数仓架构
离线数仓
传统的离线数仓是由 Hive 加上 HDFS 的方案,Hive 数仓有着成熟和稳定的大数据分析能力,结合调度和上下游工具,构建一个完整的数据处理分析平台,流程如下:
- Flume 把数据导入 Hive 数仓
- 调度工具,调度 ETL 作业进行数据处理
- 在 Hive 数仓的表上,可以进行灵活的 Ad-hoc 查询
- 调度工具,调度聚合作业输出到BI层的数据库中
这个流程下的问题是:
- 导入过程不够灵活,这应该是一个灵活 SQL 流计算的过程
- 基于调度作业的级联计算,实时性太差
- ETL 不能有流式的增量计算
实时数仓
针对离线数仓的特点,随着实时计算的流行,越来越多的公司引入实时数仓,实时数仓基于 Kafka + Flink streaming,定义全流程的流计算作业,有着秒级甚至毫秒的实时性。
但是,实时数仓的一个问题是历史数据只有 3-15 天,无法在其上做 Ad-hoc 的查询。如果搭建 Lambda 的离线+实时的架构,维护成本、计算存储成本、一致性保证、重复的开发会带来很大的负担。
Hive 实时化
Flink 1.11 为解决离线数仓的问题,给 Hive 数仓带来了实时化的能力,加强各环节的实时性的同时,又不会给架构造成太大的负担。
Hive streaming sink
实时数据导入 Hive 数仓,你是怎么做的?Flume、Spark Streaming 还是 Flink Datastream?千呼万唤,Table / SQL 层的 streaming file sink 来啦, Flink 1.11 支持 Filesystem connector [1] 和 Hive connector 的 streaming sink [2]。
(注:图中 StreamingFileSink 的 Bucket 概念就是 Table/SQL 中的 Partition)
Table/SQL 层的 streaming sink 不仅:
-
带来 Flink streaming 的实时/准实时的能力
-
支持 Filesystem connector 的全部 formats(csv,json,avro,parquet,orc)
-
支持 Hive table 的所有 formats
-
继承 Datastream StreamingFileSink 的所有特性:Exactly-once、支持HDFS, S3。
而且引入了新的机制:Partition commit。
一个合理的数仓的数据导入,它不止包含数据文件的写入,也包含了 Partition 的可见性提交。当某个 Partition 完成写入时,需要通知 Hive metastore 或者在文件夹内添加 SUCCESS 文件。Flink 1.11 的 Partition commit 机制可以让你:
-
Trigger:控制Partition提交的时机,可以根据Watermark加上从Partition中提取的时间来判断,也可以通过Processing time来判断。你可以控制:是想先尽快看到没写完的Partition;还是保证写完Partition之后,再让下游看到它。
-
Policy:提交策略,内置支持SUCCESS文件和Metastore的提交,你也可以扩展提交的实现,比如在提交阶段触发Hive的analysis来生成统计信息,或者进行小文件的合并等等。
一个例子:
-- 结合Hive dialect使用Hive DDL语法 SETtable.sql-dialect=hive; CREATETABLEhive_table ( user_id STRING, order_amount DOUBLE ) PARTITIONED BY( dt STRING, hourSTRING ) STOREDASPARQUET TBLPROPERTIES ( -- 使用partition中抽取时间,加上watermark决定partiton commit的时机 'sink.partition-commit.trigger'= 'partition-time', -- 配置hour级别的partition时间抽取策略,这个例子中dt字段是yyyy-MM-dd格式的天,hour是0-23的小时,timestamp-pattern定义了如何从这两个partition字段推出完整的timestamp 'partition.time-extractor.timestamp-pattern'=’$dt $ hour: 00: 00’, -- 配置dalay为小时级,当 watermark > partition时间 + 1小时,会commit这个partition 'sink.partition-commit.delay'= '1 h', -- partitiion commit的策略是:先更新metastore(addPartition),再写SUCCESS文件 'sink.partition-commit.policy.kind’='metastore, success- file' ) SET table.sql-dialect=default; CREATE TABLE kafka_table ( user_id STRING, order_amount DOUBLE, log_ts TIMESTAMP(3), WATERMARK FOR log_ts AS log_ts - INTERVAL '5' SECOND ) -- 可以结合Table Hints动态指定table properties [3] INSERT INTO TABLE hive_table SELECT user_id, order_amount, DATE_FORMAT(log_ts, 'yyyy-MM-dd '), DATE_FORMAT(log_ts, 'HH ') FROM kafka_table;
