- 索引，将传入的记录键快速映射到文件（如果已存在记录键）。索引实现是可插拔的，Bloom过滤器-由于不依赖任何外部系统，因此它是默认配置，索引和数据始终保持同等。Apache HBase-对少量key更高效。在索引标记过程中大概会节省几秒钟。
- 数据，Hudi以两种差别的存储格式存储数据。实际使用的格式是可插入的，但要求具有以下特性–读优化的列存储格式（ROFormat），默认值为Apache Parquet；写优化的基于行的存储格式（WOFormat），默认值为Apache Avro。
为什么Hudi对于大规模和近实时应用很紧张？
Hudi办理了以下限制
- HDFS的可伸缩性限制
- 需要在Hadoop中更快地呈现数据
- 没有直接支持对现有数据的更新和删除
- 快速的ETL和建模
- 要检索全部更新的记录，无论这些更新是添加到最近日期分区的新记录还是对旧数据的更新，Hudi都允许用户使用最后一个检查点时间戳。此过程不用执行扫描整个源表的查询
Hudi的优势
- HDFS中的可伸缩性限制。
- Hadoop中数据的快速呈现
- 支持对于现有数据的更新和删除
- 快速的ETL和建模
（以上内容主要引用于：Apache Hudi 详解_风中云彩的博客-CSDN博客）
新架构与湖仓一体
通过湖仓一体、流批一体，准实时场景下做到了：数据同源、同计算引擎、同存储、同计算口径。数据的时效性可以到分钟级，能很好的满足业务准实时数仓的需求。下面是架构图：
MySQL 数据通过 Flink CDC 进入到 Kafka。之以是数据先入 Kafka 而不是直接入 Hudi，是为了实现多个实时使命复用 MySQL 过来的数据，避免多个使命通过 Flink CDC 接 MySQL 表以及 Binlog，对 MySQL 库的性能造成影响。
通过 CDC 进入到 Kafka 的数据除了落一份到离线数据堆栈的 ODS 层之外，会同时按照实时数据堆栈的链路，从 ODS->DWD->DWS->OLAP 数据库，最后供报表等数据服务使用。实时数仓的每一层结果数据会准实时的落一份到离线数仓，通过这种方式做到步伐一次开辟、指标口径统一，数据统一。
从架构图上，可以看到有一步数据修正 (重跑汗青数据) 的动作，之以是有这一步是思量到：有大概存在由于口径调解大概前一天的实时使命计算结果错误，导致重跑汗青数据的情况。
而存储在 Kafka 的数据有失效时间，不会存太久的汗青数据，重跑好久的汗青数据无法从 Kafka 中获取汗青源数据。再者，如果把大量的汗青数据再一次推到 Kafka，走实时计算的链路来修正汗青数据，大概会影响当天的实时作业。以是针对重跑汗青数据，会通过数据修正这一步来处置惩罚。
总体上说，这个架构属于 Lambda 和 Kappa 混搭的架构。流批一体数据堆栈的各个数据链路有数据质量校验的流程。第二天对前一天的数据进行对账，如果前一天实时计算的数据无非常，则不需要修正数据，Kappa 架构已经充足。
（本节内容，引用自：37 手游基于 Flink CDC + Hudi 湖仓一体方案实践）
最佳实践
版本搭配
版本选择，这个问题大概会成为困扰大家的第一个绊脚石，下面是hudi中文社区推荐的版本适配：
flinkhudi1.12.20.9.01.13.10.10.0 官方说的支持版本是这样， 不过如今我的1.13和0.10组合并没有配置成功，以是大家还是只管选择 1.12.2+0.9.0 吧，配合scala 2.11 。
下载hudi
https://mvnrepository.com/artifact/org.apache.hudi/hudi-flink-bundle
执行
如果将 hudi-flink-bundle_2.11-0.9.0.jar 放到了 flink/lib 下，则只需要如下执行即可，否则会出现各种找不到类的非常
bin/sql-client.sh embedded
Flink on hudi
新建maven工程，修改pom如下
我们通过构建查询insert into t2 select replace(uuid(),'-',''),id,name,description,now() from mysql_binlog 将创建的mysql表，插入到hudi里。
- package name.lijiaqi;
-
- import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
- import org.apache.flink.table.api.EnvironmentSettings;
- import org.apache.flink.table.api.SqlDialect;
- import org.apache.flink.table.api.TableResult;
- import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
-
- public class MysqlToHudiExample {
- public static void main(String[] args) throws Exception {
- EnvironmentSettings fsSettings = EnvironmentSettings.newInstance()
- .useBlinkPlanner()
- .inStreamingMode()
- .build();
- StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
- env.setParallelism(1);
- StreamTableEnvironment tableEnv = StreamTableEnvironment.create(env, fsSettings);
-
- tableEnv.getConfig().setSqlDialect(SqlDialect.DEFAULT);
-
- // 数据源表
- String sourceDDL =
- "CREATE TABLE mysql_binlog (\n" +
- " id INT NOT NULL,\n" +
- " name STRING,\n" +
- " description STRING\n" +
- ") WITH (\n" +
- " 'connector' = 'jdbc',\n" +
- " 'url' = 'jdbc:mysql://127.0.0.1:3306/test', \n"+
- " 'driver' = 'com.mysql.jdbc.Driver', \n"+
- " 'username' = 'root',\n" +
- " 'password' = 'dafei1288', \n" +
- " 'table-name' = 'test_cdc'\n" +
- ")";
-
- // 输出目标表
- String sinkDDL =
- "CREATE TABLE t2(\n" +
- "\tuuid VARCHAR(20),\n"+
- "\tid INT NOT NULL,\n" +
- "\tname VARCHAR(40),\n" +
- "\tdescription VARCHAR(40),\n" +
- "\tts TIMESTAMP(3)\n"+
