式二：在 write options中使用启用UPSERT模式upsert-enabled提供了比表级配置更大的灵活性。

INSERT INTO tableName /*+ OPTIONS('upsert-enabled'='true') */
...

4、Flink集成Iceberg的Hadoop Catalog实战案例

4.1、创建catalog的存储格式

（1）创建Catalog

 CREATE CATALOG hadoop_catalog WITH (
   'type'='iceberg',
   'catalog-type'='hadoop',
   'warehouse'='hdfs://leidi01:8020/warehouse/iceberg_catalog',
   'property-version'='1'
 );

创捷结果：一个catalog + 一个默认的default数据库

第二章 Flink集成Iceberg的集成方式及基本SQL使用

（2）查看HDFS结构目录

第二章 Flink集成Iceberg的集成方式及基本SQL使用

4.2、建库建表

（1）建库建表

 create database hadoop_test;
 use hadoop_test;
 CREATE TABLE `hadoopdemo` (
      >     id BIGINT COMMENT 'unique id',
      >     data STRING
      > );

创建结果

第二章 Flink集成Iceberg的集成方式及基本SQL使用

（2）查看对应HDFS目录

验证：catalog为一级目录、数据库为二级目录、表为三级目录，建Catalog、建库、建表时没有flink任务生成。

第二章 Flink集成Iceberg的集成方式及基本SQL使用

4.3、插入数据

（1）插入数据

INSERT INTO `iceberg`.`iceberg_db`.`iceberg_001` VALUES (1, 'a');

运行结果

第二章 Flink集成Iceberg的集成方式及基本SQL使用

（2）HDFS目录

验证结果：分别生成data和metadata两个目录

第二章 Flink集成Iceberg的集成方式及基本SQL使用

①data目录文件结构

存储：以parquent格式存储的数据文件

第二章 Flink集成Iceberg的集成方式及基本SQL使用

②metadata目录文件结构

存储：metadata目录存放元数据管理层的数据，表的元数据是不可修改的，并且始终向前迭代；当前的快照可以回退。

第二章 Flink集成Iceberg的集成方式及基本SQL使用

文件详述

文件名称	文件描述	备注
version[number].metadata.json	存储每个版本的数据更改项
snap-[snapshotID]-[attemptID]-[commitUUID].avro	存储快照snapshot文件;
[commitUUID]-[attemptID]-[manifestCount].avro	清单文件，每次更新操作都会产生清单文件
version-hint.text

5、Catalog设置相关

Hive metastore 中的表可以表示加载 Iceberg 表的三种不同方式，具体取决于表的iceberg.catalog属性：

5.1、不指定任何Catalog类型，直接创建表

如果在Hive中创建Iceberg格式表时不指定Iceberg.catalog属性，将使用HiveCatalog与 Hive 环境中配置的 Metastore 相对应的表加载该表iceberg.catalog，那么数据存储在对应的Hive Warehouse路径下。

-- 1、在Hive中创建Iceberg格式表
create table test_iceberg_tbl1(
    id int,
    name string,
    age int)
    partitioned by (dt string)
    stored by 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler';
    
-- 2、在Hive中加载如下两个包,在向Hive中插入数据时执行MR程序时需要使用到
add jar /usr/hdp/3.1.0.0-78/hive/lib/iceberg-hive-runtime-0.14.1.jar
add jar /usr/hdp/3.1.0.0-78/hive/lib/libfb303-0.9.3.jar

-- 3、向表中插入数据
insert into test_iceberg_tbl1 values(1,"sz",18,"beijing")

-- 4、查询表中数据
select * from test_iceberg_tbl1

查看表元数据存储信息

第二章 Flink集成Iceberg的集成方式及基本SQL使用

5.2、`iceberg.catalog`如果设置为Hive目录名称，将使用自定义目录加载该表

在Hive中创建Iceberg格式表时，如果指定了iceberg.catalog属性值，那么数据存储在指定的catalog名称对应配置的目录下。

-- 1、注册一个HiveCatalog叫another_hive
set iceberg.catalog.another_hive.type=hive; 
SET iceberg.catalog.another_hive.uri=thrift://10.201.0.202:49153;
SET iceberg.catalog.another_hive.warehouse=s3a://faas-ethan/warehouse/;
SET hive.vectorized.execution.enabled=false;

-- 2、在Hive中创建iceberg格式表
create table test_iceberg_tbl2(
id int,
name string,
age int
)
partitioned by (dt string)
stored by 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler'
location 's3a://faas-ethan/warehouse/default/sample_hive_table_1'
tblproperties ('iceberg.catalog'='another_hive');


-- 3、插入数据，并查询
hive> insert into test_iceberg_tbl2 values (2,"ls",20,"20211212");
hive> select * from test_iceberg_tbl2;

查看本地HMS中表元数据存储信息：

第二章 Flink集成Iceberg的集成方式及基本SQL使用

查看远端HMS中表数据存储信息

第二章 Flink集成Iceberg的集成方式及基本SQL使用

在Hive中创建Iceberg表，会在两边HMS分别存储一份元数据，只有这样，远端HMS中的Iceberg表才对本地HMS可见，所以必须保证远端HMS存在对应的数据库。

问题：如果只有远端HMS的Iceberg表，如何在本地HMS访问？
解决方案：通过如下创建external外表的形式在本地HMS生成元数据。

CREATE EXTERNAL TABLE default.sample_hive_table_1(
id bigint, name string
)
PARTITIONED BY(
dept string
) 
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler'
location 's3a://faas-ethan/warehouse/default/sample_hive_table_1'
TBLPROPERTIES ('iceberg.catalog'='another_hive');

震惊：通过以下Hive SQL实现了跨HMS的联邦查询！！！

select * from default.sample_local_hive_table_1,sample_hive_table_1;

5.3、`iceberg.catalog`如果设置为location_based_table，则可以使用表的根位置直接加载表`location_based_table`

如果HDFS中已经存在iceberg格式表，我们可以通过在Hive中创建Icerberg格式表指定对应的location路径映射数据。

CREATE TABLE test_iceberg_tbl4  (
  id int, 
  name string,
  age int,
  dt string
)STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler' 
LOCATION 'hdfs://leidi01:8020/flinkiceberg/iceberg_db/flink_iceberg_tbl2' 
TBLPROPERTIES ('iceberg.catalog'='location_based_table');

--指定的location路径下必须是iceberg格式表数据，并且需要有元数据目录才可以。不能将其他数据映射到Hive iceberg格式表。

注意事项

由于Hive建表语句分区语法Partitioned by的限制,如果使用Hive创建Iceberg格式表，目前只能按照Hive语法来写，底层转换成Iceberg标识分区，这种情况下不能使用Iceberge的分区转换，例如：days(timestamp)，如果想要使用Iceberg格式表的分区转换标识分区，需要使用Spark或者Flink引擎创建表。

5.4、附加：注册Hadoop类型的Catalog

SET iceberg.catalog.hadoop_cat.type=hadoop;
SET iceberg.catalog.hadoop_cat.warehouse=s3a://faas-ethan/warehouse;

使用Hadoop Catalog建表

CREATE TABLE default.sample_hadoop_table_1(
    id bigint, name string
) PARTITIONED BY (
    dept string
)
  STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler'
  LOCATION 's3a://faas-ethan/warehouse/default/sample_hadoop_table_1'
  TBLPROPERTIES ('iceberg.catalog'='hadoop_cat');