个人中心
文章发布
退出
作者热门文章
- Java锁的逻辑（结合对象头和ObjectMonitor）
- 还在用饼状图？来瞧瞧这些炫酷的百分比可视化新图形（附代码实现）⛵
- 自动注册实体类到EntityFrameworkCore上下文，并适配ABP及ABPVNext
- 基于Sklearn机器学习代码实战
42
4
使用Flink读取Kafka数据并实时写入Hive表.
。
EMR环境：Hadoop 3.3.3, Hive 3.1.3, Flink 1.16.0 。
根据官网描述:
https://nightlies.apache.org/flink/flink-docs-release-1.16/docs/connectors/table/hive/overview/ 。
当前Flink 1.16.0 支持Hive 3.1.3版本，如果是开发，则需要加入依赖有:
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-hive_2.12</artifactId>
<version>1.16.0</version>
<scope>provided</scope>
</dependency>
//
Hive dependencies
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>3.1.3</version>
</dependency>
。
在读写hive表时，预先条件是注册hive catalog:
//
set hive dialect
tableEnv.getConfig().setSqlDialect(SqlDialect.HIVE)
//
set hive catalog
tableEnv.executeSql("CREATE CATALOG myhive WITH (" +
"'type' = 'hive'," +
"'default-database' = 'default'," +
"'hive-conf-dir' = 'hiveconf'" +
")"
)
tableEnv.executeSql(
"use catalog myhive")
。
然后创建hive表:
//
hive table
tableEnv.executeSql("CREATE TABLE IF NOT EXISTS hive_table (" +
"id string," +
"`value` float," +
"hashdata string," +
"num integer," +
"token string," +
"info string," +
"ts timestamp " +
") " +
"PARTITIONED BY (dt string, hr string) STORED AS ORC TBLPROPERTIES (" +
//
"'path'='hive-output'," +
"'partition.time-extractor.timestamp-pattern'='$dt $hr:00:00'," +
"'sink.partition-commit.policy.kind'='metastore,success-file'," +
"'sink.partition-commit.trigger'='partition-time'," +
"'sink.partition-commit.delay'='0 s'" +
" )")
。
。
参考官方文档:
https://nightlies.apache.org/flink/flink-docs-release-1.16/docs/connectors/datastream/kafka/ 。
。
添加对应依赖:
<!-- https:
//
mvnrepository.com/artifact/org.apache.flink/flink-connector-kafka -->
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka</artifactId>
<version>${flink.version}</version>
</dependency>
。
flinksql参考代码:
package
com.tang.hive
import
org.apache.flink.api.java.utils.ParameterTool
import
org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import
org.apache.flink.table.api.SqlDialect
import
org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
object Kafka2Hive {
/**
*
* create hive table
*
@param
tbl_env
*
@param
drop
*
@param
hiveConfDir
*
@param
database
*
@return
*/
def buildHiveTable(tbl_env: StreamTableEnvironment,
drop: Boolean,
hiveConfDir: String,
database: String,
tableName: String,
dbLocation: String)
=
{
//
set hive dialect
tbl_env.getConfig().setSqlDialect(SqlDialect.HIVE)
//
set hive catalog
tbl_env.executeSql("CREATE CATALOG myhive WITH (" +
"'type' = 'hive'," +
"'default-database' = '"+ database + "'," +
"'hive-conf-dir' = '" + hiveConfDir + "'" +
")"
)
tbl_env.executeSql(
"use catalog myhive"
)
//
whether drop hive table first
if
(drop) {
//
drop first
tbl_env.executeSql("drop table if exists" +
tableName)
}
val sql
= "CREATE TABLE IF NOT EXISTS " + tableName + "(" +
"id string," +
"`value` float," +
"hashdata string," +
"num integer," +
"token string," +
"info string," +
"ts timestamp " +
") " +
"PARTITIONED BY (dt string, hr string) STORED AS ORC " +
"LOCATION '" + dbLocation + "/" + tableName +"' TBLPROPERTIES (" +
"'partition.time-extractor.timestamp-pattern'='$dt $hr:00:00'," +
"'sink.partition-commit.policy.kind'='metastore,success-file'," +
"'sink.partition-commit.trigger'='partition-time'," +
"'sink.partition-commit.watermark-time-zone'='Asia/Shanghai'," +
"'sink.partition-commit.delay'='0 s'," +
"'auto-compaction'='true'" +
" )"
//
hive table
tbl_env.executeSql(sql)
