1. 首页
  2. 文章中心
  3. Flink

Flink SQL增量查询Hudi表

50 阅读 0 评论
我是靠谱客的博主 隐形绿茶，最近开发中收集的这篇文章主要介绍Flink SQL增量查询Hudi表，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站：https://www.captainai.net/dongkelun

前言

前面总结了Spark SQL增量查询Hudi表和Hive增量查询Hudi表。最近项目上也有Flink SQL增量查询Hudi表的需求，正好学习总结一下。

官网文档

地址：https://hudi.apache.org/cn/docs/querying_data#incremental-query

参数

  • read.start-commit 增量查询开始时间 对于流读，如果不指定该值，默认取最新的instantTime，也就是流读默认从最新的instantTime开始读(包含最新的)。对于批读，如果不指定该参数，只指定read.end-commit，则实现时间旅行的功能，可查询历史记录
  • read.end-commit 增量查询结束时间 不指定该参数则默认读取到最新的记录，该参数一般只适用于批读，因为流读一般的需求是查询所有的增量数据
  • read.streaming.enabled 是否流读 默认false
  • read.streaming.check-interval 流读的检查时间间隔，单位秒（s）,默认值60，也就是一分钟
    查询范围 [BEGIN_INSTANTTIME,END_INSTANTTIME]，既包含开始时间又包含结束时间，对于默认值可参考上面的参数说明

版本

建表造数：

  • Hudi 0.9.0
  • Spark 2.4.5

我这里建表造数使用Hudi Spark SQL 0.9.0,目的是为了模拟项目上用Java Client和Spark SQL创建的Hudi表，以验证Hudi Flink SQL增量查询时是否兼容旧版本的Hudi表（大家没有这种需求的，可以使用任何方式正常造数）

查询

  • Hudi 0.13.0-SNAPSHOT
  • Flink 1.14.3 （增量查询）
  • Spark 3.1.2 （主要是为了使用Call Procedures命令查看commit信息）

建表造数

-- Spark SQL Hudi 0.9.0
create table hudi.test_flink_incremental (
id int,
name string,
price double,
ts long,
dt string
) using hudi
partitioned by (dt)
options (
primaryKey = 'id',
preCombineField = 'ts',
type = 'cow'
);
insert into hudi.test_flink_incremental values (1,'a1', 10, 1000, '2022-11-25');
insert into hudi.test_flink_incremental values (2,'a2', 20, 2000, '2022-11-25');
update hudi.test_flink_incremental set name='hudi2_update' where id = 2;
insert into hudi.test_flink_incremental values (3,'a3', 30, 3000, '2022-11-26');
insert into hudi.test_flink_incremental values (4,'a4', 40, 4000, '2022-12-26');

用show_commits看一下有哪些commits（这里查询用的是Hudi的master，因为show_commits是在0.11.0版本开始支持的，也可以通过使用hadoop命令查看.hoodie文件夹下的.commit文件）

call show_commits(table => 'hudi.test_flink_incremental');

20221205152736
20221205152723
20221205152712
20221205152702
20221205152650

Flink SQL创建Hudi内存表

CREATE TABLE test_flink_incremental (
id int PRIMARY KEY NOT ENFORCED,
name VARCHAR(10),
price double,
ts bigint,
dt VARCHAR(10)
)
PARTITIONED BY (dt)
WITH (
'connector' = 'hudi',
'path' = 'hdfs://cluster1/warehouse/tablespace/managed/hive/hudi.db/test_flink_incremental'
);

建表时不指定增量查询相关的参数，我们在查询时动态指定，这样比较灵活。
动态指定参数方法，在查询语句后面加上如下形式的语句

/*+
options(
'read.start-commit' = '20221205152723',
'read.end-commit'='20221205152736'
)
*/

批读

Flink SQL读Hudi有两种模式：批读和流读。默认批读，先看一下批读的增量查询

验证是否包含起始时间和默认结束时间

select * from test_flink_incremental
/*+
options(
'read.start-commit' = '20221205152723' --起始时间对应id=3的记录
)
*/

结果包含起始时间，不指定结束时间默认读到最新的数据

id
name
price
ts
dt
4
a4
40.0
4000
dt=2022-12-26
3
a3
30.0
3000
dt=2022-11-26

验证是否包含结束时间

select * from test_flink_incremental
/*+
options(
'read.start-commit' = '20221205152712',
--起始时间对应id=2的记录
'read.end-commit'='20221205152723'
--结束时间对应id=3的记录
)
*/

