Hudi自带工具DeltaStreamer的实时入湖最佳实践

得意犹堪夸世俗，诏黄新湿字如鸦。这篇文章主要讲述Hudi自带工具DeltaStreamer的实时入湖最佳实践相关的知识，希望能为你提供帮助。

摘要：本文介绍如何使用Hudi自带入湖工具DeltaStreamer进行数据的实时入湖。

本文分享自华为云社区《华为FusionInsight MRS实战 - Hudi实时入湖之DeltaStreamer工具最佳实践》，作者：晋红轻。
背景传统大数据平台的组织架构是针对离线数据处理需求设计的，常用的数据导入方式为采用sqoop定时作业批量导入。随着数据分析对实时性要求不断提高，按小时、甚至分钟级的数据同步越来越普遍。由此展开了基于spark/flink流处理机制的（准）实时同步系统的开发。
然而实时同步从一开始就面临如下几个挑战：

小文件问题。不论是spark的microbatch模式，还是flink的逐条处理模式，每次写入HDFS时都是几MB甚至几十KB的文件。长时间下来产生的大量小文件，会对HDFS namenode产生巨大的压力。
对update操作的支持。HDFS系统本身不支持数据的修改，无法实现同步过程中对记录进行修改。
事务性。不论是追加数据还是修改数据，如何保证事务性。即数据只在流处理程序commit操作时一次性写入HDFS，当程序rollback时，已写入或部分写入的数据能随之删除。

Hudi就是针对以上问题的解决方案之一。使用Hudi自带的DeltaStreamer工具写数据到Hudi，开启–enable-hive-sync 即可同步数据到hive表。
Hudi DeltaStreamer写入工具介绍DeltaStreamer工具使用参考 https://hudi.apache.org/cn/docs/writing_data.html
HoodieDeltaStreamer实用工具 (hudi-utilities-bundle中的一部分) 提供了从DFS或Kafka等不同来源进行摄取的方式，并具有以下功能。

从Kafka单次摄取新事件，从Sqoop、HiveIncrementalPuller输出或DFS文件夹中的多个文件
支持json、avro或自定义记录类型的传入数据
管理检查点，回滚和恢复
利用DFS或Confluent schema注册表的Avro模式。
支持自定义转换操作

场景说明

文章图片

生产库数据通过CDC工具（debezium）实时录入到MRS集群中Kafka的指定topic里。
通过Hudi提供的DeltaStreamer工具，读取Kafka指定topic里的数据并解析处理。
同时使用DeltaStreamer工具将处理后的数据写入到MRS集群的hive里。

样例数据简介生产库mysql原始数据：

文章图片
CDC工具debezium简介对接步骤具体参考：https://fusioninsight.github.io/ecosystem/zh-hans/Data_Integration/DEBEZIUM/
完成对接后，针对MySQL生产库分别做增、改、删除操作对应的kafka消息
增加操作: insert into hudi.hudisource3 values (11,“蒋语堂”,“38”,“女”,“图”,“播放器”,“28732”);
对应kafka消息体：

文章图片
更改操作： UPDATE hudi.hudisource3 SET uname=‘Anne Marie333’ WHERE uid=11;
对应kafka消息体：

文章图片
删除操作： delete from hudi.hudisource3 where uid=11;
对应kafka消息体：

文章图片
调试步骤华为MRS Hudi样例工程获取
根据实际MRS版本登录github获取样例代码： https://github.com/huaweicloud/huaweicloud-mrs-example/tree/mrs-3.1.0
打开工程SparkOnHudijavaExample

文章图片
样例代码修改及介绍

文章图片
1.debeziumJsonParser
说明：对debezium的消息体进行解析，获取到op字段。
源码如下：

package com.huawei.bigdata.hudi.examples; import com.alibaba.fastjson.JSON; import com.alibaba.fastjson.JSONObject; import com.alibaba.fastjson.TypeReference; public class debeziumJsonParser {public static String getOP(String message){JSONObject json_obj = JSON.parseObject(message); String op = json_obj.getJSONObject("payload").get("op").toString(); returnop; } }

