Flink-cdc写入hudi并使用hive和spark-sql查询(基于flink1.13.5和hudi0.10.0，flink-cdc2.1.1)

一、环境准备

flink1.13.5

flink-cdc 2.1.1

hudi-0.10.0

spark-3.1.2、hadoop-2.6.5、hive-1.1.0(cdh5.16版本)

jar包:

hudi-spark3-bundle_2.12-0.10.0.jar

hudi-flink-bundle_2.11-0.10.0.jar

flink-sql-connector-mysql-cdc-2.1.1.jar

二、flink-cdc写入hudi

1、mysql建表语句

create table users
(
    id bigint auto_increment primary key,
    name varchar(20) null,
    birthday timestamp default CURRENT_TIMESTAMP not null,
    ts timestamp default CURRENT_TIMESTAMP not null
);

可以通过代码造数据到MySQL

造数程序如下

/**
 * @author yt
 * @Title:
 * @Package
 * @Description:
 * @date 2021/12/26  11:49
 */
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.util.Random;
​
public class RandomData {
    private String url = "jdbc:mysql://localhost:3306/test?useUnicode=true&characterEncoding=utf-8&relaxAutoCommit=true&zeroDateTimeBehavior=convertToNull&allowMultiQueries=true";
    private String user = "root";
    private String password = "123456";
​
    public void Test(){
        Connection conn = null;
        PreparedStatement pstm = null;
        ResultSet rt = null;
        try{
            Class.forName("com.mysql.jdbc.Driver");
            conn = DriverManager.getConnection(url,user,password);
            String sql = "INSERT INTO users(name) VALUES(?)";
            pstm = conn.prepareStatement(sql);
​
            conn.setAutoCommit(false);
            Long startTime = System.currentTimeMillis();
​
            for (int n = 1;n <= 1000;n++){
                Random  rand = new Random();
​
                for (int i = 1;i <=100;i++){
                    int upCase = rand.nextInt(26)+65;//得到65-90的随机数
                    int downCase = rand.nextInt(26)+97;//得到97-122的随机数
                    String up = String .valueOf((char)upCase);//得到A-Z
                    String down = String .valueOf((char)downCase);//得到a-z
                    pstm.setString(1,getRandomChar() + up+down);
​
                    pstm.addBatch();
                }
                pstm.executeBatch();
                conn.commit();
                Thread.sleep(3000);
                System.out.println("已经存入"+n*100+"条");
            }
​
            Long endTime = System.currentTimeMillis();
            System.out.println("用时"+(endTime-startTime));
​
        } catch(Exception e){
            e.printStackTrace();
            throw new RuntimeException(e);
        } finally{
            if(pstm != null){
                try{
                    pstm.close();
                } catch(SQLException e){
                    e.printStackTrace();
                    throw new RuntimeException(e);
                }
            }
            if(conn != null){
                try{conn.close();
                } catch(SQLException e){
                    e.printStackTrace();
                    throw new RuntimeException(e);
                }
            }
        }
    }
    public static void main(String[] args) {
        RandomData u = new RandomData();
        u.Test();
    }
    public static char getRandomChar() {
        return (char) (0x4e00 + (int) (Math.random() * (0x9fa5 - 0x4e00 + 1)));
    }
​
}

2、启动flink-sql客户端

我们采用集群方式提交任务

1.首先复制hudi-flink-bundle_2.11-0.10.0.jar和flink-sql-connector-mysql-cdc-2.1.1.jar到flink的lib目录下

2.进入flink目录执行

./bin/yarn-session.sh -s 4  -nm cool -d

提交一个flink yarn-session任务到yarn

3.启动flink-sql客户端

启动flinksql客户端连接刚才提交的flink任务上

./bin/sql-client.sh embedded -s yarn-session

3、创建 mysql-cdc

在flinksql客户端命令行窗口首先设置checkpoint周期(如果没有设置则不会生成hudi文件)

set execution.checkpointing.interval=300000;

设置5分钟，可以更短，按照自己需求

##创建source表从MySQL读取cdc数据
CREATE TABLE mysql_users (
                             id BIGINT PRIMARY KEY NOT ENFORCED ,
                             name STRING,
                             birthday TIMESTAMP(3),
                             ts TIMESTAMP(3)
) WITH (
      'connector' = 'mysql-cdc',
      'hostname' = 'localhost',
      'port' = '3306',
      'username' = 'root',
      'password' = '123456',
      'server-time-zone' = 'Asia/Shanghai',
      'database-name' = 'test',
      'table-name' = 'users'
      );