结果包含结束时间

id
name
price
ts
dt
3
a3
30.0
3000
dt=2022-11-26
2
hudi2_update
20.0
2000
dt=2022-11-25

验证默认开始时间

这种情况是指定结束时间，但不指定开始时间，如果都不指定，则读表所有的最新版本的记录。

select * from test_flink_incremental
/*+
options(
'read.end-commit'='20221205152712'
--结束时间对应id=2的更新记录
)
*/

结果：只查询end-commit对应的记录

id
name
price
ts
dt
2
hudi2_update
20.0
2000
dt=2022-11-25

时间旅行（查询历史记录）

验证是否可以查询历史记录，我们更新id为2的name，更新前name为a2，更新后为hudi2_update,我们验证一下，是否可以通过Flink SQL查询Hudi历史记录,逾期结果查出id=2，name=a2

select * from test_flink_incremental
/*+
options(
'read.end-commit'='20221205152702'
--结束时间对应id=2的历史记录
)
*/

结果：可以正确查询历史记录

id
name
price
ts
dt
2
a2
20.0
2000
dt=2022-11-25

流读

开启流读的参数：

read.streaming.enabled = true

流读不需要设置结束时间，因为一般的需求是读所有的增量数据，我们只需要验证开始时间就好了

验证默认开始时间

select * from test_flink_incremental
/*+
options(
'read.streaming.enabled'='true',
'read.streaming.check-interval' = '4'
)
*/

结果：从最新的instantTime开始增量读取，也就是默认的read.start-commit为最新的instantTime

id
name
price
ts
dt
4
a4
40.0
4000
dt=2022-12-26

验证指定开始时间

select * from test_flink_incremental
/*+
options(
'read.streaming.enabled'='true',
'read.streaming.check-interval' = '4',
'read.start-commit' = '20221205152712'
)
*/

结果：

id
name
price
ts
dt
2
hudi2_update
20.0
2000
dt=2022-11-25
3
a3
30.0
3000
dt=2022-11-26
4
a4
40.0
4000
dt=2022-11-26

如果想第一次查询全部的历史数据，可以将start-commit设置的早一点，比如设置到去年：‘read.start-commit’ = ‘20211205152712’

select * from test_flink_incremental
/*+
options(
'read.streaming.enabled'='true',
'read.streaming.check-interval' = '4',
'read.start-commit' = '20211205152712'
)
*/

id
name
price
ts
dt
1
a1
10.0
1000
dt=2022-11-25
2
hudi2_update
20.0
2000
dt=2022-11-25
3
a3
30.0
3000
dt=2022-11-26
4
a4
40.0
4000
dt=2022-11-26

验证流读的连续性

验证新的增量数据进来，是否可以持续消费Hudi增量数据，验证数据的准确一致性，为了方便验证，我可以使用Flink SQL增量流读Hudi表然后Sink到MySQL表中，最后通过读取MySQL表中的数据验证数据的准确性

Flink SQL读写MySQL需要配置jar包，将flink-connector-jdbc_2.12-1.14.3.jar放到lib下即可,下载地址：https://repo1.maven.org/maven2/org/apache/flink/flink-connector-jdbc_2.12/1.14.3/flink-connector-jdbc_2.12-1.14.3.jar

先在MySQL中创建一张Sink表

-- MySQL
CREATE TABLE `test_sink` (
`id` int(11),
`name` text DEFAULT NULL,
`price` int(11),
`ts` int(11),
`dt`
text DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

Flink中创建对应的sink表

create table test_sink (
id int,
name string,
price double,
ts bigint,
dt string
) with (
'connector' = 'jdbc',
'url' = 'jdbc:mysql://192.468.44.128:3306/hudi?useSSL=false&useUnicode=true&characterEncoding=UTF-8&characterSetResults=UTF-8',
'username' = 'root',
'password' = 'root-123',
'table-name' = 'test_sink',
'sink.buffer-flush.max-rows' = '1'
);

然后流式增量读取Hudi表Sink Mysql

insert into test_sink
select * from test_flink_incremental
/*+
options(
'read.streaming.enabled'='true',
'read.streaming.check-interval' = '4',
'read.start-commit' = '20221205152712'
)
*/

