Hudi Spark使用
本篇为大家带来通过Spark shell和Spark SQL操作Hudi表的方式。
Hudi表还可以通过Spark ThriftServer操作。
软件准备
- Scala 2.12
- Flink 1.15
- Spark 3.3
- Hudi 0.13.1
Hudi编译的时候会遇到依赖下载缓慢的情况。需要换用国内源。修改settings.xml文件,在mirrors部分增加:
settings.xml
<mirror>
<id>alimaven</id>
<mirrorOf>*,!confluent</mirrorOf>
<name>aliyun maven</name>
<url>https://maven.aliyun.com/repository/public</url>
</mirror>
然后在Hudi项目checkout0.13.1版本,接着根目录执行:
mvn clean package -Dflink1.15 -Dscala2.12 -Dspark3.3 -DskipTests -Pflink-bundle-shade-hive3 -T 4
编译输出的Spark Hudi依赖位于hudi/packaging/hudi-spark-bundle/target,将其中的hudi-spark3.x-bundle_2.12-0.xx.x.jar复制走备用。
环境配置
需要禁用Yarn组件的yarn.timeline-service.enabled配置。修改完毕后重启Yarn组件。
或者是在spark-defaults.conf中增加spark.hadoop.yarn.timeline-service.enabled=false。建议这样配置,避免修改Yarn的全局配置。
接着将Hudi编译之后的hudi-spark3.x-bundle_2.12-0.xx.x.jar复制到${SPARK_HOME}/jars目录中。
Spark Shell方式
启动Hudi spark shell的方法:
./spark-shell \
--master yarn \
--conf 'spark.serializer=org.apache.spark.serializer.KryoSerializer' \
--conf 'spark.sql.catalog.spark\_catalog=org.apache.spark.sql.hudi.catalog.HoodieCatalog' \
--conf 'spark.sql.extensions=org.apache.spark.sql.hudi.HoodieSparkSessionExtension'
如果使用Hudi的版本为0.11.x,需要执行:
./spark-shell \
--master yarn \
--conf 'spark.serializer=org.apache.spark.serializer.KryoSerializer'
执行作业前建议导入如下:
import org.apache.hudi.QuickstartUtils._
import scala.collection.JavaConversions._
import org.apache.spark.sql.SaveMode._
import org.apache.hudi.DataSourceReadOptions._
import org.apache.hudi.DataSourceWriteOptions._
import org.apache.hudi.config.HoodieWriteConfig._
插入数据
import org.apache.spark.sql._
import org.apache.spark.sql.types._
val fields = Array(
StructField("id", IntegerType, true),
StructField("name", StringType, true),
StructField("price", DoubleType, true),
StructField("ts", LongType, true)
)
val simpleSchema = StructType(fields)
val data = Seq(Row(2, "a2", 200.0, 100L))
val df = spark.createDataFrame(data, simpleSchema)
df.write.format("hudi").
option(PRECOMBINE_FIELD_OPT_KEY, "ts").
option(RECORDKEY_FIELD_OPT_KEY, "id").
option(TABLE_NAME, "hudi\_mor\_tbl\_shell").
option(TABLE_TYPE_OPT_KEY, "MERGE\_ON\_READ").
mode(Append).
save("hdfs:///hudi/hudi\_mor\_tbl\_shell")
验证:
val df = spark.
read.
format("hudi").
load("hdfs:///hudi/hudi\_mor\_tbl\_shell")
df.createOrReplaceTempView("hudi\_mor\_tbl\_shell")
spark.sql("select \* from hudi\_mor\_tbl\_shell").show()
普通查询
val df = spark.
read.
format("hudi").
load("hdfs:///hudi/hudi\_mor\_tbl\_shell")
df.createOrReplaceTempView("hudi\_mor\_tbl\_shell")
spark.sql("select \* from hudi\_mor\_tbl\_shell").show()
增量查询
首先再插入/修改一条数据,参见插入/修改数据。然后执行:
spark.
read.
format("hudi").
load("hdfs:///hudi/hudi\_mor\_tbl\_shell").
createOrReplaceTempView("hudi\_mor\_tbl\_shell")
val commits = spark.sql("select distinct(\_hoodie\_commit\_time) as commitTime from hudi\_mor\_tbl\_shell order by commitTime desc").map(k => k.getString(0)).take(50)
val beginTime = commits(commits.length - 1)
val idf = spark.read.format("hudi").
option(QUERY_TYPE_OPT_KEY, QUERY_TYPE_INCREMENTAL_OPT_VAL).
