Seatunnel实战：hive_to_starrocks

一、前言

• SeaTunnel是一个分布式、高性能、可扩展的数据同步工具，它支持多种数据源之间的数据同步，包括Hive和StarRocks。可以使用SeaTunnel的Hive源连接器从Hive读取外部数据源数据，然后使用StarRocks接收器连接器将数据发送到StarRocks。

• 通过StarRocks读取外部数据源数据。StarRocks源连接器的内部实现是从前端（FE）获得查询计划，将查询计划作为参数传递给BE节点，然后从BE节点获得数据结果。

名称	版本
StarRocks	2.4.2
SeaTunnel	2.3.1
Spark	3.2.1
Flink	1.16.1

二、安装SeaTunnel

1. 安装并设置Java（Java 8 或 11，其他高于 Java 8 的版本理论上也可以使用）JAVA_HOME。
2. 进入seatunnel下载页面，下载最新版本的distribute packageseatunnel--bin.tar.gz，或者可以通过终端下载（下载很慢，这边已上传至云盘，可以直接自取）

export version="2.3.1"

wget "https://archive.apache.org/dist/incubator/seatunnel/${version}/apache-seatunnel-incubating-${version}-bin.tar.gz"
tar -xzvf "apache-seatunnel-incubating-${version}-bin.tar.gz"

链接：https://pan.baidu.com/s/1nT0BgUutW66cyiu2C_jqIg
提取码：acdy

3. 安装连接器

• 从2.2.0-beta开始，二进制包默认不提供connector依赖，所以第一次使用时，我们需要执行如下命令安装connector：（当然也可以手动下载connector从（Apache Maven Repository下载，然后手动移动到connectors目录下的seatunnel子目录）。
• 指定connector的版本，执行

/bin/bash /app/apache-seatunnel-incubating-2.3.1/bin/install-plugin.sh 2.3.1

4. 安装完检查connectors目录文件

5. 配置 SeaTunnel，更改设置config/seatunnel-env.sh

• 自行选择合适的spark（要求版本>=2.4.0）、flink 版本（要求版本>=1.12.0）

vim /app/apache-seatunnel-incubating-2.3.1/config/seatunnel-env.sh 

6. 运行SeaTunnel，查看是否部署安装成功

-- 本地模式
/app/apache-seatunnel-incubating-2.3.1/bin/start-seatunnel-spark-3-connector-v2.sh \
-m local[*] \
-e client \
-c /app/apache-seatunnel-incubating-2.3.1/config/seatunnel.streaming.conf.template 

-- 集群模式
/app/apache-seatunnel-incubating-2.3.1/bin/start-seatunnel-spark-3-connector-v2.sh \
-m yarn \
-e client \
-c /app/apache-seatunnel-incubating-2.3.1/config/seatunnel.streaming.conf.template 

7. SeaTunnel 控制台会打印一些日志如下

三、配置Seatunnel config

1、Hive source

• 配置 Hive源，您需要在SeaTunnel作业配置文件中指定Hive的连接信息，包括metastore_uri、table_name。更多seatunnel source hive 例如：

 source {
 
  Hive {
    #parallelism = 6 
    table_name = "mid.ads_test_hive_starrocks_ds"
    metastore_uri = "thrift://192.168.10.200:9083"
    result_table_name = "hive_starrocks_ds"
  }
   
}

2、Seatunnel Transform

• Transform 是指在数据迁移过程中对数据进行转换的过程。它支持多种转换插件，包括Json、NullRate、Nulltf、Replace、Split、Sql、udf和UUID等，Transform插件具有一些通用参数，可以在SeaTunnel作业配置文件中指定这些参数来控制数据转换的行为。更多seatunnel Transform 例如：

transform {
    Filter {
      source_table_name = "fake"
      fields = [name]
      result_table_name = "fake_name"
    }
    Filter {
      source_table_name = "fake"
      fields = [age]
      result_table_name = "fake_age"
    }
}

3、StarRocks sink

• 配置 StarRocks接收器，您需要在SeaTunnel作业配置文件中指定StarRocks的连接信息，包括JDBC URL、用户名和密码。更多seatunnel sink starrocks 例如：

sink {
        starrocks {
                nodeUrls = ["192.168.10.10:8030","192.168.10.11:8030","192.168.10.12:8030"]
                base-url = "jdbc:mysql://192.168.10.10:9030/"
                username = root
                password = "xxxxxxxxx"
                database = "example_db"
                table = "ads_test_hive_starrocks_ds"
                batch_max_rows = 500000
                batch_max_bytes = 104857600
                batch_interval_ms = 30000
                starrocks.config = {
                format = "CSV"
                column_separator = "\\x01"
                row_delimiter = "\\x02"
                }
        }
}

四、Run SeaTunnel hive_to_starrocks

cat /app/apache-seatunnel-incubating-2.3.1/config/hive_to_sr2.conf

env {
        spark.app.name = "apache-seatunnel-2.3.1_hive_to_sr"
        spark.yarn.queue = "root.default"
        spark.executor.instances = 2
        spark.executor.cores = 4
        spark.driver.memory = "3g"
        spark.executor.memory = "4g"
        spark.ui.port = 1300
        spark.sql.catalogImplementation = "hive"
        spark.hadoop.hive.exec.dynamic.partition = "true"
        spark.hadoop.hive.exec.dynamic.partition.mode = "nonstrict"
        spark.network.timeout = "1200s"
        spark.sql.sources.partitionOverwriteMode = "dynamic"
        spark.yarn.executor.memoryOverhead = 800m
        spark.kryoserializer.buffer.max = 512m
        spark.task.maxFailures=0
        spark.executor.extraJavaOptions = "-Dfile.encoding=UTF-8"
        spark.driver.extraJavaOptions = "-Dfile.encoding=UTF-8"
        job.name = "apache-seatunnel-2.3.1_hive_to_sr"
}

source {

  Hive {
    #parallelism = 6 
    table_name = "mid.ads_test_hive_starrocks_ds"
    metastore_uri = "thrift://192.168.10.200:9083"
    result_table_name = "hive_starrocks_ds_t1"
  }
  
