数据湖:Hudi与Hive集成

Posted Lansonli

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据湖:Hudi与Hive集成相关的知识,希望对你有一定的参考价值。

文章目录

Hudi与Hive集成

一、配置HiveServer2

1、在Hive服务端配置hive-site.xml

2、在每台Hadoop 节点配置core-site.xml,记得发送到所有节点

3、重启HDFS ,Hive ,在Hive服务端启动Metastore 和 HiveServer2服务

4、在客户端通过beeline连接Hive

二、代码层面集成Hudi与Hive

1、COW模式-SparkSQL代码写入Hudi同时映射Hive表

2、MOR模式-SparkSQL代码写入Hudi同时映射Hive表

三、手动层面集成Hudi与Hive

四、​​​​​​​​​​​​​​SparkSQL操作映射的Hive表


Hudi与Hive集成

一、​​​​​​​配置HiveServer2

Hudi与Hive集成原理是通过代码方式将数据写入到HDFS目录中,那么同时映射Hive表,让Hive表映射的数据对应到此路径上,这时Hudi需要通过JDBC方式连接Hive进行元数据操作,这时需要配置HiveServer2。

1、在Hive服务端配置hive-site.xml

#在Hive 服务端 $HIVE_HOME/conf/hive-site.xml中配置:

<!-- 配置hiveserver2 -->

<property>

 <name>hive.server2.thrift.port</name>

 <value>10000</value>

</property>

<property>

<name>hive.server2.thrift.bind.host</name>

<value>192.168.179.4</value>

</property>

<!-- 配置hiveserver2使用的zookeeper -->

<property>

<name>hive.zookeeper.quorum</name>

<value> node3:2181,node4:2181,node5:2181</value>

</property>

注意:“hive.zookeeper.quorum”搭建hiveserver2HA使用配置项,可以不配置,如果不配置启动hiveServer2时一直连接本地zookeeper,导致大量错误日志(/tmp/root/hive.log),从而导致通过beeline连接当前node1节点的hiveserver2时不稳定,会有连接不上错误信息。

2、在每台Hadoop 节点配置core-site.xml,记得发送到所有节点

<!-- 配置代理访问用户,如果不配置下列信息 hive的jdbc连接会报错 -->

<property>     

<name>hadoop.proxyuser.root.hosts</name>     

<value>*</value>

 </property>

<property>     

<name>hadoop.proxyuser.root.groups</name>    

    <value>*</value>

</property>

3、重启HDFS ,Hive ,在Hive服务端启动Metastore 和 HiveServer2服务

[root@node1 conf]# hive --service metastore &
[root@node1 conf]# hive --service hiveserver2 &

4、在客户端通过beeline连接Hive

[root@node3 test]# beeline
beeline> !connect jdbc:hive2://node1:10000 root
Enter password for jdbc:hive2://node1:10000: **** #可以输入任意密码,没有验证
0: jdbc:hive2://node1:10000> show tables;

 

二、代码层面集成Hudi与Hive

我们可以通过SparkSQL将数据保存到Hudi中同时也映射到Hive表中。映射有两种模式,如果Hudi表是COPY_ON_WRITE类型,那么映射成的Hive表对应是指定的Hive表名,此表中存储着Hudi所有数据。

如果Hudi表类型是MERGE_ON_READ模式,那么映射的Hive表将会有2张,一张后缀为rt ,另一张表后缀为ro。后缀rt对应的Hive表中存储的是Base文件Parquet格式数据+*log* Avro格式数据,也就是全量数据。后缀为ro Hive表中存储的是存储的是Base文件对应的数据。

1)在pom.xml中加入一下依赖

<!-- 连接Hive 驱动包-->
<dependency>
  <groupId>org.apache.hive</groupId>
  <artifactId>hive-jdbc</artifactId>
  <version>1.2.1</version>
</dependency>

2)将对应依赖包放入Hive节点对应的lib目录下

将hudi-hadoop-mr-bundle-0.8.0.jar、parquet-column-1.10.1.jar、parquet-common-1.10.1.jar、parquet-format-2.4.0.jar、parquet-hadoop-1.10.1.jar包存入Hive lib目录下。由于Hudi表数据映射到Hive表后,Hive表底层存储格式为“HoodieParquetInputFormat”或者“HoodieParquetRealtimeInputFormat”,解析Parquet数据格式时使用到以上各个包。可以从Maven中下载以上包后,将这些包上传到所有Hive节点的lib目录下,包括服务端和客户端。