option(BEGIN_INSTANTTIME_OPT_KEY, beginTime).
load("hdfs:///hudi/hudi\_mor\_tbl\_shell")
idf.createOrReplaceTempView("hudi\_mor\_tbl\_shell\_incremental")
spark.sql("select `\_hoodie\_commit\_time`, id, name, price, ts from hudi\_mor\_tbl\_shell\_incremental").show()
发现只取出了最近插入/修改后的数据。
修改数据
import org.apache.spark.sql._
import org.apache.spark.sql.types._
val fields = Array(
StructField("id", IntegerType, true),
StructField("name", StringType, true),
StructField("price", DoubleType, true),
StructField("ts", LongType, true)
)
val simpleSchema = StructType(fields)
val data = Seq(Row(2, "a2", 400.0, 2222L))
val df = spark.createDataFrame(data, simpleSchema)
df.write.format("hudi").
option(PRECOMBINE_FIELD_OPT_KEY, "ts").
option(RECORDKEY_FIELD_OPT_KEY, "id").
option(TABLE_NAME, "hudi\_mor\_tbl\_shell").
option(TABLE_TYPE_OPT_KEY, "MERGE\_ON\_READ").
mode(Append).
save("hdfs:///hudi/hudi\_mor\_tbl\_shell")
验证方法使用普通查询。
Insert overwrite
import org.apache.spark.sql._
import org.apache.spark.sql.types._
val fields = Array(
StructField("id", IntegerType, true),
StructField("name", StringType, true),
StructField("price", DoubleType, true),
StructField("ts", LongType, true)
)
val simpleSchema = StructType(fields)
val data = Seq(Row(99, "a99", 20.0, 900L))
val df = spark.createDataFrame(data, simpleSchema)
df.write.format("hudi").
option(OPERATION.key(),"insert\_overwrite").
option(PRECOMBINE_FIELD.key(), "ts").
option(RECORDKEY_FIELD.key(), "id").
option(TBL_NAME.key(), "hudi\_mor\_tbl\_shell").
option(TABLE_TYPE_OPT_KEY, "MERGE\_ON\_READ").
mode(Append).
save("hdfs:///hudi/hudi\_mor\_tbl\_shell")
验证方法使用普通查询。发现只有新增的这一条数据。
删除数据
import org.apache.spark.sql._
import org.apache.spark.sql.types._
val fields = Array(
StructField("id", IntegerType, true),
StructField("name", StringType, true),
StructField("price", DoubleType, true),
StructField("ts", LongType, true)
)
val simpleSchema = StructType(fields)
val data = Seq(Row(2, "a2", 400.0, 2222L))
val df = spark.createDataFrame(data, simpleSchema)
df.write.format("hudi").
option(OPERATION_OPT_KEY,"delete").
option(PRECOMBINE_FIELD_OPT_KEY, "ts").
option(RECORDKEY_FIELD_OPT_KEY, "id").
option(TABLE_NAME, "hudi\_mor\_tbl\_shell").
mode(Append).
save("hdfs:///hudi/hudi\_mor\_tbl\_shell")
验证方法使用普通查询。
Spark SQL方式
启动Hudi spark sql的方法:
./spark-sql \
--master yarn \
--conf 'spark.serializer=org.apache.spark.serializer.KryoSerializer' \
--conf 'spark.sql.extensions=org.apache.spark.sql.hudi.HoodieSparkSessionExtension' \
--conf 'spark.sql.catalog.spark\_catalog=org.apache.spark.sql.hudi.catalog.HoodieCatalog'
如果使用Hudi的版本为0.11.x,需要执行:
./spark-sql \
--master yarn \
--conf 'spark.serializer=org.apache.spark.serializer.KryoSerializer' \
--conf 'spark.sql.extensions=org.apache.spark.sql.hudi.HoodieSparkSessionExtension'
创建表:
create table hudi_mor_tbl (
id int,
name string,
price double,
ts bigint
) using hudi
tblproperties (
type = 'mor',
primaryKey = 'id',
preCombineField = 'ts'
)
location 'hdfs:///hudi/hudi\_mor\_tbl';
验证:
show tables;
插入数据
SQL方式:
insert into hudi_mor_tbl select 1, 'a1', 20, 1000;
验证:
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
', 20, 1000;
验证:
[外链图片转存中...(img-q7IpmpSi-1714466428942)]
[外链图片转存中...(img-Lu9bND6d-1714466428942)]
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化资料的朋友,可以戳这里获取](https://bbs.csdn.net/topics/618545628)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**