【大数据】Hudi HMS Catalog 完全使用指南

1.Hudi HMS Catalog 基本介绍

功能亮点：当 Flink 和 Spark 同时接入 Hive Metastore（HMS）时，用 Hive Metastore 对 Hudi 的元数据进行管理，无论是使用 Flink 还是 Spark 引擎建表，另外一种引擎或者 Hive 都可以直接查询。

本文以 HDP 集群为例，其他版本分别为：

• Flink：1.13.6
• Spark：3.2.1
• Hudi：0.12.0

在 HDP 集群中，Hive 的配置文件路径为 /etc/hive/conf，所以在 Flink SQL Client 中使用 Hive 的配置文件来创建 hudi-hive catalog，从而将 Hudi 元数据存储于 hive metastore 中。

2.在 Flink 中写入数据

在 Flink SQL Client 中进行如下操作：

create catalog hudi with(
	'type' = 'hudi',
	'mode' = 'hms',
	'hive.conf.dir'='/etc/hive/conf'
);

--- 创建数据库供hudi使用
create database hudi.hudidb;

Flink SQL Client 中建表：

--- order表
CREATE TABLE hudi.hudidb.orders_hudi(
  uuid INT,
  ts INT,
  num INT,
  PRIMARY KEY(uuid) NOT ENFORCED
) WITH (
  'connector' = 'hudi',
  'table.type' = 'MERGE_ON_READ',
  'hive_sync.conf.dir' = '/etc/hive/conf' --如果hive是配置了Kerberos，必须指定
);

--- product表
CREATE TABLE hudi.hudidb.product_hudi(
  uuid INT,
  ts INT,
  name STRING,
  PRIMARY KEY(uuid) NOT ENFORCED
) WITH (
  'connector' = 'hudi',
  'table.type' = 'MERGE_ON_READ',
  'hive_sync.conf.dir' = '/etc/hive/conf' 
);

--- 宽表
CREATE TABLE hudi.hudidb.orders_product_hudi(
  uuid INT,
  ts INT,
  name STRING,
  num INT,
  PRIMARY KEY(uuid) NOT ENFORCED
) WITH (
  'connector' = 'hudi',
  'table.type' = 'MERGE_ON_READ',
  'hive_sync.conf.dir' = '/etc/hive/conf'
);

使用 Flink SQL 进行数据写入：

insert into hudi.hudidb.orders_hudi values
  (1, 1, 2),
  (2, 2, 3),
  (3, 3, 4);
  
insert into hudi.hudidb.product_hudi values
  (1, 1, 'tony'),
  (2, 2, 'mike'),
  (3, 3, 'funny');

insert into hudi.hudidb.orders_product_hudi
select
  hudi.hudidb.orders_hudi.uuid as uuid,
  hudi.hudidb.orders_hudi.ts as ts,
  hudi.hudidb.product_hudi.name as name,
  hudi.hudidb.orders_hudi.num as num
from hudi.hudidb.orders_hudi
inner join hudi.hudidb.product_hudi on hudi.hudidb.orders_hudi.uuid = hudi.hudidb.product_hudi.uuid;

3.在 Flink SQL 中查看数据

select * from hudi.hudidb.orders_hudi;

得到：

select * from hudi.hudidb.product_hudi;

得到：

select * from hudi.hudidb.orders_product_hudi;

得到：

4.在 Spark 中查看数据

Hive 为了连接集群 Hive Metastore，只需要将 Hive 的配置文件 hive-site.xml 放置到 Spark 的配置文件目录即可。

通过 beeline 连接 spark thriftserver，查看数据库：

show databases;

可以看到刚刚在 Flink 中创建的 hudidb 数据库。现在查看里面的表：

use hudidb;
show tables;

由于在将数据写入 Hudi 时，默认会新增 _hoodie_commit_time、_hoodie_record_key、precombine 以及 _hoodie_file_name 用于内部使用，如果使用 select * 进行查询时会查出上述字段。

以查看 orders_hudi 表数据为例：

select * from orders_hudi;

所以为了正确查询，需要指定字段：

select uuid, ts, num from orders_hudi;

5.在 Hive 中查看数据

Hudi MOR 表在将元数据同步到 Hive 时，会同时生成以 _ro 和 _rt 结尾的两张子表。例如有一张表名称为 product_hudi，那么此时，数据库中会有三张和 product_hudi 相关的表，分别为原始 product_hudi 表、product_hudi_ro 和 product_hudi_rt。

• ro 表表示读优化（read-optimized）查询，只查询 MOR 表中的 parquet 文件部分。
• rt 表表示快照（real-time，实时）查询，查询全表，该操作需要合并 avro 和 parquet 文件，较为耗时。
• product_hudi 表用于 Flink 或者 Spark 的元数据管理。

为了在 Hive 引擎中查看，对于 MERGE_ON_READ 表，至少需要执行过一次压缩，也就是把 avro 文件压缩为 parquet 文件，才能够正常查看数据。由于上述操作为批量操作，默认是不会触发压缩操作的，所以需要手动触发压缩（该操作 master 分支会支持）。

所以对 product_hudi 表进行手动压缩

./bin/flink run -c \
org.apache.hudi.sink.compact.HoodieFlinkCompactor \
lib/hudi-flink1.13-bundle_2.12-0.12.0.jar \
--path hdfs://bigdata:8020/warehouse/tablespace/managed/hive/hudidb.db/product_hudi \
--schedule

注意：如果是使用 Flink 将数据实时流式写入 Hudi 的话，默认在写入五次时会自动触发压缩，不需要手动执行。

为了在 Hive 中查看 Hudi 所有数据，需要设置如下参数：

set hive.input.format = org.apache.hadoop.hive.ql.io.HiveInputFormat;

如果设置该参数出现如下报错：

Error: Error while processing statement: Cannot modify hive.input.format at runtime. It is not in list of params that are allowed to be modified at runtime (state=42000,code=1)

那么通过如下方式修改 hive-site.xml 配置，新增如下配置，然后重启 Hive 即可。

hive.security.authorization.sqlstd.confwhitelist.append = hive.input.format

进入 Hive 客户端

设置变量：

set hive.input.format = org.apache.hadoop.hive.ql.io.HiveInputFormat;

查看数据库：

show databases;

查看 hudidb 库中 product_hudi 表数据：

select * from hudidb.product_hudi;