Hive 集成 Hudi 实践（含代码）| 可能是全网最详细的数据湖系列

公众号后台越来越多人问关于数据湖相关的内容，看来大家对新技术还是很感兴趣的。关于数据湖的资料网络上还是比较少的，特别是实践系列，对于新技术来说，基础的入门文档还是很有必要的，所以这一篇希望能够帮助到想使用Hudi的同学入门。

本篇的Hudi使用的是孵化版本 0.5.2；其他依赖 Spark-2.4.4，Hive-1.1.0

Hudi 服务器环境准备

wget https://github.com/apache/hudi/archive/release-0.5.2-incubating.tar.gz
tar zxvf release-0.5.2-incubating.tar.gz
cd release-0.5.2-incubating
mvn clean package -DskipTests -DskipITs
cp ./hudi-hadoop-mr/target/hudi-hadoop-mr-0.5.2-incubating.jar $HIVE_HOME/lib/

拷贝依赖包到 Hive 路径是为了 Hive 能够正常读到 Hudi 的数据，至此服务器环境准备完毕。

用 Spark 写一段数据

一切准备完毕先写一段数据到 Hudi 里，首先数据源 ods.ods_user_event 的表结构为：

CREATE TABLE ods.ods_user_event(
    uuid STRING,
    name STRING,
    addr STRING,
    update_time STRING,
    date STRING)
stored as parquet;

然后是 Maven 的依赖，详细代码关注公众号【老蒙大数据】回复 hudi 后即可获取。

      <dependency>
            <groupId>org.apache.hudi</groupId>
            <artifactId>hudi-spark_2.11</artifactId>
            <version>0.5.2-incubating</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hudi</groupId>
            <artifactId>hudi-common</artifactId>
            <version>0.5.2-incubating</version>
        </dependency>

代码逻辑：

1. 初始化 SparkSession，配置相关配置项
2. 构建 DataFrame，大家可以自由发挥，这里的案例是从Hive读数据构建。
3. DataFrame写入Hudi，这一块说到底就是把数据写入 HDFS 路径下，但是需要一堆配置，这些配置就体现了 Hudi 的特性：
   • DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY：指定唯一id的列名
   • DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY：指定更新时间，该字段数值大的数据会覆盖小的
   • DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY：指定分区列，和Hive的分区概念类似
   • HoodieIndexConfig.BLOOM_INDEX_UPDATE_PARTITION_PATH：设置当分区变更时，当前数据的分区目录是否变更
   • HoodieIndexConfig.INDEX_TYPE_PROP：设置索引类型目前有 HBASE,INMEMORY,BLOOM,GLOBAL_BLOOM 四种索引
     上述例子中，选择了 HoodieGlobalBloomIndex(全局索引)，会在所有分区内查找指定的 recordKey。而 HoodieBloomIndex 只在指定的分区内查找。

  def main(args: Array[String]): Unit = {
    val sss = SparkSession.builder.appName("hudi")
      .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
      .config("hive.metastore.uris", "thrift://ip:port")
      .enableHiveSupport().getOrCreate()

    val sql = "select * from ods.ods_user_event"
    val df: DataFrame = sss.sql(sql)

    df.write.format("org.apache.hudi")
      .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "recordKey") 
      .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "update_time") 
      .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "date") 
      .option(HoodieIndexConfig.BLOOM_INDEX_UPDATE_PARTITION_PATH, "true")
      .option(HoodieIndexConfig.INDEX_TYPE_PROP, HoodieIndex.IndexType.GLOBAL_BLOOM.name())
      .option("hoodie.insert.shuffle.parallelism", "10")
      .option("hoodie.upsert.shuffle.parallelism", "10")
      .option(HoodieWriteConfig.TABLE_NAME, "ods.ods_user_event_hudi")
      .mode(SaveMode.Append)
      .save("/user/hudi/lake/ods.db/ods_user_event_hudi")
  }

执行成功后会有如下结果，因为我们是按照date分区，每一天的数据会生成一个文件夹和Hive类似。

[hadoop@hadoop31 ~]# hdfs dfs -ls /user/hudi/lake/ods.db/ods_user_event_hudi/
Found 4 items
drwxr-xr-x   - hadoop hadoop 0 2020-05-25 18:42 /user/hudi/lake/ods.db/ods_user_event_hudi/20200501
drwxr-xr-x   - hadoop hadoop 0 2020-05-25 18:42 /user/hudi/lake/ods.db/ods_user_event_hudi/20200502
drwxr-xr-x   - hadoop hadoop 0 2020-05-25 18:42 /user/hudi/lake/ods.db/ods_user_event_hudi/20200503
drwxr-xr-x   - hadoop hadoop 0 2020-05-25 18:42 /user/hudi/lake/ods.db/ods_user_event_hudi/20200504

另外，注意 recordKey 必须唯一，不然数据会被覆盖，且值不能为 null，否则会有以下报错。

Caused by: org.apache.hudi.exception.HoodieKeyException: recordKey value: "null" for field: "user_uid" cannot be null or empty.

Hive 创建外部表读数据

上一步中 Spark 将数据写到了 hudi，想要通过Hive访问到这块数据，就需要创建一个Hive外部表了，因为 Hudi 配置了分区，所以为了能读到所有的数据，咱们的外部表也得分区，分区字段名可随意配置。

CREATE TABLE ods.ods_user_event_hudi(
    uuid STRING,
    name STRING,
    addr STRING,
    update_time STRING,
    date STRING)
PARTITIONED BY ( 
  `dt` 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
  '/user/hudi/lake/ods.db/ods_user_event_hudi'

至此，直接读数据肯定是空的，因为我们创建的是个分区表，所以还需要指定分区

alter table ods.ods_user_event_hudi add if not exists partition(dt='20200504') location '/user/hudi/lake/ods.db/ods_user_event_hudi/20200504'

那么这个时候问题来了，一年有365个分区，要一个一个建立手动创建分区吗？
抱歉我也没发现更好的办法，只能送你个简单的脚本了。

#!/bin/bash
start_date=20190101
end_date=20200520
start=`date -d "$start_date" "+%s"`
end=`date -d "$end_date" "+%s"`
for((i=start;i<=end;i+=86400)); do
    dt=$(date -d "@$i" "+%Y%m%d")
    hive -e "alter table ods.ods_user_event_hudi add if not exists partition(dt='${dt}') location '/user/hudi/lake/ods.db/ods_user_event_hudi/${dt}';
    "
done

后记

最后，执行 select * from ods.ods_user_event_hudi 要是没有数据你来找我。另外值得注意的是，如果此时直接用 Hive 将数据 insert into ods.ods_user_event_hudi，虽然数据会写入到 hudi 的目录下，但是相同的 recordKey 是不会覆盖原有数据的。

下一篇详细写 Spark 操作 Hudi 的相关内容，敬请期待。本篇详细代码关注公众号【老蒙大数据】回复 hudi 后即可获取。

推荐阅读
3000字长文教你大数据该怎么学！
选方向？大数据的职位你了解多少