Apache Flink 1.12.2集成Hudi 0.9.0运行指南
Apache Flink 1.12.2集成Hudi 0.9.0运行指南
1. 编译包下载
•下载Flink 1.12.2包：https://mirrors.tuna.tsinghua.edu.cn/apache/flink/flink-1.12.2/flink-1.12.2-bin-scala_2.11.tgz•Hudi编译：https://github.com/apache/hudi•git clone https://github.com/apache/hudi.git && cd hudi•mvn clean package -DskipTests注意：默认是用scala-2.11编译的 如果我们用的是flink1.12.2-2.12版本，可以自己编译成scala-2.12版本的 mvn clean package -DskipTests -Dscala-2.12 包的路径在packaging/hudi-spark-bundle/target/hudi-spark-bundle_2.12-..*-SNAPSHOT.jar•上述包打好后其他步骤可参考官网步骤：https://hudi.apache.org/docs/flink-quick-start-guide.html（注意：官网使用的是Flink 1.11.x版本，测试时报如下错误
•建议使用Flink1.12.2 + Hudi 0.9.0-SNAPSHOT（master）版本。
2. Batch写
2.1 环境启动
启动flink-sql客户端，提前把hudi-flink-bundle_2.12-0.9.0-SNAPSHOT.jar（笔者使用flink scala2.12版本，如果是scala2.11版本需要编译成hudi-flink-bundle_2.11-0.9.0-SNAPSHOT.jar）拷贝到 $FLINK_HOME/lib目录下
export HADOOP_CLASSPATH=`$HADOOP_HOME/bin/hadoop classpath`
./bin/sql-client.sh embedded2.2 创建表结构
CREATE TABLE t1(
uuid VARCHAR(20),
name VARCHAR(10),
age INT,
ts TIMESTAMP(3),
`partition` VARCHAR(20)
)
PARTITIONED BY (`partition`)
WITH (
'connector'= 'hudi',
'path'= 'hdfs://localhost:9000/hudi/t1',
'table.type'= 'MERGE_ON_READ'
);2.3 插入数据
INSERT INTO t1 VALUES
('id1','Danny',23,TIMESTAMP '1970-01-01 00:00:01','par1'),
('id2','Stephen',33,TIMESTAMP '1970-01-01 00:00:02','par1'),
('id3','Julian',53,TIMESTAMP '1970-01-01 00:00:03','par2'),
('id4','Fabian',31,TIMESTAMP '1970-01-01 00:00:04','par2'),
('id5','Sophia',18,TIMESTAMP '1970-01-01 00:00:05','par3'),
('id6','Emma',20,TIMESTAMP '1970-01-01 00:00:06','par3'),
('id7','Bob',44,TIMESTAMP '1970-01-01 00:00:07','par4'),
('id8','Han',56,TIMESTAMP '1970-01-01 00:00:08','par4');
2.4 查询数据
设置查询模式为tableau
-- sets up the result mode to tableau to show the results directly in the CLI
set execution.result-mode=tableau;
2.5 更新数据
INSERT INTO t1 VALUES ('id1','Danny',24,TIMESTAMP '1970-01-01 00:00:01','par1');id1的数据age由23变为了24
3. Streaming读
3.1 创建表结构
CREATE TABLE t1(
uuid VARCHAR(20),
name VARCHAR(10),
age INT,
ts TIMESTAMP(3),
`partition` VARCHAR(20)
)
PARTITIONED BY (`partition`)
WITH (
'connector'= 'hudi',
'path'= 'hdfs://localhost:9000/hudi/t1',
'table.type'= 'MERGE_ON_READ',
'read.streaming.enabled'= 'true',
'read.streaming.start-commit'= '20210401134557',
'read.streaming.check-interval'= '4'
);说明：这里将 read.streaming.enabled 设置为 true，表明通过 streaming 的方式读取表数据； read.streaming.check-interval 指定了 source 监控新的 commits 的间隔为 4s； table.type 设置表类型为 MERGE_ON_READ。
3.2 查询数据
流表t1表中的数据就是刚刚批模式写入的数据
3.3 插入数据
使用批模式插入一条数据
insert into t1 values ('id9','test',27,TIMESTAMP '1970-01-01 00:00:01','par5');3.4 查询数据
几秒后在流表中可以读取到一条新增的数据（前面插入的一条数据）
推荐阅读
Lakehouse元数据管理技术深度解析
干货！Apache Hudi如何智能处理小文件问题
重磅！解锁Apache Flink读写Apache Hudi新姿势
Apache Hudi核心概念一网打尽
Apache Hudi：CDC的黄金搭档
参考
•https://hudi.apache.org/docs/flink-quick-start-guide.html•https://github.com/MyLanPangzi/flink-demo/blob/main/docs/%E5%A2%9E%E9%87%8F%E5%9E%8B%E6%95%B0%E4%BB%93%E6%8E%A2%E7%B4%A2%EF%BC%9AFlink%20+%20Hudi.md•https://mp.weixin.qq.com/s/OtTNBym8Vj_YKvIgTBCuaw