数据湖之基于flink+hudi+hive的实践（一）

一、介绍

hudi最新的0.9版本经过众人千呼万唤，终于在9月份出来了。hudi可以兼容在hadoop基础之上存储海量数据，不仅可以进行批处理，还可以在数据湖上进行流处理，即离线与实时结合。并且同时提供了2种原生语义：

• 1）Update/Delete记录：即通过hudi可以更新和删除表中记录，同时还提供写操作的事务保证。
• 2）Change Streams：可以从某个时间点获取给定表中已updated/inserted/deleted的所有记录的增量流。

不仅支持近实时写入和分析，还支持Spark、Presto、Trino、Hive 等的 SQL 读/写、事务回滚和并发控制、快照查询/增量查询、可插入索引等。更多介绍请参考Apache hudi官网

hudi0.8版本与flinksql的兼容性不好，里面没有对connector='hudi’的实现，在github上可以看到0.9版本有相关的实现了。

二、环境准备与实验

1、环境

• flink1.12.2
• hudi0.9
• hive 3.1.2
• hadoop 3.1.1

2、启动步骤

flink-conf.yaml中，需要开启checkpoint，其配置如下：

execution.checkpointing.interval: 3000sec
state.backend: rocksdb
state.checkpoints.dir: hdfs://hadoop0:9000/flink-checkpoints
state.savepoints.dir: hdfs://hadoop0:9000/flink-savepoints

第一步：启动hadoop集群，进入$HADOOP_HOME，执行：

./sbin/start-dfs.sh

在启动hadoop集群之前，建议先同步集群的时间，不然在后面操作hudi时会报错，可以使用如下命令同步。

ntpdate time1.aliyun.com

第二步：启动hive节点，进入$HIVE_HOME/conf，执行命令：

nohup hive --service metastore 
nohup hiveserver2 &

启动hive后，执行beeline -u jdbc:hive2://hadoop0:10000命令是可以正常进入hive的。如果没有，可能需要检查hive-site.xml的配置或者查看启动日志。

第三步：启动flink节点，进入$FLINK_HOME/bin，执行命令：

./start-cluster.sh

在此之前，可以设置taskmanager的数量和slot的数量，hudi官网上是将taskmanager的数量设置为4，一个taskmanager有一个slot。当然也可以根据服务器的配置和数据量大小而定；
此外，$FLINK_HMOE/lib/目录下还需引入下面几个包：

flink-connector-hive_2.11-1.12.2.jar
flink-hadoop-compatibility_2.11-1.12.2.jar
flink-sql-connector-hive-3.1.2_2.11-1.12.2.jar
hive-exec-3.1.2.jar
hudi-flink-bundle_2.11-0.9.0.jar

3、实验过程

第一步：启动flink-sql客户端，在$FLINK_HOME/bin目录执行：

export HADOOP_CLASSPATH=`$HADOOP_HOME/bin/hadoop classpath`
./sql-client.sh embedded

hudi0.9官网上执行是的./sql-client.sh embedded -j …/lib/hudi-flink-bundle_2.11-0.9.0.jar shell这条命令，用flink sql插入数据时会报错，导致jobmanager挂掉，目前在hudi0.10已经修复了这个bug。

第二步：建表和插入数据

use catalog myhive; --指定catalog，也可以不指定
CREATE TABLE tb_hudi_0901_tmp30 (
  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://hadoop0:9000/hudi/tb_hudi_0901_tmp30',
  'write.tasks'='1',
  'compaction.async.enabled' = 'false',
  'compaction.tasks'='1',
  'table.type' = 'MERGE_ON_READ'  ) ; 

INSERT INTO tb_hudi_0901_tmp30 VALUES ('id1','Danny',23,TIMESTAMP '1970-01-01 00:00:01','part1'),
('id2','Stephen',33,TIMESTAMP '1970-01-01 00:00:02','part1'),
('id3','Julian',53,TIMESTAMP '1970-01-01 00:00:03','part1'),
('id4','Fabian',31,TIMESTAMP '1970-01-01 00:00:04','part1'),
('id5','Sophia',18,TIMESTAMP '1970-01-01 00:00:05','part1'),
('id7','Bob',44,TIMESTAMP '1970-01-01 00:00:07','part1'); 