2.MyJsonKafkaSource
说明：DeltaStreamer默认使用org.apache.hudi.utilities.sources.JsonKafkaSource消费kafka指定topic的数据，如果消费阶段涉及数据的解析操作，则需要重写MyJsonKafkaSource进行处理。
以下是源码，增加注释

package com.huawei.bigdata.hudi.examples; import com.alibaba.fastjson.JSON; import com.alibaba.fastjson.JSONObject; import com.alibaba.fastjson.parser.Feature; import org.apache.hudi.common.config.TypedProperties; import org.apache.hudi.common.util.Option; import org.apache.hudi.config.HoodieWriteConfig; import org.apache.hudi.utilities.deltastreamer.HoodieDeltaStreamerMetrics; import org.apache.hudi.utilities.schema.SchemaProvider; import org.apache.hudi.utilities.sources.InputBatch; import org.apache.hudi.utilities.sources.JsonSource; import org.apache.hudi.utilities.sources.helpers.KafkaOffsetGen; import org.apache.hudi.utilities.sources.helpers.KafkaOffsetGen.CheckpointUtils; import org.apache.kafka.common.serialization.StringDeserializer; import org.apache.log4j.LogManager; import org.apache.log4j.Logger; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.sql.SparkSession; import org.apache.spark.streaming.kafka010.KafkaUtils; import org.apache.spark.streaming.kafka010.LocationStrategies; import org.apache.spark.streaming.kafka010.OffsetRange; import java.util.Map; /** * Read json kafka data. */ public class MyJsonKafkaSource extends JsonSource {private static final Logger LOG = LogManager.getLogger(MyJsonKafkaSource.class); private final KafkaOffsetGen offsetGen; private final HoodieDeltaStreamerMetrics metrics; public MyJsonKafkaSource(TypedProperties properties, JavaSparkContext sparkContext, SparkSession sparkSession, SchemaProvider schemaProvider) { super(properties, sparkContext, sparkSession, schemaProvider); HoodieWriteConfig.Builder builder = HoodieWriteConfig.newBuilder(); this.metrics = new HoodieDeltaStreamerMetrics(builder.withProperties(properties).build()); properties.put("key.deserializer", StringDeserializer.class); properties.put("value.deserializer", StringDeserializer.class); offsetGen = new KafkaOffsetGen(properties); }@Override protected InputBatch< JavaRDD< String> > fetchNewData(Option< String> lastCheckpointStr, long sourceLimit) { OffsetRange[] offsetRanges = offsetGen.getNextOffsetRanges(lastCheckpointStr, sourceLimit, metrics); long totalNewMsgs = CheckpointUtils.totalNewMessages(offsetRanges); LOG.info("About to read " + totalNewMsgs + " from Kafka for topic :" + offsetGen.getTopicName()); if (totalNewMsgs < = 0) { return new InputBatch< > (Option.empty(), CheckpointUtils.offsetsToStr(offsetRanges)); } JavaRDD< String> newDataRDD = toRDD(offsetRanges); return new InputBatch< > (Option.of(newDataRDD), CheckpointUtils.offsetsToStr(offsetRanges)); }private JavaRDD< String> toRDD(OffsetRange[] offsetRanges) { return KafkaUtils.createRDD(this.sparkContext, this.offsetGen.getKafkaParams(), offsetRanges, LocationStrategies.PreferConsistent()).filter((x)-> { //过滤空行和脏数据 String msg = (String)x.value(); if (msg == null) { return false; } try{ String op = debeziumJsonParser.getOP(msg); }catch (Exception e){ return false; } return true; }).map((x) -> { //将debezium接进来的数据解析写进map,在返回map的tostring, 这样结构改动最小 String msg = (String)x.value(); String op = debeziumJsonParser.getOP(msg); JSONObject json_obj = JSON.parseObject(msg, Feature.OrderedField); Boolean is_delete = false; String out_str = ""; Object out_obj = new Object(); if(op.equals("c")){ out_obj =json_obj.getJSONObject("payload").get("after"); } else if(op.equals("u")){ out_obj =json_obj.getJSONObject("payload").get("after"); } else { is_delete = true; out_obj =json_obj.getJSONObject("payload").get("before"); } Map out_map = (Map)out_obj; out_map.put("_hoodie_is_deleted",is_delete); out_map.put("op",op); return out_map.toString(); }); } }

