Apache教程Hudi與Hive集成手冊(cè)的示例分析

小編給大家分享一下Apache教程Hudi與Hive集成手冊(cè)的示例分析，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

1. Hudi表對(duì)應(yīng)的Hive外部表介紹

Hudi源表對(duì)應(yīng)一份HDFS數(shù)據(jù)，可以通過(guò)Spark，F(xiàn)link 組件或者Hudi客戶端將Hudi表的數(shù)據(jù)映射為Hive外部表，基于該外部表， Hive可以方便的進(jìn)行實(shí)時(shí)視圖，讀優(yōu)化視圖以及增量視圖的查詢。

2. Hive對(duì)Hudi的集成

這里以Hive3.1.1、 Hudi 0.9.0為例， 其他版本類似

將hudi-hadoop-mr-bundle-0.9.0xxx.jar , hudi-hive-sync-bundle-0.9.0xx.jar 放到hiveserver 節(jié)點(diǎn)的lib目錄下

修改hive-site.xml找到hive.default.aux.jars.path 以及hive.aux.jars.path 這兩個(gè)配置項(xiàng)，將第一步中的jar包全路徑給配置上去： 配置后如下

<name>hive.default.aux.jars.path</name>
<value>xxxx,jar,xxxx,jar,file:///mypath/hudi-hadoop-mr-bundle-0.9.0xxx.jar,file:///mypath/hudi-hive-sync-bundle-0.9.0xx.jar</value>

配置完后重啟hive-server

對(duì)于Hudi的bootstrap表（tez查詢），除了要添加hudi-hadoop-mr-bundle-0.9.0xxx.jar , hudi-hive-sync-bundle-0.9.0xx.jar這兩個(gè)jar包，還需把hbase-shaded-miscellaneous-xxx.jar, hbase-metric-api-xxx.jar,hbase-metrics-xxx.jar, hbase-protocol-shaded-xx.jar,hbase-shaded-protobuf-xxx.jar,htrce-core4-4.2.0xxxx.jar按上述步驟添加進(jìn)去。

3. 創(chuàng)建Hudi表對(duì)應(yīng)的hive外部表

一般來(lái)說(shuō)Hudi表在用Spark或者Flink寫入數(shù)據(jù)時(shí)會(huì)自動(dòng)同步到Hive外部表， 此時(shí)可以直接通過(guò)beeline查詢同步的外部表， 若寫入引擎沒(méi)有開(kāi)啟自動(dòng)同步，則需要手動(dòng)利用hudi客戶端工具run_hive_sync_tool.sh 進(jìn)行同步具體可以參考官網(wǎng)查看相關(guān)參數(shù)。

4. 查詢Hudi表對(duì)應(yīng)的Hive外部表

4.1 操作前提

使用Hive查詢Hudi表前，需要通過(guò)set命令設(shè)置hive.input.format，否則會(huì)出現(xiàn)數(shù)據(jù)重復(fù)，查詢異常等錯(cuò)誤，如下面這個(gè)報(bào)錯(cuò)就是典型的沒(méi)有設(shè)置hive.input.format 導(dǎo)致的

java.lang.IllegalArgumentException: HoodieRealtimeReader can oly work on RealTimeSplit and not with xxxxxxxxxx

除此之外對(duì)于增量查詢，還需要set命令額外設(shè)置3個(gè)參數(shù)

set hoodie.mytableName.consume.mode=INCREMENTAL;
set hoodie.mytableName.consume.max.commits=3;
set hoodie.mytableName.consume.start.timestamp=commitTime;

注意這3個(gè)參數(shù)是表級(jí)別參數(shù)

4.2 COW類型Hudi表的查詢

例如Hudi原表表名為hudicow，同步給hive之后hive表名hudicow

4.2.1 COW表實(shí)時(shí)視圖查詢

設(shè)置hive.input.format 為org.apache.hadoop.hive.ql.io.HiveInputFormat或者org.apache.hudi.hadoop.hive.HoodieCombineHiveInputFormat后，像普通的hive表一樣查詢即可

set hive.input.format= org.apache.hadoop.hive.ql.io.HiveInputFormat;
select count(*) from hudicow;

4.2.2 COW表增量查詢

除了要設(shè)置hive.input.format，還需要設(shè)置上述的3個(gè)增量查詢參數(shù)，且增量查詢語(yǔ)句中的必須添加where 關(guān)鍵字并將_hoodie_commit_time > 'startCommitTime'作為過(guò)濾條件（這地方主要是hudi的小文件合并會(huì)把新舊commit的數(shù)據(jù)合并成新數(shù)據(jù)，hive是沒(méi)法直接從parquet文件知道哪些是新數(shù)據(jù)哪些是老數(shù)據(jù)）

set hive.input.format = org.apache.hadoop.hive.ql.io.HiveInputFormat;
set hoodie.hudicow.consume.mode = INCREMENTAL;
set hoodie.hudicow.consume.max.commits = 3;
set hoodie.hudicow.consume.start.timestamp = xxxx;
select count(*) from hudicow where `_hoodie_commit_time` > 'xxxx'