3)启动Hive MetaStore与Hive Server2服务

[root@node1 conf]# hive --service metastore &
[root@node1 conf]# hive --service hiveserver2 &

4)将hive-site.xml放入项目resources目录中

 后期Hudi映射Hive表后,会自动检查Hive元数据,这时需要找到配置文件连接Hive。

1、COW模式-SparkSQL代码写入Hudi同时映射Hive表

1)COW模式代码如下

//1.创建对象
val session: SparkSession = SparkSession.builder().master("local").appName("insertDataToHudi")
  .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
  .getOrCreate()

//2.创建DataFrame
val insertDF: DataFrame = session.read.json("file:///D:\\\\2022IDEA_space\\\\SparkOperateHudi\\\\data\\\\jsondata.json")

import org.apache.spark.sql.functions._
//3.向Hudi中插入数据 - COW模式
insertDF
  .write.format("hudi")
  //设置写出模式,默认就是COW
  .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.COW_TABLE_TYPE_OPT_VAL)
  //设置主键列名称
  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")
  //当数据主键相同时,对比的字段,保存该字段大的数据
  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")
  //指定分区列
  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "loc")
  //并行度设置
  .option("hoodie.insert.shuffle.parallelism", "2")
  .option("hoodie.upsert.shuffle.parallelism", "2")
  //表名设置
  .option(HoodieWriteConfig.TABLE_NAME, "person_infos")
  //关于Hive设置
  //指定HiveServer2 连接url
  .option(DataSourceWriteOptions.HIVE_URL_OPT_KEY,"jdbc:hive2://node1:10000")
  //指定Hive 对应的库名
  .option(DataSourceWriteOptions.HIVE_DATABASE_OPT_KEY,"default")
  //指定Hive映射的表名称
  .option(DataSourceWriteOptions.HIVE_TABLE_OPT_KEY,"infos1")
  //Hive表映射对的分区字段
  .option(DataSourceWriteOptions.HIVE_PARTITION_FIELDS_OPT_KEY,"loc")
  //当设置为true时,注册/同步表到Apache Hive metastore,默认是false,这里就是自动创建表
  .option(DataSourceWriteOptions.HIVE_SYNC_ENABLED_OPT_KEY,"true")
  //如果分区格式不是yyyy/mm/dd ,需要指定解析类将分区列解析到Hive中
  .option(DataSourceWriteOptions.HIVE_PARTITION_EXTRACTOR_CLASS_OPT_KEY,classOf[MultiPartKeysValueExtractor].getName)
  .mode(SaveMode.Append)
  .save("/hudi_data/person_infos")

2)查询Hive中数据

hive> show tables;
infos1

hive> set hive.cli.print.header=true;

hive> select * from infos1;

hive> select `_hoodie_commit_time`,id,name,age,loc,data_dt from infos1;

 

3)更新表中数据,再次查询Hive中的数据

//4.更新数据,查询Hive数据
//读取修改数据
val updateDataDF: DataFrame = session.read.json("file:///D:\\\\2022IDEA_space\\\\SparkOperateHudi\\\\data\\\\updatedata.json")

//向Hudi 更新数据
updateDataDF.write.format("org.apache.hudi")
  //设置写出模式,默认就是COW
  .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.COW_TABLE_TYPE_OPT_VAL)
  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")
  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")
  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY,"loc")
  .option("hoodie.insert.shuffle.parallelism", "2")
  .option("hoodie.upsert.shuffle.parallelism", "2")
  .option(HoodieWriteConfig.TABLE_NAME, "person_infos")
  //关于Hive设置
  //指定HiveServer2 连接url
  .option(DataSourceWriteOptions.HIVE_URL_OPT_KEY,"jdbc:hive2://node1:10000")
  //指定Hive 对应的库名
  .option(DataSourceWriteOptions.HIVE_DATABASE_OPT_KEY,"default")
  //指定Hive映射的表名称
  .option(DataSourceWriteOptions.HIVE_TABLE_OPT_KEY,"infos1")
  //Hive表映射对的分区字段
  .option(DataSourceWriteOptions.HIVE_PARTITION_FIELDS_OPT_KEY,"loc")
  //当设置为true时,注册/同步表到Apache Hive metastore,默认是false,这里就是自动创建表
  .option(DataSourceWriteOptions.HIVE_SYNC_ENABLED_OPT_KEY,"true")
  //如果分区格式不是yyyy/mm/dd ,需要指定解析类将分区列解析到Hive中
  .option(DataSourceWriteOptions.HIVE_PARTITION_EXTRACTOR_CLASS_OPT_KEY,classOf[MultiPartKeysValueExtractor].getName)
  .mode(SaveMode.Append)
  .save("/hudi_data/person_infos")

