flink教程-flink 1.11 使用sql将流式数据写入hive
flink教程-flink 1.11 使用sql将流式数据写入hive
- 修改hive配置
- 案例讲解
- 引入相关的pom
- 构造hive catalog
- 创建hive表
- 将流数据插入hive，
- 遇到的坑
- 问题详解
- 修改方案
修改hive配置
上一篇介绍了使用sql将流式数据写入文件系统，这次我们来介绍下使用sql将文件写入hive,对于如果想写入已经存在的hive表，则至少需要添加以下两个属性. 写入hive底层还是和写入文件系统一样的，所以对于其他具体的配置参考上一篇.
alter table table_name set TBLPROPERTIES ('is_generic'='false');
alter table table_name set TBLPROPERTIES ('sink.partition-commit.policy.kind'='metastore');
//如果想使用eventtime分区
alter table table_name set TBLPROPERTIES ('sink.partition-commit.trigger'='partition-time'); 案例讲解
下面我们讲解一下，如何使用java程序来构建一个flink程序来写入hive。
引入相关的pom
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-hive_${scala.binary.version}</artifactId>
<version>${flink.version}</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>3.1.2</version>
</dependency>构造hive catalog
//构造hive catalog
String name = "myhive";
String defaultDatabase = "default";
String hiveConfDir = "/Users/user/work/hive/conf"; // a local path
String version = "3.1.2";
HiveCatalog hive = new HiveCatalog(name, defaultDatabase, hiveConfDir, version);
tEnv.registerCatalog("myhive", hive);
tEnv.useCatalog("myhive");
tEnv.getConfig().setSqlDialect(SqlDialect.HIVE);
tEnv.useDatabase("db1");创建hive表
如果目前系统中没有存在相应的hive表，可以通过在程序中执行相应的DDL建表语句来建表，如果已经存在了，就把这段代码省略，使用上面的hive命令修改现有表，添加相应的属性。
CREATE EXTERNAL TABLE `fs_table`(
`user_id` string,
`order_amount` double)
PARTITIONED BY (
`dt` string,
`h` string,
`m` string)
stored as ORC
TBLPROPERTIES (
'sink.partition-commit.policy.kind'='metastore'，
'partition.time-extractor.timestamp-pattern'='$dt $h:$m:00'
)将流数据插入hive，
String insertSql = "insert into fs_table SELECT userId, amount, " +
" DATE_FORMAT(ts, 'yyyy-MM-dd'), DATE_FORMAT(ts, 'HH'), DATE_FORMAT(ts, 'mm') FROM users";
tEnv.executeSql(insertSql);完整的代码请参考：
https://github.com/zhangjun0x01/bigdata-examples/blob/master/flink/src/main/java/connectors/sql/StreamingWriteHive.java
遇到的坑
问题详解
对于如上的程序和sql，如果配置了是使用eventtime，在此程序中配置了'sink.partition-commit.trigger'='partition-time'，最后发现程序没法提交分区。
分析了一下源码，问题是出在了这个方法，org.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitions。先贴上代码：
@Override
public List<String> committablePartitions(long checkpointId) {
if (!watermarks.containsKey(checkpointId)) {
throw new IllegalArgumentException(String.format(
"Checkpoint(%d) has not been snapshot. The watermark information is: %s.",
checkpointId, watermarks));
}
long watermark = watermarks.get(checkpointId);
watermarks.headMap(checkpointId, true).clear();
List<String> needCommit = new ArrayList<>();
Iterator<String> iter = pendingPartitions.iterator();
while (iter.hasNext()) {
String partition = iter.next();
//通过分区的值抽取分区的时间.
LocalDateTime partTime = extractor.extract(
partitionKeys, extractPartitionValues(new Path(partition)));
//判断水印是否大于分区创建时间+延迟时间
if (watermark > toMills(partTime) + commitDelay) {
needCommit.add(partition);
iter.remove();
}
}
return needCommit;
}系统通过分区值来抽取相应的分区创建时间,然后进行比对，比如我们设置的pattern是 h:$m:00 , 某一时刻我们正在往 /2020-07-06/18/20/ 这个分区下写数据，那么程序根据分区值，得到的pattern将会是2020-07-06 18:20:00，这个值在sql中是根据DATA_FORMAT函数获取的。
这个值是带有时区的， 也是我想要的， 比如我们的时区设置为东八区，2020-07-06 18:20:00这个时间是东八区的时间，换成标准UTC时间是减去八个小时，也就是2020-07-06 10:20:00，而源码中的toMills函数在处理这个东八区的时间时，并没有任何加入任何时区的处理，把这个其实应该是东八区的时间当做了UTC时间来处理，这样计算出来的值就比实际值大8小时，导致一直没有触发分区的提交。
如果我们在数据源构造的分区是UTC时间，也就是不带分区的时间，那么这个逻辑就是没有问题的，但是这样又不符合我们的实际情况，比如对于分区2020-07-06 18:20:00，我希望我的分区肯定是东八区的时间，而不是比东八区小8个小时的UTC时间2020-07-06 10:20:00。
所以针对上述情况，有两种解决方案，一种是自定义一个分区抽取类，第二，就是修改源码，改一下现在的缺省的时间分区抽取类。我个人认为修改一下缺省类更好理解，因为目前写入文件和hive这块配置和概念有点多，我不想太增加过多的配置来增加用户的难度，应该尽可能的用缺省值就能使程序很好的运行。
我们看下flink中的StreamingFileSink类，构造分区桶的时候默认是使用的DateTimeBucketAssigner，其构造分区路径就是带有时区概念的，默认就用的是本地时区。
public DateTimeBucketAssigner(String formatString) {
this(formatString, ZoneId.systemDefault());
}修改方案
这个问题，也不知道算不算一个bug，我给官方提交了一个ISSUE，但是官方没有采纳，不过我觉得不符合我的习惯，所以我对这个功能进行了修改，让partition.time-extractor.timestamp-pattern提取的partiiton是带有时区的，默认情况下是本地时区。如果是非本地时区，可以指定时区，通过参数partition.time-extractor.time-zone来指定，我们可以通下面的代码获取有效的时区。
Set<String> zoneIds = ZoneId.getAvailableZoneIds();
zoneIds.stream().forEach(System.out::println);比如我们东八区默认使用 Asia/Shanghai。
我基于社区的flink的tag release-1.11.0-rc4，我改了一下代码 将代码放到了github上。https://github.com/zhangjun0x01/flink/tree/release-1.11.0-rc