- // "\t`partition` VARCHAR(20)\n" +
- ")\n" +
- // "PARTITIONED BY (`partition`)\n" +
- "WITH (\n" +
- "\t'connector' = 'hudi',\n" +
- "\t'path' = 'hdfs://172.19.28.4:9000/hudi_t4/',\n" +
- "\t'table.type' = 'MERGE_ON_READ'\n" +
- ")" ;
- // 简单的聚合处理
- String transformSQL =
- "insert into t2 select replace(uuid(),'-',''),id,name,description,now() from mysql_binlog";
-
- tableEnv.executeSql(sourceDDL);
- tableEnv.executeSql(sinkDDL);
- TableResult result = tableEnv.executeSql(transformSQL);
- result.print();
-
- env.execute("mysql-to-hudi");
- }
- }
- package name.lijiaqi;
-
- import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
- import org.apache.flink.table.api.EnvironmentSettings;
- import org.apache.flink.table.api.SqlDialect;
- import org.apache.flink.table.api.TableResult;
- import org.apache.flink.table.api.bridge.java.StreamTableEnvironment;
-
- public class ReadHudi {
- public static void main(String[] args) throws Exception {
- EnvironmentSettings fsSettings = EnvironmentSettings.newInstance()
- .useBlinkPlanner()
- .inStreamingMode()
- .build();
- StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
- env.setParallelism(1);
- StreamTableEnvironment tableEnv = StreamTableEnvironment.create(env, fsSettings);
-
- tableEnv.getConfig().setSqlDialect(SqlDialect.DEFAULT);
-
- String sourceDDL =
- "CREATE TABLE t2(\n" +
- "\tuuid VARCHAR(20),\n"+
- "\tid INT NOT NULL,\n" +
- "\tname VARCHAR(40),\n" +
- "\tdescription VARCHAR(40),\n" +
- "\tts TIMESTAMP(3)\n"+
- // "\t`partition` VARCHAR(20)\n" +
- ")\n" +
- // "PARTITIONED BY (`partition`)\n" +
- "WITH (\n" +
- "\t'connector' = 'hudi',\n" +
- "\t'path' = 'hdfs://172.19.28.4:9000/hudi_t4/',\n" +
- "\t'table.type' = 'MERGE_ON_READ'\n" +
- ")" ;
- tableEnv.executeSql(sourceDDL);
- TableResult result2 = tableEnv.executeSql("select * from t2");
- result2.print();
-
- env.execute("read_hudi");
- }
- }
Flink CDC 2.0 on Hudi
添加依赖
添加如下依赖到$FLINK_HOME/lib下
- hudi-flink-bundle_2.11-0.10.0-SNAPSHOT.jar (修改 Master 分支的 Hudi Flink 版本为 1.13.2 然后构建)
- hadoop-mapreduce-client-core-2.7.3.jar (办理 Hudi ClassNotFoundException)
- flink-sql-connector-mysql-cdc-2.0.0.jar
- flink-format-changelog-json-2.0.0.jar
- flink-sql-connector-kafka_2.11-1.13.2.jar
留意，在探求jar的时候，cdc 2.0 更新过group id ，不再试 com.alibaba.ververica 而是改成了 com.ververica
flink sql cdc on hudi
创建mysql cdc表
- CREATE TABLE mysql_users (
- id BIGINT PRIMARY KEY NOT ENFORCED ,
- name STRING,
- birthday TIMESTAMP(3),
- ts TIMESTAMP(3)
- ) WITH (
- 'connector' = 'mysql-cdc',
- 'hostname' = 'localhost',
- 'port' = '3306',
- 'username' = 'root',
- 'password' = 'dafei1288',
- 'server-time-zone' = 'Asia/Shanghai',
- 'database-name' = 'test',
- 'table-name' = 'users'
- );
- # **写在最后**
- 为了这次面试，也收集了很多的面试题！
- 以下是部分面试题截图
- 
- Y NOT ENFORCED ,
- name STRING,
- birthday TIMESTAMP(3),
- ts TIMESTAMP(3)
- ) WITH (
- 'connector' = 'mysql-cdc',
- 'hostname' = 'localhost',
- 'port' = '3306',
- 'username' = 'root',
- 'password' = 'dafei1288',
- 'server-time-zone' = 'Asia/Shanghai',
- 'database-name' = 'test',
- 'table-name' = 'users'
- );
- # **写在最后**
- 为了这次面试，也收集了很多的面试题！
- 以下是部分面试题截图
- [外链图片转存中...(img-eEI9zNAD-1723525790091)]
|
