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！
