Flink CDC + Hudi + Hive + Presto 构建实时数据湖最佳实践

您所在的位置：网站首页 › 使用java操作hive的过程 › Flink CDC + Hudi + Hive + Presto 构建实时数据湖最佳实践

Flink CDC + Hudi + Hive + Presto 构建实时数据湖最佳实践

2023-06-15 06:04| 来源: 网络整理| 查看: 265

原文：Flink CDC + Hudi + Hive + Presto 构建实时数据湖最佳实践

摘要：本文作者罗龙文，分享了如何通过 Flink CDC、Hudi、Hive、Presto 等构建数据湖。主要内容包括：

测试过程环境版本说明

集群服务器基础环境

Hudi 编译环境配置

Flink 环境配置

启动 Flink Yarn Session 服务

MySQL binlog 开启配置

Flink CDC sink Hudi 测试代码过程

Tips：点击「阅读原文」预约 FFA 2021～

一、测试过程环境版本说明

Flink 1.13.1

Scala 2.11

CDH 6.2.0

Hadoop 3.0.0

Hive 2.1.1

Hudi 0.10(master)

PrestoDB 0.256

Mysql 5.7

二、集群服务器基础环境

2.1 Maven 和 JDK 环境版本

2.2 Hadoop 集群环境版本

2.3 HADOOP环境变量配置 export HADOOP_HOME=/opt/cloudera/parcels/CDH/lib/hadoop export HADOOP_CALSSPATH=`$HADOOP_HOME/bin/hadoop classpath`

三、Hudi 编译环境配置

3.1 Maven Home settings.xml 配置修改

说明：指定 aliyun maven 地址 (支持 CDH cloudera 依赖) mirror 库

alimaven central,!cloudera aliyun maven http://maven.aliyun.com/nexus/content/groups/public/ 3.2 下载 Hudi 源码包 git clone https://github.com/apache/hudi.git

Hudi 社区建议版本适配

Hudi0.9 适配 Flink 1.12.2

Hudi0.10(master) 适配 Flink 1.13.X (说明 master 分支上版本还未 release)

3.3 Hudi 客户端命令行

3.4 修改 Hudi 集成 Flink 和 Hive 编译依赖版本配置

hudi-master/packaging/hudi-flink-bundle

pom.xml 文件 (笔者环境 CDH 6.2.0，Hive 2.1.1)

flink-bundle-shade-hive2 2.1.1-cdh6.2.0 compile ${hive.groupid} hive-service-rpc ${hive.version} ${flink.bundle.hive.scope} 3.5 编译 Hudi 指定 Hadoop 和 Hive 版本信息 mvn clean install -DskipTests -Drat.skip=true -Dscala-2.11 -Dhadoop.version=3.0.0 -Pflink-bundle-shade-hive2

(可加 –e –X 参数查看编译 ERROR 异常和 DEBUG 信息)

说明：默认 Scala 2.11、默认不包含 Hive 依赖

首次编译耗时较长笔者首次编译大概花费 50min+ (也和服务器网络有关)

后续编译会快一些大约 15min 左右

3.6 Hudi 编译异常

修改 Hudi master pom.xml 增加 CDH repository 地址

3.7 Hudi 重新编译

3.8 Hudi 编译结果说明

hudi-master/packaging/hudi-flink-bundle/target

hudi-flink-bundle_2.11-0.10.0-SNAPSHOT.jar

说明：hudi-flink-bundle jar 是 Flink 用来写入和读取数据

hudi-master/packaging/hudi-hadoop-mr-bundle/target

hudi-hadoop-mr-bundle-0.10.0-SNAPSHOT.jar

说明：hudi-mr-bundle jar 是 Hive 需要用来读 Hudi 数据

四、Flink 环境配置

版本说明：Flink 1.13.1，Scala 2.11 版本

4.1 FLINK_HOME 下 sql-client-defaults.yaml 配置

4.2 flink-conf.yaml 配置修改

# state.backend: filesystem state.backend: rocksdb # 开启增量checkpoint state.backend.incremental: true # state.checkpoints.dir: hdfs://namenode-host:port/flink-checkpoints state.checkpoints.dir: hdfs://nameservice/flink/flink-checkpoints classloader.check-leaked-classloader: false classloader.resolve-order: parent-first 4.3 FLINK_HOME lib下添加依赖

flink-sql-connector-mysql-cdc-1.4.0.jar flink-sql-connector-oracle-cdc-2.1-SNAPSHOT.jar.BAK – oracle cdc 依赖 flink-format-changelog-json-1.4.0.jar flink-sql-connector-kafka_2.11-1.13.1.jar --- Hadoop home lib下copy过来 hadoop-mapreduce-client-common-3.0.0-cdh6.2.0.jar hadoop-mapreduce-client-core-3.0.0-cdh6.2.0.jar hadoop-mapreduce-client-jobclient-3.0.0-cdh6.2.0.jar --- hudi编译jar copy过来 hudi-flink-bundle_2.11-0.10.0-SNAPSHOT.jar