注意_hoodie_commit_time 的引號(hào)是反引號(hào)（tab鍵上面那個(gè)）不是單引號(hào)， 'xxxx'是單引號(hào)

4.3 MOR類型Hudi表的查詢

例如mor類型Hudi源表的表名為hudimor，映射為兩張Hive外部表hudimor_ro（ro表）和hudimor_rt（rt表）

4.3.1 MOR表讀優(yōu)化視圖

實(shí)際上就是讀 ro表，和cow表類似設(shè)置完hiveInputFormat 之后 和普通的hive表一樣查詢即可。

4.3.2 MOR表實(shí)時(shí)視圖

設(shè)置了hive.input.format之后，即可查詢到Hudi源表的最新數(shù)據(jù)

set hive.input.format = org.apache.hadoop.hive.ql.io.HiveInputFormat;
select * from hudicow_rt；

4.3.3 MOR表增量查詢

這個(gè)增量查詢針對(duì)的rt表，不是ro表。通COW表的增量查詢類似

set hive.input.format = org.apache.hudi.hadoop.hive.HoodieCombineHiveInputFormat; // 這地方指定為HoodieCombineHiveInputFormat
set hoodie.hudimor.consume.mode = INCREMENTAL;set hoodie.hudimor.consume.max.commits = -1;
set hoodie.hudimor.consume.start.timestamp = xxxx;
select * from hudimor_rt where `_hoodie_commit_time` > 'xxxx'; // 這個(gè)表名要是rt表

說(shuō)明如下

set hive.input.format=org.apache.hudi.hadoop.hive.HoodieCombineHiveInputFormat;

最好只用于rt表的增量查詢，當(dāng)然其他種類的查詢也可以設(shè)置為這個(gè)，這個(gè)參數(shù)會(huì)影響到普通的hive表查詢，因此在rt表增量查詢完成后，應(yīng)該設(shè)置

set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;

或者改為默認(rèn)值

set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

用于其他表的查詢。

set hoodie.mytableName.consume.mode=INCREMENTAL;

僅用于該表的增量查詢模式，若要對(duì)該表切換為其他查詢模式，應(yīng)設(shè)置

set hoodie.hudisourcetablename.consume.mode=SNAPSHOT;

當(dāng)前Hudi（0.9.0）對(duì)接Hive的一些問(wèn)題，請(qǐng)使用master分支或即將發(fā)布的0.10.0版本

hive讀hudi表會(huì)將所有的數(shù)據(jù)給打印出來(lái)有嚴(yán)重的性能問(wèn)題和數(shù)據(jù)安全問(wèn)題。

MOR表的實(shí)時(shí)視圖讀取 請(qǐng)按需設(shè)置mapreduce.input.fileinputformat.split.maxsize的大小 禁止hive取切分讀取的文件，否則會(huì)出現(xiàn)數(shù)據(jù)重復(fù)。這個(gè)問(wèn)題當(dāng)前是無(wú)解的，spark讀hudi實(shí)時(shí)視圖的時(shí)候代碼直接寫死不會(huì)切分文件，hive需要手動(dòng)設(shè)置。

如果碰到classNotFound， noSuchMethod等錯(cuò)誤請(qǐng)檢查hive lib庫(kù)下面的jar包是否出現(xiàn)沖突。

5. Hive側(cè)源碼修改

為支持Hive查詢Hudi的純log文件需要對(duì)Hive側(cè)源碼進(jìn)行修改。

具體修改org.apache.hadoop.hive.common.FileUtils 如下函數(shù)

public static final PathFilter HIDDEN_FILES_PATH_FILTER = new PathFilter() {    
  @Override    
  public boolean accept(Path p) {      
    String name = p.getName();      
    boolean isHudiMeta = name.startsWith(".hoodie");      
    boolean isHudiLog = false;      
    Pattern LOG_FILE_PATTERN = Pattern.compile("\\.(.*)_(.*)\\.(.*)\\.([0-9]*)(_(([0-9]*)-([0-9]*)-([0-9]*)))?");      
    Matcher matcher = LOG_FILE_PATTERN.matcher(name);      
    if (matcher.find()) {        
      isHudiLog = true;      
    }      
    boolean isHudiFile = isHudiLog || isHudiMeta;      
    return (!name.startsWith("_") && !name.startsWith(".")) || isHudiFile;    
  }  
};

重新編譯hive， 把新編譯的hive-common-xxx.jar, hive-exec-xxx.jar 替換到hive server的lib目錄下注意權(quán)限和名字和原來(lái)的jar包保持一致。

最后重啟hive-server即可。

以上是“Apache教程Hudi與Hive集成手冊(cè)的示例分析”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對(duì)大家有所幫助，如果還想學(xué)習(xí)更多知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道！