 每次查询都是查询最后一次数据结果

2、​​​​​​​MOR模式-SparkSQL代码写入Hudi同时映射Hive表

1)MOR代码如下

//1.创建对象
val session: SparkSession = SparkSession.builder().master("local").appName("insertDataToHudi")
  .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
  .getOrCreate()

//2.创建DataFrame
val insertDF: DataFrame = session.read.json("file:///D:\\\\2022IDEA_space\\\\SparkOperateHudi\\\\data\\\\jsondata.json")

import org.apache.spark.sql.functions._
//3.向Hudi中插入数据 - COW模式
insertDF
  .write.format("hudi")
  //设置写出模式,默认就是COW
  .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.MOR_TABLE_TYPE_OPT_VAL)
  //设置主键列名称
  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")
  //当数据主键相同时,对比的字段,保存该字段大的数据
  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")
  //指定分区列
  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "loc")
  //并行度设置
  .option("hoodie.insert.shuffle.parallelism", "2")
  .option("hoodie.upsert.shuffle.parallelism", "2")
  //表名设置,不能重复,重复会报错
  .option(HoodieWriteConfig.TABLE_NAME, "person_infos2")
  //关于Hive设置
  //指定HiveServer2 连接url
  .option(DataSourceWriteOptions.HIVE_URL_OPT_KEY,"jdbc:hive2://node1:10000")
  //指定Hive 对应的库名
  .option(DataSourceWriteOptions.HIVE_DATABASE_OPT_KEY,"default")
  //指定Hive映射的表名称
  .option(DataSourceWriteOptions.HIVE_TABLE_OPT_KEY,"infos2")
  //Hive表映射对的分区字段
  .option(DataSourceWriteOptions.HIVE_PARTITION_FIELDS_OPT_KEY,"loc")
  //当设置为true时,注册/同步表到Apache Hive metastore,默认是false,这里就是自动创建表
  .option(DataSourceWriteOptions.HIVE_SYNC_ENABLED_OPT_KEY,"true")
  //如果分区格式不是yyyy/mm/dd ,需要指定解析类将分区列解析到Hive中
  .option(DataSourceWriteOptions.HIVE_PARTITION_EXTRACTOR_CLASS_OPT_KEY,classOf[MultiPartKeysValueExtractor].getName)
  .mode(SaveMode.Append)
  .save("/hudi_data/person_infos2")

2)查询Hive表中的数据

hive> show tables;

 

注意:infos2_ro 中存储的只是Base文件中数据(parquet列式存储结果)

infos2_rt 中存储的是Base文件(Parquet列式存储结果)+*log*(Avro行式存储结果)

hive> select * from infos2_ro;

 目前只有Base文件数据,查询的就是全量数据

hive> select * from infos2_rt;

目前只有Base文件数据,查询的就是全量数据 

hive> select `_hoodie_commit_time`,id,name,age,loc,data_dt from infos2_ro;

 

hive> select `_hoodie_commit_time`,id,name,age,loc,data_dt from infos2_rt;

​​​​​​​

3)更新表中数据,再次查询Hive中的数据

//4.更新数据,查询Hive数据
//读取修改数据
val updateDataDF: DataFrame = session.read.json("file:///D:\\\\2022IDEA_space\\\\SparkOperateHudi\\\\data\\\\updatedata.json")

