导航：首页 > 互联网科技 >

Flink 1.11新特性之SQL Hive Streaming的示例分析

发表于：2024-11-20 作者：千家信息网编辑

千家信息网最后更新 2024年11月20日，这篇文章主要介绍了Flink 1.11新特性之SQL Hive Streaming的示例分析，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一

千家信息网最后更新 2024年11月20日Flink 1.11新特性之SQL Hive Streaming的示例分析

这篇文章主要介绍了Flink 1.11新特性之SQL Hive Streaming的示例分析，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。

添加相关依赖

测试集群上的 Hive 版本为 1.1.0，Hadoop 版本为 2.6.0，Kafka 版本为 1.0.1。

  2.11  1.11.0  2.6.5-10.0  1.1.0
      org.apache.flink    flink-streaming-scala_${scala.bin.version}    ${flink.version}        org.apache.flink    flink-clients_${scala.bin.version}    ${flink.version}        org.apache.flink    flink-table-common    ${flink.version}        org.apache.flink    flink-table-api-scala-bridge_${scala.bin.version}    ${flink.version}        org.apache.flink    flink-table-planner-blink_${scala.bin.version}    ${flink.version}        org.apache.flink    flink-connector-hive_${scala.bin.version}    ${flink.version}        org.apache.flink    flink-sql-connector-kafka_${scala.bin.version}    ${flink.version}        org.apache.flink    flink-json    ${flink.version}        org.apache.flink    flink-shaded-hadoop-2-uber    ${flink-shaded-hadoop.version}        org.apache.hive    hive-exec    ${hive.version}

另外，别忘了找到 hdfs-site.xml 和 hive-site.xml，并将其加入项目。

创建执行环境

Flink 1.11 的 Table/SQL API 中，FileSystem Connector 是靠增强版 StreamingFileSink 组件实现，在源码中名为 StreamingFileWriter。我们知道，只有在 Checkpoint 成功时，StreamingFileSink 写入的文件才会由 Pending 状态变成 Finished 状态，从而能够安全地被下游读取。所以，我们一定要打开 Checkpointing，并设定合理的间隔。

val streamEnv = StreamExecutionEnvironment.getExecutionEnvironmentstreamEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime)streamEnv.setParallelism(3)
val tableEnvSettings = EnvironmentSettings.newInstance()    .useBlinkPlanner()    .inStreamingMode()    .build()val tableEnv = StreamTableEnvironment.create(streamEnv, tableEnvSettings)tableEnv.getConfig.getConfiguration.set(ExecutionCheckpointingOptions.CHECKPOINTING_MODE, CheckpointingMode.EXACTLY_ONCE)tableEnv.getConfig.getConfiguration.set(ExecutionCheckpointingOptions.CHECKPOINTING_INTERVAL, Duration.ofSeconds(20))

注册 HiveCatalog

val catalogName = "my_catalog"val catalog = new HiveCatalog(  catalogName,              // catalog name  "default",                // default database  "/Users/lmagic/develop",  // Hive config (hive-site.xml) directory  "1.1.0"                   // Hive version)tableEnv.registerCatalog(catalogName, catalog)tableEnv.useCatalog(catalogName)

创建 Kafka 流表

Kafka Topic 中存储的是 JSON 格式的埋点日志，建表时用计算列生成事件时间与水印。1.11 版本 SQL Kafka Connector 的参数相比 1.10 版本有一定简化。

tableEnv.executeSql("CREATE DATABASE IF NOT EXISTS stream_tmp")tableEnv.executeSql("DROP TABLE IF EXISTS stream_tmp.analytics_access_log_kafka")
tableEnv.executeSql(  """    |CREATE TABLE stream_tmp.analytics_access_log_kafka (    |  ts BIGINT,    |  userId BIGINT,    |  eventType STRING,    |  fromType STRING,    |  columnType STRING,    |  siteId BIGINT,    |  grouponId BIGINT,    |  partnerId BIGINT,    |  merchandiseId BIGINT,    |  procTime AS PROCTIME(),    |  eventTime AS TO_TIMESTAMP(FROM_UNIXTIME(ts / 1000,'yyyy-MM-dd HH:mm:ss')),    |  WATERMARK FOR eventTime AS eventTime - INTERVAL '15' SECOND    |) WITH (    |  'connector' = 'kafka',    |  'topic' = 'ods_analytics_access_log',    |  'properties.bootstrap.servers' = 'kafka110:9092,kafka111:9092,kafka112:9092'    |  'properties.group.id' = 'flink_hive_integration_exp_1',    |  'scan.startup.mode' = 'latest-offset',    |  'format' = 'json',    |  'json.fail-on-missing-field' = 'false',    |  'json.ignore-parse-errors' = 'true'    |)  """.stripMargin)

