大數據Hadoop之—Apache Hudi 數據湖實戰操作

作者：大數據老司機 2022-10-24 00:26:51

構建hudi后，可以通過cd hudi cli&&./hudi-cli.sh啟動shell。一個hudi表駐留在DFS上的一個稱為basePath的位置，我們需要這個位置才能連接到hudi表。Hudi庫有效地在內部管理此表，使用.hoodie子文件夾跟蹤所有元數據。

一、概述

Hudi（Hadoop Upserts Deletes and Incrementals），簡稱Hudi，是一個流式數據湖平臺，支持對海量數據快速更新，內置表格式，支持事務的存儲層、一系列表服務、數據服務(開箱即用的攝取工具)以及完善的運維監控工具，它可以以極低的延遲將數據快速存儲到HDFS或云存儲（S3）的工具，最主要的特點支持記錄級別的插入更新（Upsert）和刪除，同時還支持增量查詢。

GitHub地址：https://github.com/apache/hudi

官方文檔：https://hudi.apache.org/cn/docs/overview

關于Apache Hudi 數據湖也可以參考我這篇文章：大數據Hadoop之——新一代流式數據湖平臺 Apache Hudi

二、Hudi CLI

編譯生成的包如下：

# 啟動
./hudi-cli/hudi-cli.sh

三、Spark 與 Hudi 整合使用

Hudi 流式數據湖平臺，協助管理數據，借助HDFS文件系統存儲數據，使用Spark操作數據。

1）Spark 測試

cd $SPARK_HOME
hdfs dfs -mkdir /tmp/
hdfs dfs -put README.md /tmp/
hdfs dfs -text /tmp/README.md

# 啟動spark-shell
./bin/spark-shell --master local[2]

val datasRDD = sc.textFile("/tmp/README.md")
# 行數
datasRDD.count()
# 讀取第一行數據
datasRDD.first()
val dataframe = spark.read.textFile("/tmp/README.md")
dataframe.printSchema
dataframe.show(10,false)

2）Spark 與 Hudi 整合使用

官方示例：https://hudi.apache.org/docs/quick-start-guide/在spark-shell命令行，對Hudi表數據進行操作，需要運行spark-shell命令是，添加相關的依賴包，命令如下：

啟動spark-shell

【第一種方式】在線聯網下載相關jar包

### 啟動spark-shell，使用spark-shell操作hudi數據湖
### 第一種方式
./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.extensions=org.apache.spark.sql.hudi.HoodieSparkSessionExtension'

### 上述命令需要聯網，基于ivy下載下載相關jar包到本地，然后加載到CLASSPATH，其中包含三個jar包。

【第二種方式】離線使用已經下載好的jar包。

### 第二種方式，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"

導入park及Hudi相關包

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

定義變量

val tableName = "hudi_trips_cow"
# 存儲到HDFS
val basePath = "hdfs://hadoop-hadoop-hdfs-nn:9000/tmp/hudi_trips_cow"
# 存儲到本地
# val basePath = "file:///tmp/hudi_trips_cow"

模擬生成Trip乘車數據

##構建DataGenerator對象，用于模擬生成10條Trip乘車數據
val dataGen = new DataGenerator
 
val inserts = convertToStringList(dataGen.generateInserts(10))

其中，DataGenerator可以用于生成測試數據，用來完成后續操作。

將模擬數據List轉換為DataFrame數據集

##轉成df
val df = spark.read.json(spark.sparkContext.parallelize(inserts,2))

##查看數據結構
df.printSchema()
##查看數據
df.show()
# 指定字段查詢
df.select("rider","begin_lat","begin_lon","driver","end_lat","end_lon","fare","partitionpath","ts","uuid").show(10,truncate=false)

將數據寫入到hudi

# 將數據保存到hudi表中，由于Hudi誕生時基于Spark框架，所以SparkSQL支持Hudi數據源，直接通過format指定數據源Source，設置相關屬性保存數據即可，注意，hudi不是正真存儲數據，而是管理數據。

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)

## 重要參數說明
#參數：getQuickstartWriteConfigs，設置寫入/更新數據至Hudi時，Shuffle時分區數目
#參數：PRECOMBINE_FIELD_OPT_KEY，數據合并時，依據主鍵字段
#參數：RECORDKEY_FIELD_OPT_KEY，每條記錄的唯一id，支持多個字段
#參數：PARTITIONPATH_FIELD_OPT_KEY，用于存放數據的分區字段

本地存儲

HDFS 存儲

四、Flink 與 Hudi 整合使用

官方示例：https://hudi.apache.org/docs/flink-quick-start-guide

1）啟動flink集群

下載地址：http://flink.apache.org/downloads.html

### 1、下載軟件包
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、設置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、啟動單節點flink 集群
# Start the Flink standalone cluster，這里先修改slot數量，默認是1，這里改成4
# taskmanager.numberOfTaskSlots: 4
cd $FLINK_HOME
./bin/start-cluster.sh

# 測試可用性
./bin/flink run  examples/batch/WordCount.jar

2）啟動flink SQL 客戶端

# 【第一種方式】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

# 【第二種方式】還可以將jar包放在$FINK_HOME/lib目錄下

3）添加數據

-- 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');

HDFS上查看

4）查詢數據（批式查詢）

select * from t1;

5）更新數據

-- this would update the record with key 'id1'
insert into t1 values
  ('id1','Danny',27,TIMESTAMP '1970-01-01 00:00:01','par1');

6）Streaming Query（流式查詢）

首先創建表t2，設置相關屬性，以流的方式查詢讀取，映射到上面表：t1。

read.streaming.enabled設置為true，表明通過streaming的方式讀取表數據；
read.streaming.check-interval指定了source監控新的commits的間隔時間4s；
table.type設置表類型為 MERGE_ON_READ；

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;

注意：查看可能會遇到如下錯誤：

[ERROR] Could not execute SQL statement. Reason:

java.lang.ClassNotFoundException:

org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat

【解決】添加hadoop-mapreduce-client-core-xxx.jar和hive-exec-xxx.jar到Flink lib中。

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

責任編輯：武曉燕來源：今日頭條