}
/**
*
* create kafka table
*
@param
tbl_env
*
@param
drop
*
@param
bootstrapServers
*
@param
topic
*
@param
groupId
*
@return
*/
def buildKafkaTable(tbl_env: StreamTableEnvironment,
drop: Boolean,
bootstrapServers: String,
topic: String,
groupId: String,
tableName: String)
=
{
//
set to default dialect
tbl_env.getConfig.setSqlDialect(SqlDialect.DEFAULT)
if
(drop) {
tbl_env.executeSql(
"drop table if exists " +
tableName)
}
//
kafka table
tbl_env.executeSql("CREATE TABLE IF NOT EXISTS "+ tableName + " (" +
"id string," +
"`value` float," +
"hashdata string," +
"num integer," +
"token string," +
"info string," +
"created_timestamp bigint," +
"ts AS TO_TIMESTAMP( FROM_UNIXTIME(created_timestamp) ), " +
"WATERMARK FOR ts AS ts - INTERVAL '5' SECOND "+
" )" +
"with (" +
" 'connector' = 'kafka'," +
" 'topic' = '" + topic + "'," +
" 'properties.bootstrap.servers' = '" + bootstrapServers +"'," +
" 'properties.group.id' = '" + groupId + "'," +
" 'scan.startup.mode' = 'latest-offset'," +
" 'format' = 'json'," +
" 'json.fail-on-missing-field' = 'false'," +
" 'json.ignore-parse-errors' = 'true'" +
")"
)
}
def main(args: Array[String]): Unit
=
{
val senv
=
StreamExecutionEnvironment.getExecutionEnvironment
val tableEnv
=
StreamTableEnvironment.create(senv)
//
set checkpoint
//
senv.enableCheckpointing(60000);
//
senv.getCheckpointConfig.setCheckpointStorage("file:
//
flink-hive-chk");
//
get parameter
val tool: ParameterTool =
ParameterTool.fromArgs(args)
val hiveConfDir
= tool.get("hive.conf.dir", "src/main/resources"
)
val database
= tool.get("database", "default"
)
val hiveTableName
= tool.get("hive.table.name", "hive_tbl"
)
val kafkaTableName
= tool.get("kafka.table.name", "kafka_tbl"
)
val bootstrapServers
= tool.get("bootstrap.servers", "b-2.cdc.62vm9h.c4.kafka.ap-northeast-1.amazonaws.com:9092,b-1.cdc.62vm9h.c4.kafka.ap-northeast-1.amazonaws.com:9092,b-3.cdc.62vm9h.c4.kafka.ap-northeast-1.amazonaws.com:9092"
)
val groupId
= tool.get("group.id", "flinkConsumer"
)
val reset
= tool.getBoolean("tables.reset",
false
)
val topic
= tool.get("kafka.topic", "cider"
)
val hiveDBLocation
= tool.get("hive.db.location", "s3://tang-emr-tokyo/flink/kafka2hive/"
)
buildHiveTable(tableEnv, reset, hiveConfDir, database, hiveTableName, hiveDBLocation)
buildKafkaTable(tableEnv, reset, bootstrapServers, topic, groupId, kafkaTableName)
//
select from kafka table and write to hive table
tableEnv.executeSql("insert into " + hiveTableName + " select id, `value`, hashdata, num, token, info, ts, DATE_FORMAT(ts, 'yyyy-MM-dd'), DATE_FORMAT(ts, 'HH') from " +
kafkaTableName)
}
}
。
Kafka写入数据格式:
{"id": "35f1c5a8-ec19-4dc3-afa5-84ef6bc18bd8", "value": 1327.12, "hashdata": "0822c055f097f26f85a581da2c937895c896200795015e5f9e458889", "num": 3, "token": "800879e1ef9a356cece14e49fb6949c1b8c1862107468dc682d406893944f2b6", "info": "valentine", "created_timestamp": 1690165700
}
。
Hive表的部分配置:
"'sink.partition-commit.policy.kind'='metastore,success-file',"
=》在分区完成写入后，如何通知下游“分区数据已经可读”。目前支持metastore和success-
file
"'sink.partition-commit.trigger'='partition-time',"
=》什么时候触发partition commit。Partition-time表示在watermark超过了“分区时间”+
“delay”的时间后，commit partition
"'sink.partition-commit.delay'='0 s'"
=
》延迟这个时间后再commit分区
'sink.partition-commit.watermark-time-zone'='Asia/Shanghai'
=
》时区必须与数据时间戳一致
"'auto-compaction'='true'"
=
》开启文件合并，在落盘前先合并
通过checkponit来决定落盘频率
senv.enableCheckpointing(
60000
);
在这个配置下，每1分钟会做一次checkpoint，即将文件写入s3。同时，还会触发自动合并的动作，最终每1分钟生成1个orc文件.