说明：目前 oracle cdc jar 和 mysql cdc jar 一起在 lib 下发现有冲突异常

五、启动 Flink Yarn Session 服务

5.1 FLINK_HOME shell 命令 $FLINK_HOME/bin/yarn-session.sh -s 2-jm 2048-tm 2048-nm ys-hudi01 -d

5.2 Yarn Web UI

5.3 Flinksql Client 启动命令 $FLINK_HOME/bin/sql-client.sh embedded -j ./lib/hudi-flink-bundle_2.11-0.10.0-SNAPSHOT.jar shell

说明：-j 指定 hudi-flink 依赖 jar

Show table / show catalogs

六、MySQL binlog 开启配置

6.1 创建 binlog 日志存储路径 mkdir logs 6.2 修改目录属主和 group chown -R mysql:mysql /mysqldata/logs 6.3 修改 mysql 配置信息 vim /etc/my.cnf server-id=2 log-bin= /mysqldata/logs/mysql-bin binlog_format=row expire_logs_days=15 binlog_row_image=full 6.4 修改完，重启 mysql server service mysqld restart 6.5 客户端查看 binlog 日志情况

show master logs;

Mysql 版本：5.7.30

6.6 创建 mysql sources 表 DDL create table users_cdc(id bigint auto_increment primary key,name varchar(20) null,birthday timestamp default CURRENT_TIMESTAMP notnull,ts timestamp default CURRENT_TIMESTAMP notnull );

七、Flink CDC sink Hudi 测试代码过程

7.1 Flink sql cdc DDL 语句：(具体参数说明可参考 Flink 官网)

CREATE TABLE mysql_users (id BIGINT PRIMARY KEY NOT ENFORCED ,name STRING,birthday TIMESTAMP(3),ts TIMESTAMP(3) ) WITH ( 'connector'= 'mysql-cdc', 'hostname'= '127.0.0.1', 'port'= '3306', 'username'= '', 'password'=’’, 'server-time-zone'= 'Asia/Shanghai', 'debezium.snapshot.mode'='initial', 'database-name'= 'luo', 'table-name'= 'users_cdc' );

7.2 查询 mysql cdc 表 Flink SQL> select * from mysql_users;

由于目前 MySQL users_cdc 表是空，所以 flinksql 查询没有数据只有表结构；

Flink web UI：

7.3 创建一个临时视图，增加分区列方便后续同步 Hive 分区表 Flink SQL> create view mycdc_v AS SELECT *, DATE_FORMAT(birthday, 'yyyyMMdd') as partition FROM mysql_users;

说明：partition 关键字需要 `` 引起来

查询视图数据也是空结构，但增加了分区字段：

Flink SQL> select * from mycdc_v;

Flink web UI：

7.4 设置 checkpoint 间隔时间，存储路径已在 flink-conf 配置设置全局路径

建议:测试环境可设置秒级别（不能太小），生产环境可设置分钟级别。

Flink SQL> set execution.checkpointing.interval=30sec;