效果如下图所示：

在这里，实验用的是离线压缩，compaction.async.enabled设置了false，也可以在线压缩。如果是在线压缩，批环境实验还没有成功，但是在流环境下，接kafka作为数据源，触发checkpoint是可以的，默认是当触发5次checkpoint时会生成压缩计划，然后调度对应的压缩任务，在hdfs便可以看到生成parquet文件了，这个是至关重要的，没有生成parquet文件，在hive里面是查不到数据了。如图所示：

第三步：建立hive外部表

• 方式一：INPUTFORMAT为HoodieParquetInputFormat类型的外部表。只会查询出来parquet数据文件中的内容，但是刚刚更新或者删除的数据不能查出来，对hive表中mor/cow类型的表均可执行count(*)操作。

 CREATE EXTERNAL TABLE hudi_tb_test_copy4 (
`_hoodie_commit_time` string,
`_hoodie_commit_seqno` string,
`_hoodie_record_key` string,
`_hoodie_partition_path` string,
`_hoodie_file_name` string,
`uuid` STRING,
`name` STRING,
`age` bigint,
`ts` bigint) PARTITIONED BY (`partition` string)
ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'
STORED AS INPUTFORMAT 'org.apache.hudi.hadoop.HoodieParquetInputFormat'
OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'
LOCATION 'hdfs://hadoop0:9000/hudi/tb_hudi_0901_tmp30';

• 方式二：INPUTFORMAT为HoodieParquetRealtimeInputFormat类型的外部表。会实时读出来写入的数据，将基于Parquet的基础列式文件和基于行的Avro日志文件合并在一起呈现出来。不过最近发现用此类型时，在hive集群中对mor表执行count(*)操作会报内存溢出错误，cow类型的表没有这个问题。

CREATE EXTERNAL TABLE hudi_tb_test_copy4 (
`_hoodie_commit_time` string,
`_hoodie_commit_seqno` string,
`_hoodie_record_key` string,
`_hoodie_partition_path` string,
`_hoodie_file_name` string,
`uuid` STRING,
`name` STRING,
`age` bigint,
`ts` bigint) PARTITIONED BY (`partition` string)
ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'
STORED AS INPUTFORMAT 'org.apache.hudi.hadoop.realtime.HoodieParquetRealtimeInputFormat'
OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'
LOCATION 'hdfs://hadoop0:9000/hudi/tb_hudi_0901_tmp30';

alter table hudi_tb_test_copy4 add if not exists partition(`partition`='part1') location 'hdfs://hadoop0:9000/hudi/tb_hudi_0901_tmp30/part1';

在hudi0.9版本也可以不用手动建立hive外部表，可以自动生成的，可惜目前还没有打通这个环节…

第四步：beeline查询数据

• 查询之前，先执行如下命令，第一个命令是把包加入到hive环境中，是属于当前会话的；若永久生效，需要在$HIVE_HOME建立auxlib/，把包放入此目录，然后重启hive集群。

  add jar hdfs://hadoop0:9000/jar/hudi-hadoop-mr-bundle-0.9.0.jar;
  set hive.input.format = org.apache.hudi.hadoop.hive.HoodieCombineHiveInputFormat;
  

