Apache Hudi + Flink作业运行指南-Flink-About云-梭伦科技

BGnv5 发表于 2020-12-14 18:54:12

Apache Hudi + Flink作业运行指南

问题导读：
1、如何从 Kafka 读取数据写出到Hudi表？
2、启动时需要准备什么？
3、如何启动任务并查看进程？

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。

git clone https://github.com/apache/hudi.git && cd hudi
mvn clean package -DskipTests
Windows 系统用户打包时会报如下错误：

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 "\bin\bash" (in directory "D:\github\hudi\hudi-integ-test"): Crea
teProcess error=2, 系统找不到指定的文件。 ->

To see the full stack trace of the errors, re-run Maven with the -e switch.
Re-run Maven using the -X switch to enable full debug logging.

For more information about the errors and possible solutions, please read the following articles:
http://cwiki.apache.org/confluence/display/MAVEN/MojoExecutionException

After correcting the problems, you can resume the build with the command
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（或者不用管）。

修改D:\github\hudi\pom.xml根pom文件

<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-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:\github\hudi\packaging\hudi-flink-bundle\target\hudi-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。

-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

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

{
"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

/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：

@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();
}

+-------------------+--------------------+--------------------+----------------------+--------------------+--------------------+-------------+--------------------+----+-----+-------------------+------------------+------+------------------+-------------------+---+
|_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|
+-------------------+--------------------+--------------------+----------------------+--------------------+--------------------+-------------+--------------------+----+-----+-------------------+------------------+------+------------------+-------------------+---+

+--------+
|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

最新经典文章，欢迎关注公众号http://www.aboutyun.com/data/attachment/forum/201903/18/215536lzpn7n3u7m7u90vm.jpg

---------------------
作者：王祥虎
来源：weixin
原文：Apache Hudi + Flink作业运行指南

若无梦何远方 发表于 2021-8-22 11:18:00

看完之后还是模模糊糊的

页: [1]

About云-梭伦科技's Archiver

Apache Hudi + Flink作业运行指南