7.5 Flinksql 创建 cdc sink hudi 文件，并自动同步 Hive 分区表 DDL 语句 CREATE TABLE mysqlcdc_sync_hive01( id bigint , name string, birthday TIMESTAMP(3), ts TIMESTAMP(3), `partition` VARCHAR(20), primary key(id) not enforced --必须指定uuid 主键 ) PARTITIONED BY (`partition`) with( 'connector'='hudi', 'path'= 'hdfs://nameservice /luo/hudi/mysqlcdc_sync_hive01' , 'hoodie.datasource.write.recordkey.field'= 'id'-- 主键 , 'write.precombine.field'= 'ts'-- 自动precombine的字段 , 'write.tasks'= '1' , 'compaction.tasks'= '1' , 'write.rate.limit'= '2000'-- 限速 , 'table.type'= 'MERGE_ON_READ'-- 默认COPY_ON_WRITE,可选MERGE_ON_READ , 'compaction.async.enabled'= 'true'-- 是否开启异步压缩 , 'compaction.trigger.strategy'= 'num_commits'-- 按次数压缩 , 'compaction.delta_commits'= '1'-- 默认为5 , 'changelog.enabled'= 'true'-- 开启changelog变更 , 'read.streaming.enabled'= 'true'-- 开启流读 , 'read.streaming.check-interval'= '3'-- 检查间隔，默认60s , 'hive_sync.enable'= 'true'-- 开启自动同步hive , 'hive_sync.mode'= 'hms'-- 自动同步hive模式，默认jdbc模式 , 'hive_sync.metastore.uris'= 'thrift://hadoop:9083'-- hive metastore地址 -- , 'hive_sync.jdbc_url'= 'jdbc:hive2://hadoop:10000'-- hiveServer地址 , 'hive_sync.table'= 'mysqlcdc_sync_hive01'-- hive 新建表名 , 'hive_sync.db'= 'luo'-- hive 新建数据库名 , 'hive_sync.username'= ''-- HMS 用户名 , 'hive_sync.password'= ''-- HMS 密码 , 'hive_sync.support_timestamp'= 'true'-- 兼容hive timestamp类型 );

说明：Hudi 目前支持 MOR 和 COW 两种模式

Copy on Write：使用列式存储来存储数据 (例如：parquet),通过在写入期间执行同步合并来简单地更新和重现文件

Merge on Read：使用列式存储 (parquet) + 行式文件 (arvo) 组合存储数据。更新记录到增量文件中，然后进行同步或异步压缩来生成新版本的列式文件。

COW：Copy on Write (写时复制)，快照查询 + 增量查询

MOR：Merge on Read (读时合并)，快照查询 + 增量查询 + 读取优化查询 (近实时)

使用场景上：

COW 适用写少读多的场景，MOR 适用写多读少的场景；

MOR 适合 CDC 场景，更新延迟要求较低，COW 目前不支持 changelog mode 不适合处理 cdc 场景；

Flink web UI

7.6 Flink sql mysql cdc 数据写入 Hudi 文件数据 Flink SQL> insert into mysqlcdc_sync_hive01 select id,name,birthday,ts,`partition` from mycdc_v;

Flink web UI DAG 图：

7.7 HDFS 上 Hudi 文件目录情况

说明：目前还没写入测试数据，Hudi 目录只生成一些状态标记文件，还未生成分区目录以及 .log 和 .parquet 数据文件，具体含义可见 Hudi 官方文档。

7.8 Mysql 数据源写入测试数据 insert into users_cdc (name) values ('cdc01');

7.9 Flinksql 查询 mysql cdc insert 数据 Flink SQL> set execution.result-mode=tableau;[WARNING] The specified key 'execution.result-mode' is deprecated. Please use 'sql-client.execution.result-mode' instead.[INFO] Session property has been set.Flink SQL> select * from mysql_users; -- 查询到一条insert数据

7.10 Flink web UI 页面可以看到 DAG 各个环节产生一条测试数据

7.11 Flinksql 查询 sink 的 Hudi 表数据 Flink SQL> select * from mysqlcdc_sync_hive01; --已查询到一条insert数据

7.12 Hdfs 上 Hudi 文件目录变化情况

7.13 Hive 分区表和数据自动同步情况

7.14 查看自动创建 Hive 表结构 hive> show create table mysqlcdc_sync_hive01_ro;

hive> show create table mysqlcdc_sync_hive01_rt;

7.15 查看自动生成的表分区信息 hive> show partitions mysqlcdc_sync_hive01_ro; hive> show partitions mysqlcdc_sync_hive01_rt;

说明：已自动生产 Hudi MOR 模式的

mysqlcdc_sync_hive01_ro mysqlcdc_sync_hive01_rt

ro 表和 rt 表区别：

ro 表全称 read oprimized table，对于 MOR 表同步的 xxx_ro 表，只暴露压缩后的 parquet。其查询方式和 COW 表类似。设置完 hiveInputFormat 之后和普通的 Hive 表一样查询即可；

rt 表示增量视图，主要针对增量查询的 rt 表；

ro 表只能查 parquet 文件数据；rt 表 parquet 文件数据和 log 文件数据都可查。

7.16 Hive 访问 Hudi 数据

说明：需要引入 hudi-hadoop-mr-bundle-0.10.0-SNAPSHOT.jar

引入 Hudi 依赖 jar 方式：

引入到 $HIVE_HOME/lib 下；

引入到 $HIVE_HOME/auxlib 自定义第三方依赖修改 hive-site.xml 配置文件；

Hive shell 命令行引入 Session 级别有效；

其中（1）和（3）配置完后需要重启 hive-server 服务;

