好得很程序员自学网

<tfoot draggable='sEl'></tfoot>

大数据Hadoop之—Apache Hudi 数据湖实战操作

一、概述

Hudi（Hadoop Upserts Deletes and Incrementals），简称Hudi，是一个流式数据湖平台，支持对海量数据快速更新，内置表格式，支持事务的存储层、 一系列表服务、数据服务(开箱即用的摄取工具)以及完善的运维监控工具，它可以以极低的延迟将数据快速存储到HDFS或云存储（S3）的工具，最主要的特点支持记录级别的插入更新（Upsert）和删除，同时还支持增量查询。

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

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

关于Apache Hudi 数据湖 也可以参考我这篇文章：大数据Hadoop之——新一代流式数据湖平台 Apache Hudi

二、Hudi CLI

 

构建hudi后，可以通过cd hudi cli&&./hudi-cli.sh启动shell。一个hudi表驻留在DFS上的一个称为basePath的位置，我们需要这个位置才能连接到hudi表。Hudi库有效地在内部管理此表，使用.hoodie子文件夹跟踪所有元数据。

 

编译生成的包如下：

# 启动
./hudi-cli/hudi-cli.sh

三、Spark 与 Hudi 整合使用

Hudi 流式数据湖平台，协助管理数据，借助HDFS文件系统存储数据，使用Spark操作数据。

1）Spark 测试 
cd $SPARK_HOME
hdfs dfs  - mkdir  / tmp /  hdfs dfs  - put README .md   / tmp /  hdfs dfs  -  text   / tmp / README .md  # 启动spark - shell
. / bin / spark - shell  --master local[2]  val datasRDD  =  sc .textFile  (  "/tmp/README.md"  )  # 行数
datasRDD .count  (  )  # 读取第一行数据
datasRDD .first  (  )  val dataframe  =  spark .read  .textFile  (  "/tmp/README.md"  )  dataframe .printSchema  dataframe .show  (  10  ,  false  )

2）Spark 与 Hudi 整合使用

官方示例：https://hudi.apache.org/docs/quick-start-guide/在spark-shell命令行，对Hudi表数据进行操作，需要运行spark-shell命令是，添加相关的依赖包，命令如下：

启动spark-shell

【第一种方式】在线联网下载相关jar包

### 启动spark - shell，使用spark - shell操作hudi数据湖
### 第一种方式
. / 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'  ### 上述命令需要联网，基于ivy下载下载相关jar包到本地，然后加载到CLASSPATH，其中包含三个jar包。

【第二种方式】离线使用已经下载好的jar包。

### 第二种方式，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"
导入park及Hudi相关包 
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
定义变量 
val tableName  =   "hudi_trips_cow"  # 存储到HDFS
val basePath  =   "hdfs://hadoop-hadoop-hdfs-nn:9000/tmp/hudi_trips_cow"  # 存储到本地
# val basePath  =   "file:///tmp/hudi_trips_cow"
模拟生成Trip乘车数据 
##构建DataGenerator对象，用于模拟生成10条Trip乘车数据
val dataGen  =  new DataGenerator
 
val inserts  =  convertToStringList ( dataGen .generateInserts  (  10  )  )

其中，DataGenerator可以用于生成测试数据，用来完成后续操作。

将模拟数据List转换为DataFrame数据集 
##转成df
val df  =  spark .read  .json  ( spark .sparkContext  .parallelize  ( inserts ,  2  )  )  ##查看数据结构
df .printSchema  (  )  ##查看数据
df .show  (  )  # 指定字段查询
df .select  (  "rider"  ,  "begin_lat"  ,  "begin_lon"  ,  "driver"  ,  "end_lat"  ,  "end_lon"  ,  "fare"  ,  "partitionpath"  ,  "ts"  ,  "uuid"  )  .show  (  10  , truncate =  false  )
将数据写入到hudi 
# 将数据保存到hudi表中，由于Hudi诞生时基于Spark框架，所以SparkSQL支持Hudi数据源，直接通过format指定数据源Source，设置相关属性保存数据即可，注意，hudi不是正真存储数据，而是管理数据。

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 )  ## 重要参数说明
#参数：getQuickstartWriteConfigs，设置写入 / 更新数据至Hudi时，Shuffle时分区数目
#参数：PRECOMBINE_FIELD_OPT_KEY，数据合并时，依据主键字段
#参数：RECORDKEY_FIELD_OPT_KEY，每条记录的唯一id，支持多个字段
#参数：PARTITIONPATH_FIELD_OPT_KEY，用于存放数据的分区字段

本地存储

HDFS 存储

四、Flink 与 Hudi 整合使用

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

1）启动flink集群

下载地址：http://flink.apache.org/downloads.html

###  1 、下载软件包
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 、设置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 、启动单节点flink 集群
# Start the Flink standalone cluster，这里先修改slot数量，默认是1，这里改成4
# taskmanager .numberOfTaskSlots  :   4  cd $FLINK_HOME
. / bin / start - cluster .sh  # 测试可用性
. / bin / flink run  examples / batch / WordCount .jar

2） 启动flink SQL 客户端 
# 【第一种方式】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

# 【第二种方式】还可以将jar包放在$FINK_HOME / lib目录下
3）添加数据 
 -- 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）查询数据（批式查询） 
 select   *   from  t1 ;

5）更新数据 
 -- 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（流式查询）

首先创建表t2，设置相关属性，以流的方式查询读取，映射到上面表：t1。

read.streaming.enabled设置为true，表明通过streaming的方式读取表数据； read.streaming.check-interval指定了source监控新的commits的间隔时间4s； table.type设置表类型为 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：查看可能会遇到如下错误：

 

[ERROR] Could not execute SQL statement. Reason:

java.lang.ClassNotFoundException:

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

 

【解决】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

原文地址：https://www.toutiao.com/article/7157285421272089128/

查看更多关于大数据Hadoop之—Apache Hudi 数据湖实战操作的详细内容...

声明：本文来自网络，不代表【好得很程序员自学网】立场，转载请注明出处：http://haodehen.cn/did231407
  阅读：26次

上一篇： 一文读懂选择数据湖还是数据仓库

下一篇：五款国产数据库，你知道哪款？

相关资讯