Apache Hudi使用简介

Apache Hudi使用简介

[TOC]

数据实时处理和实时的数据

实时分为处理的实时和数据的实时

即席分析是要求对数据实时的处理,马上要得到对应的结果

Flink、Spark Streaming是用来对实时数据的实时处理,数据要求实时,处理也要迅速

数据不实时,处理也不及时的场景则是我们的数仓T+1数据

而本文探讨的Apache Hudi,对应的场景是数据的实时,而非处理的实时。它旨在将Mysql中的时候以近实时的方式映射到大数据平台,比如Hive中。

业务场景和技术选型

传统的离线数仓,通常数据是T+1的,不能满足对当日数据分析的需求

而流式计算一般是基于窗口,并且窗口逻辑相对比较固定。

而笔者所在的公司有一类特殊的需求,业务分析比较熟悉现有事务数据库的数据结构,并且希望有很多即席分析,这些分析包含当日比较实时的数据。惯常他们是基于Mysql从库,直接通过Sql做相应的分析计算。但很多时候会遇到如下障碍

  • 数据量较大、分析逻辑较为复杂时,Mysql从库耗时较长
  • 一些跨库的分析无法实现

因此,一些弥合在OLTP和OLAP之间的技术框架出现,典型有TiDB。它能同时支持OLTP和OLAP。而诸如Apache Hudi和Apache Kudu则相当于现有OLTP和OLAP技术的桥梁。他们能够以现有OLTP中的数据结构存储数据,支持CRUD,同时提供跟现有OLAP框架的整合(如Hive,Impala),以实现OLAP分析

Apache Kudu,需要单独部署集群。而Apache Hudi则不需要,它可以利用现有的大数据集群比如HDFS做数据文件存储,然后通过Hive做数据分析,相对来说更适合资源受限的环境

Apache hudi简介

使用Aapche Hudi整体思路

Hudi 提供了Hudi 表的概念,这些表支持CRUD操作。我们可以基于这个特点,将Mysql Binlog的数据重放至Hudi表,然后基于Hive对Hudi表进行查询分析。数据流向架构如下

Hudi表数据结构

Hudi表的数据文件,可以使用操作系统的文件系统存储,也可以使用HDFS这种分布式的文件系统存储。为了后续分析性能和数据的可靠性,一般使用HDFS进行存储。以HDFS存储来看,一个Hudi表的存储文件分为两类。

_partition_key

数据文件

Hudi真实的数据文件使用Parquet文件格式存储

.hoodie文件

Hudi把随着时间流逝,对表的一系列CRUD操作叫做Timeline。Timeline中某一次的操作,叫做Instant。Instant包含以下信息

  • Instant Action 记录本次操作是一次数据提交(COMMITS),还是文件合并(COMPACTION),或者是文件清理(CLEANS)
  • Instant Time 本次操作发生的时间
  • state 操作的状态,发起(REQUESTED),进行中(INFLIGHT),还是已完成(COMPLETED)

.hoodie文件夹中存放对应操作的状态记录

Hudi记录Id

hudi为了实现数据的CRUD,需要能够唯一标识一条记录。hudi将把数据集中的唯一字段(record key ) + 数据所在分区 (partitionPath) 联合起来当做数据的唯一键

COW和MOR

基于上述基础概念之上,Hudi提供了两类表格式COW和MOR。他们会在数据的写入和查询性能上有一些不同

Copy On Write Table

简称COW。顾名思义,他是在数据写入的时候,复制一份原来的拷贝,在其基础上添加新数据。正在读数据的请求,读取的是是近的完整副本,这类似Mysql 的MVCC的思想。

上图中,每一个颜色都包含了截至到其所在时间的所有数据。老的数据副本在超过一定的个数限制后,将被删除。这种类型的表,没有compact instant,因为写入时相当于已经compact了。

  • 优点 读取时,只读取对应分区的一个数据文件即可,较为高效
  • 缺点 数据写入的时候,需要复制一个先前的副本再在其基础上生成新的数据文件,这个过程比较耗时。且由于耗时,读请求读取到的数据相对就会滞后

Merge On Read Table

简称MOR。新插入的数据存储在delta log 中。定期再将delta log合并进行parquet数据文件。读取数据时,会将delta log跟老的数据文件做merge,得到完整的数据返回。当然,MOR表也可以像COW表一样,忽略delta log,只读取最近的完整数据文件。下图演示了MOR的两种数据读写方式

  • 优点 由于写入数据先写delta log,且delta log较小,所以写入成本较低
  • 缺点 需要定期合并整理compact,否则碎片文件较多。读取性能较差,因为需要将delta log 和 老数据文件合并

