Flink Hive Catalog操作案例

在此对Flink读写Hive表操作进行逐步记录，需要指出的是，其中操作Hive分区表和非分区表的DDL有所不同，以下分别记录。

基础环境

Hive-3.1.3
Flink-1.17.1

基本操作与准备

1、上传依赖jar包到flink/lib目录下

cp flink-sql-connector-hive-3.1.3_2.12-1.17.1.jar
cp mysql-connector-j-8.1.0.jar

2、更换planner依赖（Hive集成的推荐设置）

mv /usr/sft/flink-1.17.1/opt/flink-table-planner_2.12-1.17.1.jar /usr/sft/flink-1.17.1/lib/
mv /usr/sft/flink-1.17.1/lib/flink-table-planner-loader-1.17.1.jar /usr/sft/flink-1.17.1/opt/

3、启动Hive MetaStore

nohup hive --service metastore 2>&1 &

4、启动flink集群和sql-client

yarn-session.sh -d -nm flink-cluster
sql-client.sh embedded -s yarn-session

5、在flink sql-client中创建hive catalog

CREATE CATALOG hive WITH (
    'type' = 'hive',
    'default-database' = 'sty',
    'hive-conf-dir' = '/usr/sft/hive-3.1.3/conf'
);

非分区表读写

1、Hive中建表并插入数据

create table behavior(
username string,
behavior string
);
insert into behavior values('lisi','buy'),('zhangsan','read');

2、使用hive catalog

use catalog hive;

2、flink sql-client中执行数据插入与数据查询（和常规sql一致）

insert into behavior values('sisi','buy'),('tracy','read');
select *from behavior;

分区表读写

这里和非分区表有所不同，主要体现在建表层面，参考博客：https://www.jianshu.com/p/295066a24092

写入到hive分区表
streamEnv需要开启checkpoint，保证flink写入hive分区表的写入一致性
hive表ddl中需要指定以下TBLPROPERTIES：
sink.partition-commit.trigger：分区提交触发器，单选，可选值为partition-time、process-time(默认), 其中partition-time需要根据当前数据的watermark来判断分区是否需要提交，当watermark + delay大于等于分区上的时间时就会提交该分区元数据；process-time的话根据当前系统处理时间来判断分区是否需要提交，当系统处理时间大于等于分区上的时间就会提交该分区元数据
partition.time-extractor.timestamp-pattern：使用partition-time触发器时使用该配置项。表示从表字段中提取出表达某个分区的时间的格式，需要提取到的时间必须为yyyy-MM-dd HH:mm:ss的格式。比如字段dt的格式为yyyy-MM-dd，则配置为$dt 00:00:00则表示分区时间取值为dt的value的0点0分0秒，可以选择多个表字段组合。当表字段无法抽取出符合的格式时，则使用自定义提取器partition.time-extractor.class。
sink.partition-commit.delay: 表示watermark允许event time的最大乱序时间，使用partition-time触发器时可以使用，默认为0s
sink.partition-commit.policy.kind：分区提交方式，多选，可选值为metastore、success-file、custom，metastore表示写入元数据库，success-file表示往hdfs分区目录写入一个标志文件，custom表示使用自定义提交方式，通常使用metastore,success-file组合
partition.time-extractor.kind：当要使用自定义分区时间提取器时需要配置此项，值配置为custom
partition.time-extractor.class：当要使用自定义分区时间提取器时需要配置此项，值配置为自定义提取器的类路径。在集群中运行时，需要把该类打成jar包放到flink lib目录下。
某个分区触发提交后，后续再有此分区的数据进来，仍然会写入hive该分区。
作者：spongebobZ
链接：https://www.jianshu.com/p/295066a24092
来源：简书

1、hive创建分区表并插入数据

create table userinfo(
name string,
age int
)
partitioned by (dt string)
stored as orc
tblproperties(
    'sink.partition-commit.trigger' = 'partition-time',
    'sink.partition-commit.policy.kind'='metastore,success-file',
    'partition.time-extractor.timestamp-pattern' ='yyyy-MM-dd HH:mm:ss',
    'sink.partition-commit.delay' = '10'
);

insert into table userInfo partition(dt='2023-10-26') values('zhangsan',23);
insert into table userInfo partition(dt='2023-10-26') values('lisi',26),('wangwu',27);

注意：若建表时未在tblproperties中配置恰当的sink.partition-commit.policy.kind，flink sql-client插入数据时将遇到如下报错：

Could not execute SQL statement. Reason:
org.apache.flink.connectors.hive.FlinkHiveException: Streaming write to partitioned hive table `hive`.`sty`.`userInfo` without providing a commit policy. Make sure to set a proper value for sink.partition-commit.policy.kind

2、flink sql-client插入与查询数据

insert into  userinfo partition(dt='2023-10-24') values('tracy',26),('lily',27);
select *from userinfo;