前面已经注册了 HiveCatalog，故在 Hive 中可以观察到创建的 Kafka 流表的元数据（注意该表并没有事实上的列）。

hive> DESCRIBE FORMATTED stream_tmp.analytics_access_log_kafka;OK# col_name              data_type               comment

# Detailed Table InformationDatabase:               stream_tmpOwner:                  nullCreateTime:             Wed Jul 15 18:25:09 CST 2020LastAccessTime:         UNKNOWNProtect Mode:           NoneRetention:              0Location:               hdfs://sht-bdmq-cls/user/hive/warehouse/stream_tmp.db/analytics_access_log_kafkaTable Type:             MANAGED_TABLETable Parameters:    flink.connector         kafka    flink.format            json    flink.json.fail-on-missing-field    false    flink.json.ignore-parse-errors  true    flink.properties.bootstrap.servers  kafka110:9092,kafka111:9092,kafka112:9092    flink.properties.group.id   flink_hive_integration_exp_1    flink.scan.startup.mode latest-offset    flink.schema.0.data-type    BIGINT    flink.schema.0.name     ts    flink.schema.1.data-type    BIGINT    flink.schema.1.name     userId    flink.schema.10.data-type   TIMESTAMP(3)    flink.schema.10.expr    TO_TIMESTAMP(FROM_UNIXTIME(`ts` / 1000, 'yyyy-MM-dd HH:mm:ss'))    flink.schema.10.name    eventTime    flink.schema.2.data-type    VARCHAR(2147483647)    flink.schema.2.name     eventType    # 略......    flink.schema.9.data-type    TIMESTAMP(3) NOT NULL    flink.schema.9.expr     PROCTIME()    flink.schema.9.name     procTime    flink.schema.watermark.0.rowtime    eventTime    flink.schema.watermark.0.strategy.data-type TIMESTAMP(3)    flink.schema.watermark.0.strategy.expr  `eventTime` - INTERVAL '15' SECOND    flink.topic             ods_analytics_access_log    is_generic              true    transient_lastDdlTime   1594808709
# Storage InformationSerDe Library:          org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDeInputFormat:            org.apache.hadoop.mapred.TextInputFormatOutputFormat:           org.apache.hadoop.hive.ql.io.IgnoreKeyTextOutputFormatCompressed:             NoNum Buckets:            -1Bucket Columns:         []Sort Columns:           []Storage Desc Params:    serialization.format    1Time taken: 1.797 seconds, Fetched: 61 row(s)

创建 Hive 表

Flink SQL 提供了兼容 HiveQL 风格的 DDL，指定 SqlDialect.HIVE 即可（ DML 兼容还在开发中）。

为了方便观察结果，以下的表采用了天/小时/分钟的三级分区，实际应用中可以不用这样细的粒度（10分钟甚至1小时的分区可能更合适）。

tableEnv.getConfig.setSqlDialect(SqlDialect.HIVE)
tableEnv.executeSql("CREATE DATABASE IF NOT EXISTS hive_tmp")tableEnv.executeSql("DROP TABLE IF EXISTS hive_tmp.analytics_access_log_hive")
tableEnv.executeSql(  """    |CREATE TABLE hive_tmp.analytics_access_log_hive (    |  ts BIGINT,    |  user_id BIGINT,    |  event_type STRING,    |  from_type STRING,    |  column_type STRING,    |  site_id BIGINT,    |  groupon_id BIGINT,    |  partner_id BIGINT,    |  merchandise_id BIGINT    |) PARTITIONED BY (    |  ts_date STRING,    |  ts_hour STRING,    |  ts_minute STRING    |) STORED AS PARQUET    |TBLPROPERTIES (    |  'sink.partition-commit.trigger' = 'partition-time',    |  'sink.partition-commit.delay' = '1 min',    |  'sink.partition-commit.policy.kind' = 'metastore,success-file',    |  'partition.time-extractor.timestamp-pattern' = '$ts_date $ts_hour:$ts_minute:00'    |)  """.stripMargin)

Hive 表的参数复用了 SQL FileSystem Connector 的相关参数，与分区提交（Partition Commit）密切相关。仅就上面出现的4个参数简单解释一下。

sink.partition-commit.trigger ：触发分区提交的时间特征。默认为 processing-time，即处理时间，很显然在有延迟的情况下，可能会造成数据分区错乱。所以这里使用 partition-time，即按照分区时间戳（即分区内数据对应的事件时间）来提交。
partition.time-extractor.timestamp-pattern ：分区时间戳的抽取格式。需要写成 yyyy-MM-dd HH:mm:ss 的形式，并用 Hive 表中相应的分区字段做占位符替换。显然，Hive 表的分区字段值来自流表中定义好的事件时间，后面会看到。
sink.partition-commit.delay ：触发分区提交的延迟。在时间特征设为 partition-time 的情况下，当水印时间戳大于分区创建时间加上此延迟时，分区才会真正提交。此值最好与分区粒度相同，例如若 Hive 表按1小时分区，此参数可设为 1 h，若按 10 分钟分区，可设为 10 min。
sink.partition-commit.policy.kind ：分区提交策略，可以理解为使分区对下游可见的附加操作。 metastore 表示更新 Hive Metastore 中的表元数据， success-file 则表示在分区内创建 _SUCCESS 标记文件。