基于hudi的代码实现

我在github上放置了基于Hudi的封装 实现 ,对应的源码地址为 https://github.com/wanqiufeng…

binlog数据写入Hudi表

  • binlog-consumer分支使用Spark streaming消费kafka中的Binlog数据,并写入Hudi表。Kafka中的binlog是通过阿里的Canal工具同步拉取的。程序入口是CanalKafkaImport2Hudi,它提供了一系列参数,配置程序的执行行为
参数名 含义 是否必填 默认值
--base-save-path hudi表存放在HDFS的基础路径,比如hdfs://192.168.16.181:8020/hudi_data/
--mapping-mysql-db-name 指定处理的Mysql库名
--mapping-mysql-table-name 指定处理的Mysql表名
--store-table-name 指定Hudi的表名 默认会根据–mapping-mysql-db-name和–mapping-mysql-table-name自动生成。假设–mapping-mysql-db-name 为crm,–mapping-mysql-table-name为order。那么最终的hudi表名为crm__order
--real-save-path 指定hudi表最终存储的hdfs路径 默认根据–base-save-path和–store-table-name自动生成,生成格式为’–base-save-path’+’/’+’–store-table-name’ ,推荐默认
--primary-key 指定同步的mysql表中能唯一标识记录的字段名 默认id
--partition-key 指定mysql表中可以用于分区的时间字段,字段必须是timestamp 或dateime类型
--precombine-key 最终用于配置hudi的 hoodie.datasource.write.precombine.field 默认id
--kafka-server 指定Kafka 集群地址
--kafka-topic 指定消费kafka的队列
--kafka-group 指定消费kafka的group 默认在存储表名前加’hudi’前缀,比如’hudi_crm__order’
--duration-seconds 由于本程序使用Spark streaming开发,这里指定Spark streaming微批的时长 默认10秒

一个使用的demo如下

/data/opt/spark-2.4.4-bin-hadoop2.6/bin/spark-submit --class com.niceshot.hudi.CanalKafkaImport2Hudi \
--name hudi__goods \
--master yarn \
--deploy-mode cluster \
--driver-memory 512m \
--executor-memory 512m \
--executor-cores 1 \
--num-executors 1 \
--queue hudi \
--conf spark.executor.memoryOverhead=2048 \
--conf "spark.executor.extraJavaOptions=-XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=\tmp\hudi-debug" \
--conf spark.core.connection.ack.wait.timeout=300 \
--conf spark.locality.wait=100 \
--conf spark.streaming.backpressure.enabled=true \
--conf spark.streaming.receiver.maxRate=500 \
--conf spark.streaming.kafka.maxRatePerPartition=200 \
--conf spark.ui.retainedJobs=10 \
--conf spark.ui.retainedStages=10 \
--conf spark.ui.retainedTasks=10 \
--conf spark.worker.ui.retainedExecutors=10 \
--conf spark.worker.ui.retainedDrivers=10 \
--conf spark.sql.ui.retainedExecutions=10 \
--conf spark.yarn.submit.waitAppCompletion=false \
--conf spark.yarn.maxAppAttempts=4 \
--conf spark.yarn.am.attemptFailuresValidityInterval=1h \
--conf spark.yarn.max.executor.failures=20 \
--conf spark.yarn.executor.failuresValidityInterval=1h \
--conf spark.task.maxFailures=8 \
/data/opt/spark-applications/hudi_canal_consumer/hudi-canal-import-1.0-SNAPSHOT-jar-with-dependencies.jar  --kafka-server local:9092 --kafka-topic dt_streaming_canal_xxx --base-save-path hdfs://192.168.2.1:8020/hudi_table/ --mapping-mysql-db-name crm --mapping-mysql-table-name order --primary-key id --partition-key createDate --duration-seconds 1200

历史数据同步以及表元数据同步至hive

history_import_and_meta_sync 分支提供了将历史数据同步至hudi表,以及将hudi表数据结构同步至hive meta的操作

同步历史数据至hudi表

这里采用的思路是

  • 将mysql全量数据通过注入sqoop等工具,导入到hive表。
  • 然后采用分支代码中的工具HiveImport2HudiConfig,将数据导入Hudi表

HiveImport2HudiConfig提供了如下一些参数,用于配置程序执行行为

参数名 含义 是否必填 默认值
--base-save-path hudi表存放在HDFS的基础路径,比如hdfs://192.168.16.181:8020/hudi_data/
--mapping-mysql-db-name 指定处理的Mysql库名
--mapping-mysql-table-name 指定处理的Mysql表名
--store-table-name 指定Hudi的表名 默认会根据–mapping-mysql-db-name和–mapping-mysql-table-name自动生成。假设–mapping-mysql-db-name 为crm,–mapping-mysql-table-name为order。那么最终的hudi表名为crm__order
--real-save-path 指定hudi表最终存储的hdfs路径 默认根据–base-save-path和–store-table-name自动生成,生成格式为’–base-save-path’+’/’+’–store-table-name’ ,推荐默认
--primary-key 指定同步的hive历史表中能唯一标识记录的字段名 默认id
--partition-key 指定hive历史表中可以用于分区的时间字段,字段必须是timestamp 或dateime类型
--precombine-key 最终用于配置hudi的 hoodie.datasource.write.precombine.field 默认id
--sync-hive-db-name 全量历史数据所在hive的库名
--sync-hive-table-name 全量历史数据所在hive的表名
--hive-base-path hive的所有数据文件存放地址,需要参看具体的hive配置 /user/hive/warehouse
--hive-site-path hive-site.xml配置文件所在的地址
--tmp-data-path 程序执行过程中临时文件存放路径。一般默认路径是/tmp。有可能出现/tmp所在磁盘太小,而导致历史程序执行失败的情况。当出现该情况时,可以通过该参数自定义执行路径 默认操作系统临时目录