。
参考flink官网:
。
。
需要移除flink-table-planner-loader-1.16.0.jar，并移入flink-table-planner_2.12-1.16.0:
cd /usr/lib/flink/
lib
sudo mv flink
-table-planner-loader-1.16.0.jar ../
sudo wget https:
//
repo1.maven.org/maven2/org/apache/flink/flink-table-planner_2.12/1.16.0/flink-table-planner_2.12-1.16.0.jar
sudo chown flink:flink flink
-table-planner_2.12-1.16.0
.jar
sudo chmod
+x flink-table-planner_2.12-1.16.0
.jar
然后主节点运行：
sudo cp
/usr/lib/hive/lib/antlr-runtime-3.5.2.jar /usr/lib/flink/
lib
sudo cp
/usr/lib/hive/lib/hive-exec-3.1.3*.jar /lib/flink/
lib
sudo cp
/usr/lib/hive/lib/libfb303-0.9.3.jar /lib/flink/
lib
sudo cp
/usr/lib/flink/opt/flink-connector-hive_2.12-1.16.0.jar /lib/flink/
lib
sudo chmod
755 /usr/lib/flink/lib/antlr-runtime-3.5.2
.jar
sudo chmod
755 /usr/lib/flink/lib/hive-exec-3.1.3*
.jar
sudo chmod
755 /usr/lib/flink/lib/libfb303-0.9.3
.jar
sudo chmod
755 /usr/lib/flink/lib/flink-connector-hive_2.12-1.16.0
.jar
。
上传hive配置文件到hdfs:
hdfs dfs -mkdir /user/hadoop/hiveconf/
hdfs dfs
-put /etc/hive/conf/hive-site.xml /user/hadoop/hiveconf/hive-
site.xml
。
Emr主节点提交job:
flink run-
application \
-t yarn-
application \
-
c com.tang.hive.Kafka2Hive \
-p 8
\
-D state.backend=
rocksdb \
-D state.checkpoint-storage=
filesystem \
-D state.checkpoints.dir=s3:
//
tang-emr-tokyo/flink/kafka2hive/checkpoints \
-D execution.checkpointing.interval=60000
\
-D state.checkpoints.num-retained=5
\
-D execution.checkpointing.mode=
EXACTLY_ONCE \
-D execution.checkpointing.externalized-checkpoint-retention=
RETAIN_ON_CANCELLATION \
-D state.backend.incremental=
true
\
-D execution.checkpointing.max-concurrent-checkpoints=1
\
-D rest.flamegraph.enabled=
true
\
flink
-
tutorial.jar \
--hive.conf.dir hdfs:
//
/user/hadoop/hiveconf \
--reset
true
。
从写入基于s3的hive表来看，基本是1分钟2个文件（因为超出了默认rolling配置的128MB文件大小，所以会额外再写1个文件）。同时，未compaction的文件对下游不可见:
。
。
从hive表来看，写入数据后默认在hive元数据内注册了新分区.