Hive streaming source
Hive 数仓中存在大量的 ETL 任务,这些任务往往是通过调度工具来周期性的运行,这样做主要有两个问题:
-
实时性不强,往往调度最小是小时级。
-
流程复杂,组件多,容易出现问题。
针对这些离线的 ETL 作业, Flink 1.11 为此开发了实时化的 Hive 流读,支持:
-
Partition 表,监控 Partition 的生成,增量读取新的 Partition。
-
非 Partition 表,监控文件夹内新文件的生成,增量读取新的文件。
你甚至可以使用10分钟级别的分区策略,使用 Flink 的 Hive streaming source 和Hive streaming sink 可以大大提高 Hive 数仓的实时性到准实时分钟级 [4][5],在实时化的同时,也支持针对 Table 全量的 Ad-hoc
SELECT * FROM hive_table /*+ OPTIONS('streaming-source.enable'=’true’, 'streaming-source.consume-start-offset'='2020-05-20') */;
实时数据关联 Hive 表
在 Flink 与 Hive 集成的功能发布以后,我们收到最多的用户反馈之一就是希望能够将 Flink 的实时数据与离线的 Hive 表进行关联。因此, 在 Flink 1.11 中,我们支持将实时表与 Hive 表进行 temporal join[6]。沿用 Flink 官方文档中的例子,假定 Orders 是实时表,而 LatestRates 是一张 Hive 表,用户可以通过以下语句进行temporal join:
SELECT o.amout, o.currency, r.rate, o.amount * r.rate FROM Orders AS o JOIN LatestRates FOR SYSTEM_TIME AS OF o.proctime AS r ON r.currency = o.currency
与 Hive 表进行 temporal join 目前只支持 processing time,我们会把 Hive 表的数据缓存到内存中,并按照固定的时间间隔去更新缓存的数据。用户可以通过参数“lookup.join.cache.ttl” 来控制缓存更新的间隔,默认间隔为一个小时。
“lookup.join.cache.ttl” 需要配置到 Hive 表的 property 当中,因此每张表可以有不同的配置。另外,由于需要将整张 Hive 表加载到内存中,因此目前只适用于 Hive 表较小的场景。
Hive 增强
Hive Dialect 语法兼容
Flink on Hive 用户并不能很好的使用 DDL,主要是因为:
-
Flink 1.10 中进一步完善了 DDL,但由于 Flink 与 Hive 在元数据语义上的差异,通过 Flink DDL 来操作 Hive 元数据的可用性比较差,仅能覆盖很少的应用场景。
-
使用 Flink 对接 Hive 的用户经常需要切换到 Hive CLI 来执行 DDL。
针对上述两个问题,我们提出了 FLIP-123 [7],通过 Hive Dialect 为用户提供 Hive语法兼容。该功能的最终目标,是为用户提供近似 Hive CLI/Beeline 的使用体验,让用户无需在 Flink 和 Hive 的 CLI 之间进行切换,甚至可以直接迁移部分 Hive 脚本到 Flink 中执行。
在 Flink 1.11中,Hive Dialect 可以支持大部分常用的 DDL,比如 CREATE/ALTER TABLE、CHANGE/REPLACE COLUMN、ADD/DROP PARTITION 等等。为此,我们为 Hive Dialect 实现了一个独立的 parser,Flink 会根据用户指定的 Dialect 决定使用哪个 parser 来解析 SQL 语句。用户可以通过配置项“ table.sql-dialect ” 来指定使用的 SQL Dialect。它的默认值为 “default”,即 Flink 原生的 Dialect,而将其设置为 “hive” 时就开启了 Hive Dialect。对于 SQL 用户,可以在 yaml 文件中设置“table.sql-dialect” 来指定 session 的初始 Dialect,也可以通过 set 命令来动态调整需要使用的 Dialect,而无需重启 session。
Hive Dialect 目前所支持的具体功能可以参考 FLIP-123 或 Flink 的官方文档。另外,该功能的一些设计原则和使用注意事项如下:
-