//向Hudi 更新数据,注意,必须指定Hive对应配置
updateDataDF.write.format("org.apache.hudi")
  //设置写出模式,默认就是COW
  .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.MOR_TABLE_TYPE_OPT_VAL)
  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")
  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")
  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY,"loc")
  .option("hoodie.insert.shuffle.parallelism", "2")
  .option("hoodie.upsert.shuffle.parallelism", "2")
  .option(HoodieWriteConfig.TABLE_NAME, "person_infos2")
  //关于Hive设置
  //指定HiveServer2 连接url
  .option(DataSourceWriteOptions.HIVE_URL_OPT_KEY,"jdbc:hive2://node1:10000")
  //指定Hive 对应的库名
  .option(DataSourceWriteOptions.HIVE_DATABASE_OPT_KEY,"default")
  //指定Hive映射的表名称
  .option(DataSourceWriteOptions.HIVE_TABLE_OPT_KEY,"infos2")
  //Hive表映射对的分区字段
  .option(DataSourceWriteOptions.HIVE_PARTITION_FIELDS_OPT_KEY,"loc")
  //当设置为true时,注册/同步表到Apache Hive metastore,默认是false,这里就是自动创建表
  .option(DataSourceWriteOptions.HIVE_SYNC_ENABLED_OPT_KEY,"true")
  //如果分区格式不是yyyy/mm/dd ,需要指定解析类将分区列解析到Hive中
  .option(DataSourceWriteOptions.HIVE_PARTITION_EXTRACTOR_CLASS_OPT_KEY,classOf[MultiPartKeysValueExtractor].getName)
  .mode(SaveMode.Append)
  .save("/hudi_data/person_infos2")

查询Hive中对应两张表的数据结果

查询Base文件中的数据

hive> select `_hoodie_commit_time`,id,name,age,loc,data_dt from infos2_ro;

查询Base文件+log文件中数据,可以看到查询到的是修改后的结果数据

hive> select `_hoodie_commit_time`,id,name,age,loc,data_dt from infos2_rt;

三、​​​​​​​手动层面集成Hudi与Hive

如果已经存在Hudi数据,我们也可以手动创建对应的Hive表来映射对应的Hudi数据,使用Hive SQL来操作Hudi。例如使用如下代码在HDFS中存储Hudi数据,这里采用MOR模式写入数据,方便后期测试:

1)向Hudi表中写入数据

//1.创建对象
val session: SparkSession = SparkSession.builder().master("local").appName("insertDataToHudi")
  .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
  .getOrCreate()

//2.创建DataFrame
val insertDF: DataFrame = session.read.json("file:///D:\\\\2022IDEA_space\\\\SparkOperateHudi\\\\data\\\\jsondata.json")

import org.apache.spark.sql.functions._
//3.向Hudi中插入数据 - COW模式
insertDF
  .write.format("hudi")
  //设置写出模式,默认就是COW
  .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.MOR_TABLE_TYPE_OPT_VAL)
  //设置主键列名称
  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")
  //当数据主键相同时,对比的字段,保存该字段大的数据
  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")
  //指定分区列
  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "loc")
  //并行度设置
  .option("hoodie.insert.shuffle.parallelism", "2")
  .option("hoodie.upsert.shuffle.parallelism", "2")
  //表名设置
  .option(HoodieWriteConfig.TABLE_NAME, "person_infos3")
  .mode(SaveMode.Append)
  .save("/hudi_data/person_infos3")

2)在Hive中创建对应的表数据

在Hive中创建表person3_ro,映射Base数据,相当于前面的ro表:

// 创建外部表,这种方式只会查询出来parquet数据文件中的内容,但是刚刚更新或者删除的数据不能查出来
CREATE EXTERNAL TABLE `person3_ro`(
`_hoodie_commit_time` string,
`_hoodie_commit_seqno` string,
`_hoodie_record_key` string,
`_hoodie_partition_path` string,
`_hoodie_file_name` string,
`id` bigint,`name` string,
`age` bigint,`data_dt` string)
PARTITIONED BY (`loc` string) 
ROW FORMAT SERDE 
'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe' 
STORED AS INPUTFORMAT 
'org.apache.hudi.hadoop.HoodieParquetInputFormat' 
OUTPUTFORMAT 
'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat' 
LOCATION 'hdfs://mycluster/hudi_data/person_infos3';