。
S3路径:
。
。
Hive分区:
。
。
从hive查询结果来看，下游能查询到的数据为最近1分钟之前的数据:
select current_timestamp, ts from hive_tbl order by ts desc limit 10
;
》
2023-07-27 09:25:24.193 2023-07-27 09:24:24
2023-07-27 09:25:24.193 2023-07-27 09:24:24
2023-07-27 09:25:24.193 2023-07-27 09:24:24
2023-07-27 09:25:24.193 2023-07-27 09:24:24
。
最后此篇关于Flink-读Kafka写Hive表的文章就讲到这里了,如果你想了解更多关于Flink-读Kafka写Hive表的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。
42
4
0
我在 Windows 机器上启动 Kafka-Server 时出现以下错误。我已经从以下链接下载了 Scala 2.11 - kafka_2.11-2.1.0.tgz:https://kafka.ap
关于Apache-Kafka messaging queue . 我已经从 Kafka 下载页面下载了 Apache Kafka。我已将其提取到 /opt/apache/installed/kafka
假设我有 Kafka 主题 cars。 我还有一个消费者组 cars-consumers 订阅了 cars 主题。 cars-consumers 消费者组当前位于偏移量 89。 当我现在删除 cars
我想知道什么最适合我:Kafka 流或 Kafka 消费者 api 或 Kafka 连接？ 我想从主题中读取数据，然后进行一些处理并写入数据库。所以我编写了消费者，但我觉得我可以编写 Kafka 流应
我曾研究过一些 Kafka 流应用程序和 Kafka 消费者应用程序。最后，Kafka流不过是消费来自Kafka的实时事件的消费者。因此，我无法弄清楚何时使用 Kafka 流或为什么我们应该使用
Kafka Acknowledgement 和 Kafka 消费者 commitSync() 有什么区别 两者都用于手动偏移管理，并希望两者同步工作。 请协助 最佳答案 使用 spring-kafka
如何在 Kafka 代理上代理 Apache Kafka 生产者请求，并重定向到单独的 Kafka 集群？ 在我的特定情况下，无法更新写入此集群的客户端。这意味着，执行以下操作是不可行的: 更新客户端
我需要在 Kafka 10 中命名我的消费者，就像我在 Kafka 8 中所做的一样，因为我有脚本可以嗅出并进一步使用这些信息。 显然，consumer.id 的默认命名已更改(并且现在还单独显示了
1.概述 我们会看到zk的数据中有一个节点/log_dir_event_notification/，这是一个序列号持久节点 这个节点在kafka中承担的作用是: 当某个Broker上的LogDir出现
我正在使用以下命令: bin/kafka-console-producer.sh --broker-list localhost:9092 --topic test.topic --property
我很难理解 Java Spring Boot 中的一些 Kafka 概念。我想针对在服务器上运行的真实 Kafka 代理测试消费者，该服务器有一些生产者已将数据写入/已经将数据写入各种主题。我想与服务
我的场景是我使用了很多共享前缀的 Kafka 主题(例如 house.door, house.room ) 并使用 Kafka 流正则表达式主题模式 API 使用所有主题。 一切看起来都不错，我得到了
有没有办法以编程方式获取kafka集群的版本？例如，使用AdminClient应用程序接口(interface)。 我想在消费者/生产者应用程序中识别 kafka 集群的版本。 最佳答案 目前无法检索
每当我尝试重新启动 kafka 时，它都会出现以下错误。一旦我删除/tmp/kafka-logs 它就会得到解决，但它也会删除我的主题。 有办法解决吗？ ERROR Error while
我是 Apache Kafka 的新用户，我仍在了解内部结构。 在我的用例中，我需要从 Kafka Producer 客户端动态增加主题的分区数。 我发现了其他类似的 questions关于增加分区大
正如 Kafka 文档所示，一种方法是通过 kafka.tools.MirrorMaker 来实现这一点。但是，我需要将一个主题(比如 测试 带 1 个分区)(其内容和元数据)从生产环境复制到没有连接
我已经在集群中配置了 3 个 kafka，我正在尝试与 spring-kafka 一起使用。 但是在我杀死 kafka 领导者之后，我无法将其他消息发送到队列中。 我将 spring.kafka.bo
我的 kafka sink 连接器从多个主题(配置了 10 个任务)读取，并处理来自所有主题的 300 条记录。根据每个记录中保存的信息，连接器可以执行某些操作。 以下是触发器记录中键值对的示例: "
我有以下 kafka 流代码 public class KafkaStreamHandler implements Processor{ private ProcessorConte
当 kafka-streams 应用程序正在运行并且 Kafka 突然关闭时，应用程序进入“等待”模式，发送警告日志的消费者和生产者线程无法连接，当 Kafka 回来时，一切都应该(理论上)去恢复正常
我是一名优秀的程序员,十分优秀！