3.TransformerExample
说明：入湖hudi表或者hive表时候需要指定的字段
以下是源码，增加注释

package com.huawei.bigdata.hudi.examples; import org.apache.hudi.common.config.TypedProperties; import org.apache.hudi.utilities.transform.Transformer; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.sql.Dataset; import org.apache.spark.sql.Row; import org.apache.spark.sql.RowFactory; import org.apache.spark.sql.SparkSession; import org.apache.spark.sql.types.DataTypes; import org.apache.spark.sql.types.StructField; import org.apache.spark.sql.types.StructType; import java.io.Serializable; import java.util.ArrayList; import java.util.List; /** * 功能描述 * 对获取的数据进行format */ public class TransformerExample implements Transformer, Serializable {/** * format data * * @param JavaSparkContext jsc * @param SparkSession sparkSession * @param Dataset< Row> rowDataset * @param TypedProperties properties * @return Dataset< Row> */ @Override public Dataset< Row> apply(JavaSparkContext jsc, SparkSession sparkSession, Dataset< Row> rowDataset, TypedProperties properties) { JavaRDD< Row> rowJavaRdd = rowDataset.toJavaRDD(); List< Row> rowList = new ArrayList< > (); for (Row row : rowJavaRdd.collect()) {Row one_row = buildRow(row); rowList.add(one_row); } JavaRDD< Row> stringJavaRdd = jsc.parallelize(rowList); List< StructField> fields = new ArrayList< > (); builFields(fields); StructType schema = DataTypes.createStructType(fields); Dataset< Row> dataFrame = sparkSession.createDataFrame(stringJavaRdd, schema); return dataFrame; }private void builFields(List< StructField> fields) { fields.add(DataTypes.createStructField("uid", DataTypes.IntegerType, true)); fields.add(DataTypes.createStructField("uname", DataTypes.StringType, true)); fields.add(DataTypes.createStructField("age", DataTypes.StringType, true)); fields.add(DataTypes.createStructField("sex", DataTypes.StringType, true)); fields.add(DataTypes.createStructField("mostlike", DataTypes.StringType, true)); fields.add(DataTypes.createStructField("lastview", DataTypes.StringType, true)); fields.add(DataTypes.createStructField("totalcost", DataTypes.StringType, true)); fields.add(DataTypes.createStructField("_hoodie_is_deleted", DataTypes.BooleanType, true)); fields.add(DataTypes.createStructField("op", DataTypes.StringType, true)); }private Row buildRow(Row row) { Integer uid = row.getInt(0); String uname = row.getString(1); String age = row.getString(2); String sex = row.getString(3); String mostlike = row.getString(4); String lastview = row.getString(5); String totalcost = row.getString(6); Boolean _hoodie_is_deleted = row.getBoolean(7); String op = row.getString(8); Row returnRow = RowFactory.create(uid, uname, age, sex, mostlike, lastview, totalcost, _hoodie_is_deleted, op); return returnRow; } }

4.DataSchemaProviderExample
说明：分别指定MyJsonKafkaSource返回的数据格式为source schema，TransformerExample写入的数据格式为target schema
以下是源码

package com.huawei.bigdata.hudi.examples; import org.apache.avro.Schema; import org.apache.hudi.common.config.TypedProperties; import org.apache.hudi.utilities.schema.SchemaProvider; import org.apache.spark.api.java.JavaSparkContext; /** * 功能描述 * 提供sorce和target的schema */ public class DataSchemaProviderExample extends SchemaProvider {public DataSchemaProviderExample(TypedProperties props, JavaSparkContext jssc) { super(props, jssc); } /** * source schema * * @return Schema */ @Override public Schema getSourceSchema() { Schema avroSchema = new Schema.Parser().parse( "{\\"type\\":\\"record\\",\\"name\\":\\"hoodie_source\\",\\"fields\\":[{\\"name\\":\\"uid\\",\\"type\\":\\"int\\"},{\\"name\\":\\"uname\\",\\"type\\":\\"string\\"},{\\"name\\":\\"age\\",\\"type\\":\\"string\\"},{\\"name\\":\\"sex\\",\\"type\\":\\"string\\"},{\\"name\\":\\"mostlike\\",\\"type\\":\\"string\\"},{\\"name\\":\\"lastview\\",\\"type\\":\\"string\\"},{\\"name\\":\\"totalcost\\",\\"type\\":\\"string\\"},{\\"name\\":\\"_hoodie_is_deleted\\",\\"type\\":\\"boolean\\"},{\\"name\\":\\"op\\",\\"type\\":\\"string\\"}]}"); return avroSchema; } /** * target schema * * @return Schema */ @Override public Schema getTargetSchema() { Schema avroSchema = new Schema.Parser().parse( "{\\"type\\":\\"record\\",\\"name\\":\\"mytest_record\\",\\"namespace\\":\\"hoodie.mytest\\",\\"fields\\":[{\\"name\\":\\"uid\\",\\"type\\":\\"int\\"},{\\"name\\":\\"uname\\",\\"type\\":\\"string\\"},{\\"name\\":\\"age\\",\\"type\\":\\"string\\"},{\\"name\\":\\"sex\\",\\"type\\":\\"string\\"},{\\"name\\":\\"mostlike\\",\\"type\\":\\"string\\"},{\\"name\\":\\"lastview\\",\\"type\\":\\"string\\"},{\\"name\\":\\"totalcost\\",\\"type\\":\\"string\\"},{\\"name\\":\\"_hoodie_is_deleted\\",\\"type\\":\\"boolean\\"},{\\"name\\":\\"op\\",\\"type\\":\\"string\\"}]}"); return avroSchema; } }