建好以上对应的表之后,由于有分区,还看不到数据,所以这里需要我们手动映射分区数据:

alter table person3_ro add if not exists partition(loc="beijing") location 'hdfs://mycluster/hudi_data/person_infos3/beijing';
alter table person3_ro add if not exists partition(loc='chongqing') location 'hdfs://mycluster/hudi_data/person_infos3/chongqing';
alter table person3_ro add if not exists partition(loc='hainai') location 'hdfs://mycluster/hudi_data/person_infos3/hainai';
alter table person3_ro add if not exists partition(loc='hunan') location 'hdfs://mycluster/hudi_data/person_infos3/hunan';
alter table person3_ro add if not exists partition(loc='shandong') location 'hdfs://mycluster/hudi_data/person_infos3/shandong';
alter table person3_ro add if not exists partition(loc='shanghai') location 'hdfs://mycluster/hudi_data/person_infos3/shanghai';
alter table person3_ro add if not exists partition(loc='shenzhen') location 'hdfs://mycluster/hudi_data/person_infos3/shenzhen';
alter table person3_ro add if not exists partition(loc='tianjin') location 'hdfs://mycluster/hudi_data/person_infos3/tianjin';

查看表数据

在Hive中创建表person3_rt,映射Base+log数据,相当于rt表,并映射分区:

// 这种方式会将基于Parquet的基础列式文件、和基于行的Avro日志文件合并在一起呈现给用户。
CREATE EXTERNAL TABLE `person3_rt`(
`_hoodie_commit_time` string,
`_hoodie_commit_seqno` string,
`_hoodie_record_key` string,
`_hoodie_partition_path` string,
`_hoodie_file_name` string,
`id` bigint,`name` string,
`age` bigint,`data_dt` string)
PARTITIONED BY (`loc` string) 
ROW FORMAT SERDE 
'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe' 
STORED AS INPUTFORMAT 
'org.apache.hudi.hadoop.realtime.HoodieParquetRealtimeInputFormat' 
OUTPUTFORMAT 
'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat' 
LOCATION 'hdfs://mycluster/hudi_data/person_infos3'; 

加载对应分区数据数据

alter table person3_rt add if not exists partition(loc="beijing") location 'hdfs://mycluster/hudi_data/person_infos3/beijing';
alter table person3_rt add if not exists partition(loc='chongqing') location 'hdfs://mycluster/hudi_data/person_infos3/chongqing';
alter table person3_rt add if not exists partition(loc='hainai') location 'hdfs://mycluster/hudi_data/person_infos3/hainai';
alter table person3_rt add if not exists partition(loc='hunan') location 'hdfs://mycluster/hudi_data/person_infos3/hunan';
alter table person3_rt add if not exists partition(loc='shandong') location 'hdfs://mycluster/hudi_data/person_infos3/shandong';
alter table person3_rt add if not exists partition(loc='shanghai') location 'hdfs://mycluster/hudi_data/person_infos3/shanghai';
alter table person3_rt add if not exists partition(loc='shenzhen') location 'hdfs://mycluster/hudi_data/person_infos3/shenzhen';
alter table person3_rt add if not exists partition(loc='tianjin') location 'hdfs://mycluster/hudi_data/person_infos3/tianjin';

查看结果数据 

3)使用代码修改Hudi表中的数据:

修改数据如下:

"id":1,"name":"ls1","age":40,"loc":"beijing","data_dt":"20210709"
"id":2,"name":"ls2","age":50,"loc":"shanghai","data_dt":"20210710"
"id":3,"name":"ls3","age":60,"loc":"ttt","data_dt":"20210711"
//4.更新数据,查询Hive数据
//读取修改数据
val updateDataDF: DataFrame = session.read.json("file:///D:\\\\2022IDEA_space\\\\SparkOperateHudi\\\\data\\\\updatedata.json")

//向Hudi 更新数据
updateDataDF.write.format("org.apache.hudi")
  //设置写出模式,默认就是COW
  .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.MOR_TABLE_TYPE_OPT_VAL)
  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")
  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")
  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY,"loc")
  .option("hoodie.insert.shuffle.parallelism", "2")
  .option("hoodie.upsert.shuffle.parallelism", "2")
  .option(HoodieWriteConfig.TABLE_NAME, "person_infos3")
  .mode(SaveMode.Append)
  .save("/hudi_data/person_infos3")