}

transform {
 sql {
      query  ="select xxx,xxx,xxx,xxx from hive_starrocks_ds_t1  where period_sdate >= '2022-10-31'"
      source_table_name = "hive_starrocks_ds_t1"
      result_table_name = "hive_starrocks_ds_t2"
 }
}

sink {
        starrocks {
                nodeUrls = ["192.168.10.10:8030","192.168.10.11:8030","192.168.10.12:8030"]
                base-url = "jdbc:mysql://192.168.10.10:9030/"
                username = root
                password = "xxxxxxxxx"
                database = "example_db"
                table = "ads_test_hive_starrocks_ds"
                batch_max_rows = 500000
                batch_max_bytes = 104857600
                batch_interval_ms = 30000
                starrocks.config = {
                format = "CSV"
                column_separator = "\\x01"
                row_delimiter = "\\x02"
                }
        }
}

• spark3.x.x

sudo -u hive /app/apache-seatunnel-incubating-2.3.1/bin/start-seatunnel-spark-3-connector-v2.sh \
-m yarn \
-e client \
-c /app/apache-seatunnel-incubating-2.3.1/config/hive_to_sr2.conf 

• spark2.x.x

sudo -u hive /app/apache-seatunnel-incubating-2.3.1/bin/start-seatunnel-spark-2-connector-v2.sh \
-m yarn \
-e client \
-c /app/apache-seatunnel-incubating-2.3.1/config/hive_to_sr2.conf 

五、总结

1、问题总结

• A. 中文乱码问题

设置环境变量来解决中文乱码问题。可以在env中添加以下参数，这将设置Java虚拟机的编码格式为UTF-8，以便正确处理中文字符。

spark.executor.extraJavaOptions = "-Dfile.encoding=UTF-8"
spark.driver.extraJavaOptions = "-Dfile.encoding=UTF-8"

• B. 内存限制而被YARN杀死

Spark 程序在 YARN 集群上运行时，由于超出了内存限制而丢失了一个执行器。考虑增加 spark.yarn.executor.memoryOverhead 用于指定每个执行器保留的用于内部元数据、用户数据结构和其他堆外内存需求的堆外内存量。该参数的值将添加到执行器内存中，以确定每个执行器对 YARN 的完整内存请求。建议不要将此值设置得过高，因为这可能会导致过多的垃圾收集开销和性能降低。

spark.yarn.executor.memoryOverhead = 800M

• C. db 2153532 is 100 larger than limit 100?

错误信息表明您在尝试将数据刷新到 StarRocks 时遇到了问题。在 db 2153532 上运行的事务数为 100，超过了限制 100。可以尝试减少并发事务的数量，以减轻集群的压力。另外可以调整相关参数。

-- 修改事务数
ADMIN SHOW FRONTEND CONFIG ('max_running_txn_num_per_db' = '300')

-- 查看参数是否调整
ADMIN SHOW FRONTEND CONFIG LIKE '%max_running_txn_nu%';

• D. sink导入starrocks数据量不对

刚开始遇到这个问题挺纳闷，怀疑是Seatunnel设置的任务重试导致starrocks这边数据量变多，看到官方文档有设置重试参数为max_retries，将其设置为0，重跑还是有问题，明明在yarn上面提交的任务application是成功的。

后来查看spark ui看到有3个Failed Tasks之后才明白，原来是spark某几个tasks内存不足导致tasks失败重试，导致sink导入的数据量变多。

解决方案：
1、使用starrocks主键模型进行数据去重特性，保证数据唯一性的（目前官方最新版本2.3.1还不支持sink_starrocks exectly-once保障数据幂等性）

2、将spark参数重试机制设置为0，这样设置后，当任务执行失败时，Spark不再尝试重新执行该任务。

spark.task.maxFailures=0

3、要确定spark.task.maxFailures=0是否在Spark任务中生效，可以查看Spark任务的日志文件。当Spark任务失败时，应该可以在日志中找到类似于以下内容的行：

23/05/12 15:17:55 ERROR scheduler.TaskSetManager: Task 165 in stage 1.0 failed 0 times; aborting job

可以看出任务失败了一次，但是并没有重试，因为日志中的错误信息是Task 165 in stage 1.0 failed 0 times。这是因为将spark.task.maxFailures设置为0，表示任务失败后不进行重试。

2、使用总结

• 本篇文章带大家了解使用Seatunnel将Hive中的数据导入到StarRocks中，除此之外，Seatunnel还有很多种数据源可以支持，也有很多种导入方式，例如DataX 、CloudCanal 等
• 将数仓中跑完的Hive的相关表每天导入到StarRocks中，可以使用以下场景：
  1、不更新历史数据: 如果是分区表，我们增量导入到 StarRocks 中即可。非分区表全量导入。
  2、更新历史数据: 这种情况主要存在分区表中，往往会更改前几个月数据或者时间更久的数据，这种情况下，就不得不将该表重新同步一边，使StarRocks中的数据和hive中的数据保持一致。hive中表的元数据发生变化，和StarRocks中的表结构不一致: 这种情况下，就需要我们删除重新建表或者truncate历史分区，重新同步数据。