一个程序执行demo

nohup java -jar hudi-learn-1.0-SNAPSHOT.jar --sync-hive-db-name hudi_temp --sync-hive-table-name crm__wx_user_info --base-save-path hdfs://192.168.2.2:8020/hudi_table/ --mapping-mysql-db-name crm --mapping-mysql-table-name "order" --primary-key "id" --partition-key created_date --hive-site-path /etc/lib/hive/conf/hive-site.xml --tmp-data-path /data/tmp > order.log &

同步hudi表结构至hive meta

需要将hudi的数据结构和分区,以hive外表的形式同步至Hive meta,才能是Hive感知到hudi数据,并通过sql进行查询分析。Hudi本身在消费Binlog进行存储时,可以顺带将相关表元数据信息同步至hive。但考虑到每条写入Apache Hudi表的数据,都要读写Hive Meta ,对Hive的性能可能影响很大。所以我单独开发了HiveMetaSyncConfig工具,用于同步hudi表元数据至Hive。考虑到目前程序只支持按天分区,所以同步工具可以一天执行一次即可。参数配置如下

参数名 含义 是否必填 默认值
--hive-db-name 指定hudi表同步至哪个hive数据库
--hive-table-name 指定hudi表同步至哪个hive表
--hive-jdbc-url 指定hive meta的jdbc链接地址,例如jdbc:hive2://192.168.16.181:10000
--hive-user-name 指定hive meta的链接用户名 默认hive
--hive-pwd 指定hive meta的链接密码 默认hive
--hudi-table-path 指定hudi表所在hdfs的文件路径
--hive-site-path 指定hive的hive-site.xml路径

一个程序执行demo

java -jar hudi-learn-1.0-SNAPSHOT.jar --hive-db-name streaming --hive-table-name crm__order --hive-user-name hive --hive-pwd hive --hive-jdbc-url jdbc:hive2://192.168.16.181:10000 --hudi-table-path hdfs://192.168.16.181:8020/hudi_table/crm__order --hive-site-path /lib/hive/conf/hive-site.xml

一些踩坑

hive相关配置

有些hive集群的hive.input.format配置,默认是org.apache.hadoop.hive.ql.io.CombineHiveInputFormat,这会导致挂载Hudi数据的Hive外表读取到所有Hudi的Parquet数据,从而导致最终的读取结果重复。需要将hive的format改为 org.apache.hadoop.hive.ql.io.HiveInputFormat ,为了避免在整个集群层面上更改对其余离线Hive Sql造成不必要的影响,建议只对当前hive session设置 set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;

spark streaming的一些调优

由于binlog写入Hudi表的是基于Spark streaming实现的,这里给出了一些spark 和spark streaming层面的配置,它能使整个程序工作更稳定

| 配置| 含义|

| :——– | ——–:|

| spark.streaming.backpressure.enabled=true| 启动背压,该配置能使Spark Streaming消费速率,基于上一次的消费情况,进行调整,避免程序崩溃|

| spark.ui.retainedJobs=10

spark.ui.retainedStages=10

spark.ui.retainedTasks=10

spark.worker.ui.retainedExecutors=10

spark.worker.ui.retainedDrivers=10

spark.sql.ui.retainedExecutions=10 | 默认情况下,spark 会在driver中存储一些spark 程序执行过程中各stage和task的历史信息,当driver内存过小时,可能使driver崩溃,通过上述参数,调节这些历史数据存储的条数,从而减小对内层使用|

|spark.yarn.maxAppAttempts=4|配置当driver崩溃后,尝试重启的次数|

|spark.yarn.am.attemptFailuresValidityInterval=1h|假若driver执行一周才崩溃一次,那我们更希望每次都能重启,而上述配置在累计到重启4次后,driver就再也不会被重启,该配置则用于重置maxAppAttempts的时间间隔|

|spark.yarn.max.executor.failures=20|executor执行也可能失败,失败后集群会自动分配新的executor, 该配置用于配置允许executor失败的次数,超过次数后程序会报(reason: Max number of executor failures (400) reached),并退出|

|spark.yarn.executor.failuresValidityInterval=1h|指定executor失败重分配次数重置的时间间隔|

|spark.task.maxFailures=8|允许任务执行失败的次数|

未来改进

  • 支持无分区,或非日期分区表。目前只支持日期分区表
  • 多数据类型支持,目前为了程序的稳定性,会将Mysql中的字段全部以String类型存储至Hudi

参考资料

https://hudi.apache.org/

欢迎关注我的个人公众号”西北偏北UP”,记录代码人生,行业思考,科技评论

SegmentFault博客
我还没有学会写个人说明!
上一篇

蚂蚁集团回应金融管理部门约谈:将成立整改工作组 全面落实约谈要求

下一篇

高玩发明经典诡异阶梯3D版《视错觉大赛》优秀作品欣赏

你也可能喜欢

评论已经被关闭。

插入图片