这样会起一个长任务，一直处于running状态，我们可以在yarn-session界面上验证这一点

然后先在MySQL中验证一下历史数据的准确性

再利用Spark SQL往source表插入两条数据

-- Spark SQL
insert into hudi.test_flink_incremental values (5,'a5', 50, 5000, '2022-12-07');
insert into hudi.test_flink_incremental values (6,'a6', 60, 6000, '2022-12-07');

我们增量读取的间隔设置的4s，成功插入数据等待4s后，再在MySQL表中验证一下数据

发现新增的数据已经成功Sink到MySQL中了，并且数据没有重复

最后验证一下更新的增量数据，Spark SQL更新Hudi source表

-- Spark SQL
update hudi.test_flink_incremental set name='hudi5_update' where id = 5;

继续验证结果

结果是更新的增量数据也会insert到MySQL中的sink表，但是不会更新原来的数据

那如果想实现更新的效果呢？我们需要在MySQL和Flink的sink表中加上主键字段，两者缺一不可，如下：

-- MySQL
CREATE TABLE `test_sink` (
`id` int(11),
`name` text DEFAULT NULL,
`price` int(11),
`ts` int(11),
`dt`
text DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

-- Flink SQL
create table test_sink (
id int PRIMARY KEY NOT ENFORCED,
name string,
price double,
ts bigint,
dt string
) with (
'connector' = 'jdbc',
'url' = 'jdbc:mysql://192.468.44.128:3306/hudi?useSSL=false&useUnicode=true&characterEncoding=UTF-8&characterSetResults=UTF-8',
'username' = 'root',
'password' = 'root-123',
'table-name' = 'test_sink',
'sink.buffer-flush.max-rows' = '1'
);

将刚才起的长任务关掉，重新执行刚才的insert语句，先跑一下历史数据，最后再验证一下增量效果

-- Spark SQL
update hudi.test_flink_incremental set name='hudi6_update' where id = 6;
insert into hudi.test_flink_incremental values (7,'a7', 70, 7000, '2022-12-07');

可以看到，达到了预期效果，对于id=6的执行更新操作，对于id=7的执行插入操作。

相关阅读

  • Apache Hudi 入门学习总结
  • Flink SQL 客户端查询Hive配置及问题解决
  • Flink SQL操作Hudi并同步Hive使用总结
  • Flink SQL通过Hudi HMS Catalog读写Hudi并同步Hive表（强烈推荐这种方式）
  • Hudi Spark SQL总结
  • Spark SQL增量查询Hudi表
  • Hudi Spark SQL Call Procedures学习总结（一）（查询统计表文件信息）
  • Hive增量查询Hudi表

最后

以上就是隐形绿茶为你收集整理的Flink SQL增量查询Hudi表的全部内容，希望文章能够帮你解决Flink SQL增量查询Hudi表所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
点赞(33)

相关文章

合格标准会变吗？2021年上半年软考合格标准公布时间
合格标准会变吗？2021年上半年软考合格标准公布时间
创业者的十诫：十个不选择创新工场的理由
创业者的十诫：十个不选择创新工场的理由
学生考软考合适吗
学生考软考合适吗
TL管理十诫《管理十诫》是一本不错的书，可口可乐公司总裁基奥写的一本经典书，该书11条戒律的指引，使无数家公司经营业绩一飞冲天，连惜墨如金的比尔·盖茨都亲自推荐此书，巴菲特更是不吝溢美之词，亲笔作序并极力推荐。其中序言里巴菲特说，基奥是他的伴侣，我特意去查了一下基奥是男的，还以为他们有基情呢，原来是好朋友的意思。
TL管理十诫《管理十诫》是一本不错的书，可口可乐公司总裁基奥写的一本经典书，该书11条戒律的指引，使无数家公司经营业绩一飞冲天，连惜墨如金的比尔·盖茨都亲自推荐此书，巴菲特更是不吝溢美之词，亲笔作序并极力推荐。其中序言里巴菲特说，基奥是他的伴侣，我特意去查了一下基奥是男的，还以为他们有基情呢，原来是好朋友的意思。
Flink SQL增量查询Hudi表
Flink SQL增量查询Hudi表
Flink通过抽取Mysql增量数据到Hbase，期间做新旧数据对比统计
Flink通过抽取Mysql增量数据到Hbase，期间做新旧数据对比统计
基于Canal与Flink实现数据实时增量同步(一)
基于Canal与Flink实现数据实时增量同步(一)
聊聊集体缺陷大扫除
聊聊集体缺陷大扫除

评论列表共有 0 条评论

立即
投稿
返回
顶部