1.Hudi HMS Catalog 基本介绍
功能亮点:当 Flink 和 Spark 同时接入 Hive Metastore
(HMS
)时,用 Hive Metastore 对 Hudi 的元数据进行管理,无论是使用 Flink 还是 Spark 引擎建表,另外一种引擎或者 Hive 都可以直接查询。
本文以 HDP 集群为例,其他版本分别为:
- Flink:
1.13.6
- Spark:
3.2.1
- Hudi:
0.12.0
在 HDP 集群中,Hive 的配置文件路径为 /etc/hive/conf
,所以在 Flink SQL Client 中使用 Hive 的配置文件来创建 hudi-hive catalog
,从而将 Hudi 元数据存储于 hive metastore
中。
2.在 Flink 中写入数据
在 Flink SQL Client 中进行如下操作:
create catalog hudi with(
'type' = 'hudi',
'mode' = 'hms',
'hive.conf.dir'='/etc/hive/conf'
);
--- 创建数据库供hudi使用
create database hudi.hudidb;
Flink SQL Client 中建表:
--- order表
CREATE TABLE hudi.hudidb.orders_hudi(
uuid INT,
ts INT,
num INT,
PRIMARY KEY(uuid) NOT ENFORCED
) WITH (
'connector' = 'hudi',
'table.type' = 'MERGE_ON_READ',
'hive_sync.conf.dir' = '/etc/hive/conf' --如果hive是配置了Kerberos,必须指定
);
--- product表
CREATE TABLE hudi.hudidb.product_hudi(
uuid INT,
ts INT,
name STRING,
PRIMARY KEY(uuid) NOT ENFORCED
) WITH (
'connector' = 'hudi',
'table.type' = 'MERGE_ON_READ',
'hive_sync.conf.dir' = '/etc/hive/conf'
);
--- 宽表
CREATE TABLE hudi.hudidb.orders_product_hudi(
uuid INT,
ts INT,
name STRING,
num INT,
PRIMARY KEY(uuid) NOT ENFORCED
) WITH (
'connector' = 'hudi',
'table.type' = 'MERGE_ON_READ',
'hive_sync.conf.dir' = '/etc/hive/conf'
);
使用 Flink SQL 进行数据写入:
insert into hudi.hudidb.orders_hudi values
(1, 1, 2),
(2, 2, 3),
(3, 3, 4);
insert into hudi.hudidb.product_hudi values
(1, 1, 'tony'),
(2, 2, 'mike'),
(3, 3, 'funny');
insert into hudi.hudidb.orders_product_hudi
select
hudi.hudidb.orders_hudi.uuid as uuid,
hudi.hudidb.orders_hudi.ts as ts,
hudi.hudidb.product_hudi.name as name,
hudi.hudidb.orders_hudi.num as num
from hudi.hudidb.orders_hudi
inner join hudi.hudidb.product_hudi on hudi.hudidb.orders_hudi.uuid = hudi.hudidb.product_hudi.uuid;
3.在 Flink SQL 中查看数据
select * from hudi.hudidb.orders_hudi;
得到:
select * from hudi.hudidb.product_hudi;
得到:
select * from hudi.hudidb.orders_product_hudi;
得到:
4.在 Spark 中查看数据
Hive 为了连接集群 Hive Metastore,只需要将 Hive 的配置文件 hive-site.xml
放置到 Spark 的配置文件目录即可。
通过 beeline
连接 spark thriftserver
,查看数据库:
show databases;
可以看到刚刚在 Flink 中创建的 hudidb
数据库。现在查看里面的表:
use hudidb;
show tables;
由于在将数据写入 Hudi 时,默认会新增 _hoodie_commit_time
、_hoodie_record_key
、precombine
以及 _hoodie_file_name
用于内部使用,如果使用 select *
进行查询时会查出上述字段。
以查看 orders_hudi
表数据为例:
select * from orders_hudi;
所以为了正确查询,需要指定字段:
select uuid, ts, num from orders_hudi;
5.在 Hive 中查看数据
Hudi MOR 表在将元数据同步到 Hive 时,会同时生成以 _ro
和 _rt
结尾的两张子表。例如有一张表名称为 product_hudi
,那么此时,数据库中会有三张和 product_hudi
相关的表,分别为原始 product_hudi
表、product_hudi_ro
和 product_hudi_rt
。
-
ro
表表示读优化(read-optimized
)查询,只查询 MOR 表中的parquet
文件部分。 -
rt
表表示快照(real-time
,实时)查询,查询全表,该操作需要合并avro
和parquet
文件,较为耗时。 -
product_hudi
表用于 Flink 或者 Spark 的元数据管理。
为了在 Hive 引擎中查看,对于 MERGE_ON_READ 表,至少需要执行过一次压缩,也就是把 avro
文件压缩为 parquet
文件,才能够正常查看数据。由于上述操作为批量操作,默认是不会触发压缩操作的,所以需要手动触发压缩(该操作 master
分支会支持)。
所以对 product_hudi
表进行手动压缩
./bin/flink run -c \
org.apache.hudi.sink.compact.HoodieFlinkCompactor \
lib/hudi-flink1.13-bundle_2.12-0.12.0.jar \
--path hdfs://bigdata:8020/warehouse/tablespace/managed/hive/hudidb.db/product_hudi \
--schedule
注意:如果是使用 Flink 将数据实时流式写入 Hudi 的话,默认在写入五次时会自动触发压缩,不需要手动执行。
为了在 Hive 中查看 Hudi 所有数据,需要设置如下参数:
set hive.input.format = org.apache.hadoop.hive.ql.io.HiveInputFormat;
如果设置该参数出现如下报错:
Error: Error while processing statement: Cannot modify hive.input.format at runtime. It is not in list of params that are allowed to be modified at runtime (state=42000,code=1)
那么通过如下方式修改 hive-site.xml
配置,新增如下配置,然后重启 Hive 即可。
hive.security.authorization.sqlstd.confwhitelist.append = hive.input.format
进入 Hive 客户端
设置变量:
set hive.input.format = org.apache.hadoop.hive.ql.io.HiveInputFormat;
查看数据库:
show databases;
查看 hudidb
库中 product_hudi
表数据:文章来源:https://www.toymoban.com/news/detail-796773.html
select * from hudidb.product_hudi;
文章来源地址https://www.toymoban.com/news/detail-796773.html
到了这里,关于【大数据】Hudi HMS Catalog 完全使用指南的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!