Apache Hudi + Flink作业运行指南

2021-04-13 15:12:37 浏览数 (1)

近日Apache Hudi社区合并了Flink引擎的基础实现（HUDI-1327），这意味着 Hudi 开始支持 Flink 引擎。有很多小伙伴在交流群里咨询 Hudi on Flink 的使用姿势，三言两语不好描述，不如实操演示一把，于是有了这篇文章。

当前 Flink 版本的Hudi还只支持读取 Kafka 数据，Sink到 COW（COPY_ON_WRITE） 类型的 Hudi 表中，其他功能还在继续完善中。

这里我们简要介绍下如何从 Kafka 读取数据写出到Hudi表。

1. 打包

由于还没有正式发布, 我们需要到Github下载源码自行打包。

代码语言：javascript复制
git clone https://github.com/apache/hudi.git && cd hudimvn clean package -DskipTests

Windows 系统用户打包时会报如下错误：

代码语言：javascript复制
[ERROR] Failed to execute goal org.codehaus.mojo:exec-maven-plugin:1.6.0:exec (Setup HUDI_WS) on project hudi-integ-test: Command execution failed. Cannot run program "binbash" (in directory "D:githubhudihudi-integ-test"): Crea
teProcess error=2, 系统找不到指定的文件。 -> [Help 1]
[ERROR]
[ERROR] To see the full stack trace of the errors, re-run Maven with the -e switch.
[ERROR] Re-run Maven using the -X switch to enable full debug logging.
[ERROR]
[ERROR] For more information about the errors and possible solutions, please read the following articles:
[ERROR] [Help 1] http://cwiki.apache.org/confluence/display/MAVEN/MojoExecutionException
[ERROR]
[ERROR] After correcting the problems, you can resume the build with the command
[ERROR]   mvn <goals> -rf :hudi-integ-test

这是 hudi-integ-test 模块的一个bash脚本无法执行导致的错误，我们可以把它注释掉。

修改D:githubhudipom.xml根pom文件

代码语言：javascript复制
   <modules>
    <module>hudi-common</module>
    <module>hudi-cli</module>
    <module>hudi-client</module>
    <module>hudi-hadoop-mr</module>
    <module>hudi-spark</module>
    <module>hudi-timeline-service</module>
    <module>hudi-utilities</module>
    <module>hudi-sync</module>
    <module>packaging/hudi-hadoop-mr-bundle</module>
    <module>packaging/hudi-hive-sync-bundle</module>
    <module>packaging/hudi-spark-bundle</module>
    <module>packaging/hudi-presto-bundle</module>
    <module>packaging/hudi-utilities-bundle</module>
    <module>packaging/hudi-timeline-server-bundle</module>
    <module>docker/hoodie/hadoop</module>
<!--    <module>hudi-integ-test</module>-->
<!--    <module>packaging/hudi-integ-test-bundle</module>-->
    <module>hudi-examples</module>
    <module>hudi-flink</module>
    <module>packaging/hudi-flink-bundle</module>
  </modules>

再次执行 mvn clean package -DskipTests, 执行成功后，找到这个jar : D:githubhudipackaginghudi-flink-bundletargethudi-flink-bundle_2.11-0.6.1-SNAPSHOT.jar (笔者Hudi源码在D:github 路径下，大家根据自己实际路径找一下)

这个 hudi-flink-bundle_2.11-0.6.1-SNAPSHOT.jar 就是我们需要使用的flink客户端，类似于原版的 hudi-utilities-bundle_2.11-x.x.x.jar 。

2. 入参介绍

有几个必传的参数介绍下：

•--kafka-topic ：Kafka 主题•--kafka-group-id ：消费组•--kafka-bootstrap-servers : Kafka brokers•--target-base-path : Hudi 表基本路径•--target-table ：Hudi 表名•--table-type ：Hudi 表类型•--props : 任务配置

其他参数可以参考 org.apache.hudi.HoodieFlinkStreamer.Config，里面每个参数都有介绍 。

3. 启动准备清单

1.Kafka 主题，消费组2.jar上传到服务器3.schema 文件4.Hudi任务配置文件

注意根据自己的配置把配置文件放到合适的地方，笔者的 hudi-conf.properties和schem.avsc文件均上传在HDFS。

代码语言：javascript复制
-rw-r--r-- 1 user user      592 Nov 19 09:32 hudi-conf.properties
-rw-r--r-- 1 user user 39086937 Nov 30 15:51 hudi-flink-bundle_2.11-0.6.1-SNAPSHOT.jar
-rw-r--r-- 1 user user 1410 Nov 17 17:52 schema.avsc