查询 Hive 分区表数据：

hive> select * from mysqlcdc_sync_hive01_ro; --已查询到mysq insert的一条数据

hive> select * from mysqlcdc_sync_hive01_rt; --已查询到mysq insert的一条数据

Hive 条件查询：

hive> select name,ts from mysqlcdc_sync_hive01_ro where partition='20211109';

Hive ro 表 count 查询

hive> select count(1) from mysqlcdc_sync_hive01_ro;

Hive Count 异常解决：

引入 hudi-hadoop-mr-bundle-0.10.0-SNAPSHOT.jar 依赖

hive> add jar hdfs://nameservice /luo/hudi-hadoop-mr-bundle-0.10.0-SNAPSHOT.jar;hive> set hive.input.format = org.apache.hudi.hadoop.hive.HoodieCombineHiveInputFormat;

hive> select count(1) from mysqlcdc_sync_hive01_ro; --可正常count

Hive rt 表 count 查询

hive> select count(1) from mysqlcdc_sync_hive01_rt;

说明：rt 表 count 还是异常，和 Hudi 社区人员沟通 Hudi master 目前还没 release 这块存在 bug 正在修复中

具体见：https://issues.apache.org/jira/browse/HUDI-2649

7.17 Mysql 数据源写入多条测试数据 insert into users_cdc (name) values ('cdc02'); insert into users_cdc (name) values ('cdc03'); insert into users_cdc (name) values ('cdc04'); insert into users_cdc (name) values ('cdc05'); insert into users_cdc (name) values ('cdc06');

Flink web UI DAG 中数据链路情况：

7.18 Flinksql 中新写入数据查询情况

Yarn web UI application_1626256835287_40351[1] 资源使用情况

Hdfs 上 Hudi 文件目录变化情况

Hudi 状态文件说明：

requested：表示一个动作已被安排，但尚未启动

inflight：表示当前正在执行操作

completed：表示在时间线上完成了操作

Flink jobmanager log sync hive过程详细日志

7.19 Mysql 数据源更新数据 update users_cdc set name = 'cdc05-bj'where id = 5;

7.20 Flinksql 查询 cdc update 数据产生两条 binlog 数据

说明：Flinksql 查询最终只有一条 +I 有效数据，且数据已更新

Flink web UI DAG 接受到两条 binlog 数据，但最终 compact 和 sink 只有一条有效数据

7.21 MySQL 数据源 delete 一条数据 deletefrom users_cdc where id = 3;

Flink Web UI job DAG 中捕获一条新数据：

Flinksql changlog delete 数据变化查询

HDFS 上 Hudi 数据文件生成情况

Hudi 文件类型说明：

commits：表示将一批数据原子性写入表中；

cleans：清除表中不在需要的旧版本文件的后台活动；

delta_commit：增量提交是指将一批数据原子性写入 MergeOnRead 类型的表中，其中部分或者所有数据可以写入增量日志中；

compaction：协调 Hudi 中差异数据结构的后台活动，例如：将更新从基于行的日志文件变成列格式。在内部，压缩的表现为时间轴上的特殊提交；

rollback：表示提交操作不成功且已经回滚，会删除在写入过程中产生的数据。

说明：Hudi 分区文件以及 .log 和 .parquet 文件都已生成

两种文件区别：Hudi 会在 DFS 分布式文件系统上的 basepath 基本路径下组织成目录结构。每张对应的表都会成多个分区，这些分区是包含该分区的数据文件的文件夹，与 Hive 的目录结构非常相似。在每个分区内，文件被组织成文件组，文件 id 为唯一标识。每个文件组包含多个切片，其中每个切片包含在某个提交 / 压缩即时时间生成的基本列文件 (parquet 文件)，以及自生成基本文件以来对基本文件的插入 / 更新的一组日志文件 (*.log)。Hudi 采用 MVCC 设计,其中压缩操作会将日志和基本文件合并成新的文件片，清理操作会将未使用/较旧的文件片删除来回收 DFS 上的空间。

Flink 任务 checkpoint 情况：

设置 30s 一次