  效果如下图所示：
  
  至此，flink->hudi->hive的环节就打通了，但是还有许多问题在研究中。比如：
  • cow表会有写放大问题，当表中有大量的更新数据写入时，落地的parquet文件的总大小会double，每写一次会double一次。不过这是正常的，copy_on_write，copy的是没有变化的数据，hudi将这些数据copy出来，然后append新增或更新的数据，落地为一个新文件。所有不难理解cow表会产生很多文件了。
  • cow表会生成很多小的parquet文件，parquet文件的个数好像与这个参数write.bucket_assign.tasks有关，设置之后发现文件个数明显减少了。
  • mor类型的表默认是完成5次checkpoint才会调度压缩任务，生成parquet文件的，如果在hdfs上没有看到parquet文件，那得看看有没有完成指定次数的checkpoint了。不过测试时发现批环境下即便完成了checkpoint，也没有触发压缩任务，很奇怪；但在流环境中是可以的。对了，mor生成的log会定期清理的。
  • hoodie.datasource.write.precombine.field: 更新数据时，如果存在两个具有相同主键的记录，则此列中的值将决定更新哪个记录。选择诸如时间戳的列确保选择具有最新时间戳的记录。这个参数很有用，默认指定的字段是ts字段，所以flink表中要有ts字段，没有的话，需要指定了。
  • read.streaming.check-interval: 每隔多久去检验一次有没有新的操作在timeline上产生的。

三、遇到过的坑

• [1] ERROR: Attempting to operate on hdfs journalnode as root
  ERROR: but there is no HDFS_JOURNALNODE_USER defined. Aborting operation. 解决办法：在 hadoop-env.sh 文件下面添加如下内容。

  export JAVA_HOME=/usr/java/jdk1.8.0_181
  export HDFS_NAMENODE_USER=root
  export HDFS_DATANODE_USER=root
  export HDFS_SECONDARYNAMENODE_USER=root
  export HDFS_ZKFC_USER=root
  export HDFS_JOURNALNODE_USER=root
  

• [2] IllegalArgumentException: Following instants have timestamps >= compactionInstant (20210710211157) Instants :[[20210713205004__deltacommit__COMPLETED], [20210713205200__deltacommit__COMPLETED], [20210714091634__deltacommit__COMPLETED]]
  错误原因：compaction时必须保证所有completed,inflight,requested的compaction的时间必须小于当前压缩时间。解决办法：查看集群的时间，同步时间ntpdate time1.aliyun.com
• [3] java.lang.NoSuchMethodError: io.javalin.core.CachedRequestWrapper.getContentLengthLong()J
  at io.javalin.core.CachedRequestWrapper.(CachedRequestWrapper.kt:22) ~[hudi-flink-bundle_2.11-0.9.0.jar:0.9.0]
  at io.javalin.core.JavalinServlet.service(JavalinServlet.kt:34) ~[hudi-flink-bundle_2.11-0.9.0.jar:0.9.0]
  at io.javalin.core.util.JettyServerUtil$initialize$httpHandler$1.doHandle(JettyServerUtil.kt:72) ~[hudi-flink-bundle_2.11-0.9.0.jar:0.9.0]
  at org.apache.hudi.org.apache.jetty.server.handler.ScopedHandler.nextScope(ScopedHandler.java:203) ~[hudi-flink-bundle_2.11-0.9.0.jar:0.9.0]
  错误原因：像这类NoSuchMethodError的错误，一般都是类冲突导致，同一个类依赖了多个版本，运行的时类加载器没有找到这个类的方法导致的。 定位到ServletRequestWrapper这个类冲突，把相关的类移除就可以了。
• [4] FAILED: RuntimeException java.lang.ClassNotFoundException: org.apache.hudi.hadoop.realtime.HoodieParquetRealtimeInputFormat (state=42000,code=40000)。在hive集群里面执行如下命令：

  add jar hdfs://hadoop0:9000/jar/hudi-hadoop-mr-bundle-0.9.0.jar;
  

  这里只列出了印象较深刻的一些问题。。。

四、参考资料

• [1] https://hudi.apache.org/docs/flink-quick-start-guide/
• [2] https://www.yuque.com/docs/share/01c98494-a980-414c-9c45-152023bf3c17?#
• [3] https://zhuanlan.zhihu.com/p/131210053
• [4] https://cloud.tencent.com/developer/article/1812134
• [5] https://blog.csdn.net/xxscj/article/details/115320772
• [6] https://blog.csdn.net/hjl18309163914/article/details/116057379?spm=1001.2014.3001.5501

最后用一句话结尾
世事洞明皆学问，人情练达即文章~~~