hudi-conf.properties内容如下

代码语言：javascript复制
hoodie.datasource.write.recordkey.field=uuid
hoodie.datasource.write.partitionpath.field=ts
bootstrap.servers=xxx:9092
hoodie.deltastreamer.keygen.timebased.timestamp.type=EPOCHMILLISECONDS
hoodie.deltastreamer.keygen.timebased.output.dateformat=yyyy/MM/dd
hoodie.datasource.write.keygenerator.class=org.apache.hudi.keygen.TimestampBasedAvroKeyGenerator
hoodie.embed.timeline.server=false
hoodie.deltastreamer.schemaprovider.source.schema.file=hdfs://olap/hudi/test/config/flink/schema.avsc
hoodie.deltastreamer.schemaprovider.target.schema.file=hdfs://olap/hudi/test/config/flink/schema.avsc

schema.avsc内容如下

代码语言：javascript复制
{
  "type":"record",
  "name":"stock_ticks",
  "fields":[{
     "name": "uuid",
     "type": "string"
  }, {
     "name": "ts",
     "type": "long"
  }, {
     "name": "symbol",
     "type": "string"
  },{
     "name": "year",
     "type": "int"
  },{
     "name": "month",
     "type": "int"
  },{
     "name": "high",
     "type": "double"
  },{
     "name": "low",
     "type": "double"
  },{
     "name": "key",
     "type": "string"
  },{
     "name": "close",
     "type": "double"
  }, {
     "name": "open",
     "type": "double"
  }, {
     "name": "day",
     "type":"string"
  }
]}

4. 启动任务

代码语言：javascript复制
/opt/flink-1.11.2/bin/flink run -c org.apache.hudi.HoodieFlinkStreamer -m yarn-cluster -d -yjm 1024 -ytm 1024 -p 4 -ys 3 -ynm hudi_on_flink_test hudi-flink-bundle_2.11-0.6.1-SNAPSHOT.jar --kafka-topic hudi_test_flink --kafka-group-id hudi_on_flink --kafka-bootstrap-servers xxx:9092 --table-type COPY_ON_WRITE --target-base-path hdfs://olap/hudi/test/data/hudi_on_flink --target-table hudi_on_flink  --props hdfs://olap/hudi/test/config/flink/hudi-conf.properties --checkpoint-interval 3000 --flink-checkpoint-path hdfs://olap/hudi/hudi_on_flink_cp

查看监控页面，任务已经跑起来了

现在在Hdfs路径下已经创建了一个空表（Hudi自动创建）

我们向 topic 中发数据（发了 900 条，本地写的 Producer 就不贴代码了）

我们查一下结果：

代码语言：javascript复制
   @Test
  public void query() {
    spark.read().format("hudi")
        .load(basePath   "/*/*/*/*")
        .createOrReplaceTempView("tmp_view");
    spark.sql("select * from tmp_view limit 2").show();
    spark.sql("select count(1) from tmp_view").show();
  }
代码语言：javascript复制
 ------------------- -------------------- -------------------- ---------------------- -------------------- -------------------- ------------- -------------------- ---- ----- ------------------- ------------------ ------ ------------------ ------------------- --- 
|_hoodie_commit_time|_hoodie_commit_seqno|  _hoodie_record_key|_hoodie_partition_path|   _hoodie_file_name|                uuid|           ts|              symbol|year|month|               high|               low|   key|             close|               open|day|
 ------------------- -------------------- -------------------- ---------------------- -------------------- -------------------- ------------- -------------------- ---- ----- ------------------- ------------------ ------ ------------------ ------------------- --- 
|     20201130162542| 20201130162542_0_20|01e11b9c-012a-461...|            2020/10/29|c8f3a30a-0523-4c8...|01e11b9c-012a-461...|1603947341061|12a-4614-89c3-f62...| 120|   10|0.45757580489415417|0.0816472025173598|01e11b|0.5795817262998396|0.15864898816336837|  1|
|     20201130162542| 20201130162542_0_21|22e96b41-344a-4be...|            2020/10/29|c8f3a30a-0523-4c8...|22e96b41-344a-4be...|1603921161580|44a-4be2-8454-832...| 120|   10| 0.6200960168557579| 0.946080636091312|22e96b|0.6138608980526853| 0.5445994550724997|  1|
 ------------------- -------------------- -------------------- ---------------------- -------------------- -------------------- ------------- -------------------- ---- ----- ------------------- ------------------ ------ ------------------ ------------------- ---
代码语言：javascript复制
 -------- 
|count(1)|
 -------- 
|     900|
 --------

5. 总结

本文简要介绍了使用 Flink 引擎将数据写出到Hudi表的过程。主要包括自主打可执行jar、启动参数介绍、Schema配置、Hudi任务参数配置等步骤

flink 大数据 kafka github git

0 人点赞