4)继续查询对应的两张Hive表数据

由于分区 “ttt”是新加入的分区,需要手动添加下分区才能在对应的Hive表中正常查询

alter table person3_ro add if not exists partition(loc="ttt") location 'hdfs://mycluster/hudi_data/person_infos3/ttt';
alter table person3_rt add if not exists partition(loc="ttt") location 'hdfs://mycluster/hudi_data/person_infos3/ttt';

查询表person3_ro

hive> select * from person3_ro;

查询表person3_rt

hive> select * from person3_rt;

此外,我们也可以不需要每次都自己手动添加分区,而是创建好对应的Hive表后,在代码中向Hudi中写数据时,指定对应的Hive参数即可,这样写入的数据自动会映射到Hive中。

我们可以删除Hive对应的表数据重新创建以及第一次加载分区,再后续写入Hudi表数据时,代码如下,就不需要每次都手动加载Hive分区数据。

//5.更新数据,指定Hive配置项
//读取修改数据
val updateDataDF: DataFrame = session.read.json("file:///D:\\\\2022IDEA_space\\\\SparkOperateHudi\\\\data\\\\updatedata.json")
//向Hudi 更新数据
updateDataDF.write.format("org.apache.hudi")
  //设置写出模式,默认就是COW
  .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.MOR_TABLE_TYPE_OPT_VAL)
  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")
  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")
  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY,"loc")
  .option("hoodie.insert.shuffle.parallelism", "2")
  .option("hoodie.upsert.shuffle.parallelism", "2")
  .option(HoodieWriteConfig.TABLE_NAME, "person_infos3")
  //关于Hive设置
  //指定HiveServer2 连接url
  .option(DataSourceWriteOptions.HIVE_URL_OPT_KEY,"jdbc:hive2://node1:10000")
  //指定Hive 对应的库名
  .option(DataSourceWriteOptions.HIVE_DATABASE_OPT_KEY,"default")
  //指定Hive映射的表名称
  .option(DataSourceWriteOptions.HIVE_TABLE_OPT_KEY,"person3")
  //Hive表映射对的分区字段
  .option(DataSourceWriteOptions.HIVE_PARTITION_FIELDS_OPT_KEY,"loc")
  //当设置为true时,注册/同步表到Apache Hive metastore,默认是false,这里就是自动创建表
  .option(DataSourceWriteOptions.HIVE_SYNC_ENABLED_OPT_KEY,"true")
  //如果分区格式不是yyyy/mm/dd ,需要指定解析类将分区列解析到Hive中
  .option(DataSourceWriteOptions.HIVE_PARTITION_EXTRACTOR_CLASS_OPT_KEY,classOf[MultiPartKeysValueExtractor].getName)
  .mode(SaveMode.Append)
  .save("/hudi_data/person_infos3")

 查询Hive表 peson3_ro数据

查询Hive表 person3_rt数据

四、​​​​​​​​​​​​​​SparkSQL操作映射的Hive表

将Hudi数据映射到Hive后,我们可以使用SparkSQL来进行操作Hive表进行处理。操作代码如下:

val session: SparkSession = SparkSession.builder().master("local").appName("test")
  .config("hive.metastore.uris", "thrift://node1:9083")
  .enableHiveSupport()
  .getOrCreate()

session.sql("use default")
session.sql(
  """
    | select id,name,age,loc,data_dt from person3_rt
  """.stripMargin).show()
session.sql(
  """
    | select sum(age) as totalage from person3_rt
  """.stripMargin).show()

我们可以看到如果针对Hudi表中的数据进行修改,那么SpakSQL读取到的就是最新修改后的结果数据。 


  • 📢博客主页:https://lansonli.blog.csdn.net
  • 📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正!
  • 📢本文由 Lansonli 原创,首发于 CSDN博客🙉
  • 📢停下休息的时候不要忘了别人还在奔跑,希望大家抓紧时间学习,全力奔赴更美好的生活✨

以上是关于数据湖:Hudi与Hive集成的主要内容,如果未能解决你的问题,请参考以下文章

基于MRS-Hudi构建数据湖的典型应用场景介绍

数据湖之基于flink+hudi+hive的实践

数据湖之Hudi:Hudi与Spark和HDFS的集成安装使用

数据湖技术之Hudi 集成 Spark

Flink 版本数据湖(hudi)实时数仓---flinkcdc hudi kafak hive

百信银行基于 Apache Hudi 实时数据湖演进方案