将工程打包（hudi-security-examples-0.7.0.jar）以及json解析包（fastjson-1.2.4.jar）上传至MRS客户端
DeltaStreamer启动命令
登录客户端执行一下命令获取环境变量以及认证

source /opt/hadoopclient/bigdata_env kinit developuser source /opt/hadoopclient/Hudi/component_env

DeltaStreamer启动命令如下：

spark-submit --master yarn-client \\ --jars /opt/hudi-demo2/fastjson-1.2.4.jar,/opt/hudi-demo2/hudi-security-examples-0.7.0.jar \\ --driver-class-path /opt/hadoopclient/Hudi/hudi/conf:/opt/hadoopclient/Hudi/hudi/lib/*:/opt/hadoopclient/Spark2x/spark/jars/*:/opt/hudi-demo2/hudi-security-examples-0.7.0.jar \\ --class org.apache.hudi.utilities.deltastreamer.HoodieDeltaStreamer \\ spark-internal --props file:///opt/hudi-demo2/kafka-source.properties \\ --target-base-path /tmp/huditest/delta_demo2 \\ --table-type COPY_ON_WRITE\\ --target-table delta_demo2\\ --source-ordering-field uid \\ --source-class com.huawei.bigdata.hudi.examples.MyJsonKafkaSource \\ --schemaprovider-class com.huawei.bigdata.hudi.examples.DataSchemaProviderExample \\ --transformer-class com.huawei.bigdata.hudi.examples.TransformerExample \\ --enable-hive-sync --continuous

kafka.properties配置

// hudi配置 hoodie.datasource.write.recordkey.field=uid hoodie.datasource.write.partitionpath.field= hoodie.datasource.write.keygenerator.class=org.apache.hudi.keygen.NonpartitionedKeyGenerator hoodie.datasource.write.hive_style_partitioning=true hoodie.delete.shuffle.parallelism=10 hoodie.upsert.shuffle.parallelism=10 hoodie.bulkinsert.shuffle.parallelism=10 hoodie.insert.shuffle.parallelism=10 hoodie.finalize.write.parallelism=10 hoodie.cleaner.parallelism=10 hoodie.datasource.write.precombine.field=uid hoodie.base.path = /tmp/huditest/delta_demo2 hoodie.timeline.layout.version = 1// hive config hoodie.datasource.hive_sync.table=delta_demo2 hoodie.datasource.hive_sync.partition_fields= hoodie.datasource.hive_sync.assume_date_partitioning=false hoodie.datasource.hive_sync.partition_extractor_class=org.apache.hudi.hive.NonPartitionedExtractor hoodie.datasource.hive_sync.use_jdbc=false// Kafka Source topic hoodie.deltastreamer.source.kafka.topic=hudisource // checkpoint hoodie.deltastreamer.checkpoint.provider.path=hdfs://hacluster/tmp/delta_demo2/checkpoint/// Kafka props bootstrap.servers=172.16.9.117:21005 auto.offset.reset=earliest group.id=a5 offset.rang.limit=10000

注意：kafka服务端配置 allow.everyone.if.no.acl.found 为true
使用Spark查询

spark-shell --master yarnval roViewDF = spark.read.format("org.apache.hudi").load("/tmp/huditest/delta_demo2/*") roViewDF.createOrReplaceTempView("hudi_ro_table") spark.sql("select * fromhudi_ro_table").show()

Mysql增加操作对应spark中hudi表查询结果：