当然，SQL FileSystem Connector 的功能并不限于此，还有很大自定义的空间（如可以自定义分区提交策略以合并小文件等）。具体可参见官方文档。

https://ci.apache.org/projects/flink/flink-docs-release-1.11/dev/table/connectors/filesystem.html#streaming-sink

流式写入 Hive

注意将流表中的事件时间转化为 Hive 的分区。

tableEnv.getConfig.setSqlDialect(SqlDialect.DEFAULT)tableEnv.executeSql(  """    |INSERT INTO hive_tmp.analytics_access_log_hive    |SELECT    |  ts,userId,eventType,fromType,columnType,siteId,grouponId,partnerId,merchandiseId,    |  DATE_FORMAT(eventTime,'yyyy-MM-dd'),    |  DATE_FORMAT(eventTime,'HH'),    |  DATE_FORMAT(eventTime,'mm')    |FROM stream_tmp.analytics_access_log_kafka    |WHERE merchandiseId > 0  """.stripMargin)

来观察一下流式 Sink 的结果吧。

上文设定的 Checkpoint Interval 是 20 秒，可以看到，上图中的数据文件恰好是以 20 秒的间隔写入的。由于并行度为 3，所以每次写入会生成 3 个文件。分区内所有数据写入完毕后，会同时生成 _SUCCESS 文件。如果是正在写入的分区，则会看到 .inprogress 文件。

通过 Hive 查询一下，确定数据的时间无误。

hive> SELECT from_unixtime(min(cast(ts / 1000 AS BIGINT))),from_unixtime(max(cast(ts / 1000 AS BIGINT)))    > FROM hive_tmp.analytics_access_log_hive    > WHERE ts_date = '2020-07-15' AND ts_hour = '23' AND ts_minute = '23';OK2020-07-15 23:23:00 2020-07-15 23:23:59Time taken: 1.115 seconds, Fetched: 1 row(s)

流式读取 Hive

要将 Hive 表作为流式 Source，需要启用 Dynamic Table Options，并通过 Table Hints 来指定 Hive 数据流的参数。以下是简单地通过 Hive 计算商品 PV 的例子。

tableEnv.getConfig.getConfiguration.setBoolean(TableConfigOptions.TABLE_DYNAMIC_TABLE_OPTIONS_ENABLED, true)
val result = tableEnv.sqlQuery(  """     |SELECT merchandise_id,count(1) AS pv     |FROM hive_tmp.analytics_access_log_hive     |/*+ OPTIONS(     |  'streaming-source.enable' = 'true',     |  'streaming-source.monitor-interval' = '1 min',     |  'streaming-source.consume-start-offset' = '2020-07-15 23:30:00'     |) */     |WHERE event_type = 'shtOpenGoodsDetail'     |AND ts_date >= '2020-07-15'     |GROUP BY merchandise_id     |ORDER BY pv DESC LIMIT 10   """.stripMargin)
result.toRetractStream[Row].print().setParallelism(1)streamEnv.execute()

三个 Table Hint 参数的含义解释如下。

streaming-source.enable：设为 true，表示该 Hive 表可以作为 Source。
streaming-source.monitor-interval：感知 Hive 表新增数据的周期，以上设为 1 分钟。对于分区表而言，则是监控新分区的生成，以增量读取数据。
streaming-source.consume-start-offset：开始消费的时间戳，同样需要写成 yyyy-MM-dd HH:mm:ss 的形式。

更加具体的说明仍然可参见官方文档。

https://links.jianshu.com/go?to=https%3A%2F%2Fci.apache.org%2Fprojects%2Fflink%2Fflink-docs-release-1.11%2Fdev%2Ftable%2Fhive%2Fhive_streaming.html%23streaming-reading

最后，由于 SQL 语句中有 ORDER BY 和 LIMIT 逻辑，所以需要调用 toRetractStream() 方法转化为回撤流，即可输出结果。

感谢你能够认真阅读完这篇文章，希望小编分享的"Flink 1.11新特性之SQL Hive Streaming的示例分析"这篇文章对大家有帮助，同时也希望大家多多支持，关注行业资讯频道，更多相关知识等着你来学习!

很赞哦！