Hive Dialect 只能用于操作 Hive 表,而不是 Flink 原生的表(如 Kafka、ES 的表),这也意味着 Hive Dialect 需要配合 HiveCatalog 使用。
-
使用 Hive Dialect 时,原有的 Flink 的一些语法可能会无法使用(例如 Flink 定义的类型别名),在需要使用 Flink 语法时可以动态切换到默认的 Dialect。
-
Hive Dialect 的 DDL 语法定义基于 Hive 的官方文档,而不同 Hive 版本之间语法可能会有轻微的差异,需要用户进行一定的调整。
-
Hive Dialect 的语法实现基于 Calcite,而 Calcite 与 Hive 有不同的保留关键字。因此,某些在 Hive 中可以直接作为标识符的关键字(如 “default” ),在Hive Dialect 中可能需要用“`”进行转义。
向量化读取
Flink 1.10中,Flink 已经支持了 ORC (Hive 2+) 的向量化读取支持,但是这很局限,为此,Flink 1.11 增加了更多的向量化支持:
-
ORC for Hive 1.x [8]
-
Parquet for Hive 1,2,3 [9]
也就是说已经补全了所有版本的 Parquet 和 ORC 向量化支持,默认是开启的,提供开关。
简化 Hive 依赖
Flink 1.10 中,Flink 文档中列出了所需的 Hive 相关依赖,推荐用户自行下载。但是这仍然稍显麻烦,所以 在1.11 中,Flink 提供了内置的依赖支持 [10]:
-
flink-sql-connector-hive-1.2.2_2.11-1.11.jar:Hive 1 的依赖版本。
-
flink-sql-connector-hive-2.2.0_2.11-1.11.jar:Hive 2.0 - 2.2 的依赖版本。
-
flink-sql-connector-hive-2.3.6_2.11-1.11.jar:Hive 2.3 的依赖版本。
-
flink-sql-connector-hive-3.1.2_2.11-1.11.jar:Hive 3 的依赖版本。
现在,你只需要单独下一个包,再搞定 HADOOP_CLASSPATH,即可运行 Flink on Hive。
Flink 增强
除了 Hive 相关的 features,Flink 1.11 也完成了大量其它关于流批一体的增强。
Flink Filesystem connector
Flink table 在长久以来只支持一个 csv 的 file system table,而且它还不支持Partition,行为上在某些方面也有些不符合大数据计算的直觉。
在 Flink 1.11, 重构了整个 Filesystem connector 的实现[1]:
-
结合 Partition,现在,Filesystem connector 支持 SQL 中 Partition 的所有语义,支持 Partition 的 DDL,支持 Partition Pruning,支持静态/动态 Partition 的插入,支持 overwrite 的插入。
-
支持各种 Formats:
-
CSV
-
JSON
-
Aparch AVRO
-
Apache Parquet
-
Apache ORC.
-
-
支持 Batch 的读写。
-
支持 Streaming sink,也支持上述 Hive 支持的 Partition commit,支持写Success 文件。
例子:
CREATE TABLE fs_table ( user_id STRING, order_amount DOUBLE, dt STRING, hour STRING ) PARTITIONED BY (dt, hour) WITH ( ’connector’=’filesystem’, ’path’=’...’, ’format’=’parquet’, 'partition.time-extractor.timestamp-pattern'=’$dt $hour:00:00’, 'sink.partition-commit.delay'='1 h', ‘sink.partition-commit.policy.kind’='success-file') )
-- stream environment or batch environmentINSERT INTO TABLE fs_table SELECT user_id, order_amount, DATE_FORMAT(log_ts, 'yyyy-MM-dd'), DATE_FORMAT(log_ts, 'HH') FROM kafka_table;
-- 通过 Partition 查询SELECT * FROM fs_table WHERE dt=’2020-05-20’ and hour=’12’;
引入 Max Slot
Yarn perJob 或者 session 模式在 1.11 之前是无限扩张的,没有办法限制它的资源使用,只能用 Yarn queue 等方式来限制。但是传统的批作业其实都是大并发,运行在局限的资源上,一部分一部分阶段性的运行,为此,Flink 1.11 引入 Max Slot 的配置[11],限制 Yarn application 的资源使用。