4、创建hudi表

CREATE TABLE hudi_users2
(
    id BIGINT PRIMARY KEY NOT ENFORCED,
    name STRING,
    birthday TIMESTAMP(3),
    ts TIMESTAMP(3),
    `partition` VARCHAR(20)
) PARTITIONED BY (`partition`) WITH (
    'connector' = 'hudi',
    'table.type' = 'MERGE_ON_READ',
    'path' = 'hdfs://beh/hudi/hudi_users2',
    'read.streaming.enabled' = 'true',
    'read.streaming.check-interval' = '1' 
);

5、mysql-cdc 写入hudi

INSERT INTO hudi_users2 SELECT *, DATE_FORMAT(birthday, 'yyyyMMdd') FROM mysql_users;

会提交有一个flink任务

flink任务提交成功后，可以查看任务界面

同时可以查看hdfs界面里面hudi数据路径，当然这里要等flink 5次checkpoint之后才能查看到这些目录，一开始只有.hoodie一个文件夹

在mysql执行insert、update、detelet等操作，等hudi里面的文件compact成parquet文件后就可以用hive/spark-sql/presto(本文只做了hive和spark-sql的测试)来查询啦，这里有个点要提下：如过没有生成parquet文件，我们建的parquet表是查询不出数据的；

一段时间后查看目录产生了parquet文件

三、hive查询hudi的数据

1、cd $HIVE_HOME

2、mkdir auxlib

3、将hudi-hadoop-mr-bundle-0.10.0.jar拷贝过来

4、输入hive进入hive命令行

1、创建外部表

方式一：INPUTFORMAT是org.apache.hudi.hadoop.HoodieParquetInputFormat 这种方式只会查询出来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

CREATE EXTERNAL TABLE `hudi_users_2`(               
   `_hoodie_commit_time` string,                    
   `_hoodie_commit_seqno` string,                   
   `_hoodie_record_key` string,                     
   `_hoodie_partition_path` string,                 
   `_hoodie_file_name` string,                      
   `id` bigint,                                     
   `name` string,                                   
   `birthday` 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://beh/hudi/hudi_users2'; 

方式二：INPUTFORMAT是org.apache.hudi.hadoop.realtime.HoodieParquetRealtimeInputFormat // 这种方式是能够实时读出来写入的数据，也就是Merge On Write，会将基于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给用户。

CREATE EXTERNAL TABLE `hudi_users_2_mor`(               
   `_hoodie_commit_time` string,                    
   `_hoodie_commit_seqno` string,                   
   `_hoodie_record_key` string,                     
   `_hoodie_partition_path` string,                 
   `_hoodie_file_name` string,                      
   `id` bigint,                                     
   `name` string,                                   
   `birthday` 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://beh/hudi/hudi_users2'; 

2、 添加分区

// 添加分区
alter table hudi_users_2 add if not exists partition(`partition`='20211226') location 'hdfs://beh/hudi/hudi_users2/20211226';
​
alter table hudi_users_2_mor add if not exists partition(`partition`='20211226') location 'hdfs://beh/hudi/hudi_users2/20211226';

3、查询数据

// 查询分区的数据
select * from hudi_users_2 where `partition`='20211226' limit 2;
select * from hudi_users_2_mor where `partition`='20211226' limit 2;

因为是简单查询不会提交任务到yarn所以不用分发hudi-hadoop-mr-bundle-0.10.0.jar到每个节点

四、spark-sql查看分析hudi的表

将hudi-spark3-bundle_2.12-0.10.0.jar拷贝到$SPAKR_HOME/jars，每个节点都拷贝一份

本次演示使用spark3.1.2 使用本地模式，所以只需要将hudi-spark3-bundle_2.12-0.10.0.jar放在当前spark的jars目录即可（集群模式则则需要每个节点都有或者是spark配置了spark.yarn.jars 则保证hdfs对应目录存在即可）

进入spark目录

执行spark-sql（配置了环境变量）

执行SQL

select * from hudi_users_2 where `partition`='20211226' and id='2576' limit 2；

select * from hudi_users_2 where `partition`='20211226' and id='2567' limit 2;

你会发现同一条数据出现两次(id是唯一的)

其中第二次查询是mysql更新后的数据了；

spark-sql想读到实时的hudi数据，必须 set spark.sql.hive.convertMetastoreParquet=false;

更改配置(spark-default.conf文件)重新进入spark-sql命令行查询

此时查询显示正确。

设置回默认查询结果错误。对比可以看到

五、参考

flink-cdc写入hudi，使用hive或者spark-sql统计分析hudi的数据_大黄_sama-CSDN博客_flink写入hudi