Waterdrop总结

目录

1、简介

使用场景

Waterdrop 的特性

Waterdrop 的工作流程

核心概念

安装

Waterdrop 支持的插件（v1.x）

环境依赖

2、功能测试

任务提交方式

从Hive表导入数据

从PostgreSQL导入数据

Waterdrop 读写hive需要注意的地方

3、v1.x 与 v2.x 区别

4、参考链接

---

1、简介

Waterdrop 是一个非常易用，高性能、支持实时流式和离线批处理的海量数据处理产品，架构于Apache Spark 和 Apache Flink之上。

大大简化分布式数据处理难度外，Waterdrop尽所能为您解决可能遇到的问题：

• 数据丢失与重复

• 任务堆积与延迟

• 吞吐量低

• 应用到生产环境周期长

• 缺少应用运行状态监控

使用场景

• 海量数据ETL

• 海量数据聚合

• 多源数据处理

Waterdrop 的特性

• 简单易用，灵活配置，无需开发

• 实时流式处理

• 高性能

• 海量数据处理能力

• 模块化和插件化，易于扩展

• 支持利用SQL做数据处理和聚合

• Spark Structured Streaming

• 支持Spark 2.x

Waterdrop 的工作流程

  Input[数据源输入] -> Filter[数据处理]...Filter[数据处理] -> Output[结果输出]

• 多个Filter构建了数据处理的Pipeline，满足各种各样的数据处理需求。

• 也可以直接通过SQL构建数据处理的Pipeline，简单高效。

• 您也可以开发自己的数据处理插件，整个系统是易于扩展的。

核心概念

• Row 是Waterdrop逻辑意义上一条数据，是数据处理的基本单位。在Filter处理数据时，所有的数据都会被映射为Row。

• Field 是Row的一个字段。Row可以包含嵌套层级的字段。

• raw_message 指的是从input输入的数据在Row中的raw_message字段。

• root 指的是Row的最顶级的字段相同的字段层级，常用于指定数据处理过程中生成的新字段在Row中的存储位置(top level field)。

安装

spark >= 2.3 下载 waterdrop-1.5.1.zip, spark < 2.3 下载waterdrop-1.5.1-with-spark.zip

 > wget https://github.com/InterestingLab/waterdrop/releases/download/v1.5.1/waterdrop-1.5.1.zip
 ​
 > unzip waterdrop-1.5.1.zip
 ​
 > ln -s waterdrop-1.5.1.zip waterdrop

Waterdrop 支持的插件（v1.x）

• Input/Source plugin

  • Alluxio

  • ElasticSearch

  • FakeStream

  • File

  • FileStream

  • Hdfs

  • HdfsStream

  • Jdbc

  • KafkaStream

  • Kudu

  • MongoDB

  • MySQL

  • Hive

  • S3Stream

  • SocketStream

  • RedisStream

  • Redis

  • Tidb

  • 自行开发的Input plugin

• Filter/Transform plugin

  相当于Spark的转换算子操作

  • Add

  • Checksum

  • Convert

  • Date

  • Drop

  • Grok

  • Join

  • Json

  • Kv

  • Lowercase

  • Remove

  • Rename

  • Repartition

  • Replace

  • Sample

  • Script

  • Split

  • SQL

  • Table

  • Truncate

  • Uppercase

  • Urlencode

  • Urldecode

  • Uuid

  • Watermark

  • 自行开发的Filter plugin

• Output/Sink plugin

  • Alluxio

  • Clickhouse

  • Elasticsearch

  • File

  • Hdfs

  • Jdbc

  • Kafka

  • Kudu

  • MongoDB

  • MySQL

  • Opentsdb

  • S3

  • Stdout

  • Tidb

  • 自行开发的Output plugin

Input插件通用参数

• result_table_name

  不指定 result_table_name时 ，此插件处理后的数据，不会被注册为一个可供其他插件直接访问的数据集(dataset)，或者被称为临时表(table);

  指定 result_table_name 时，此插件处理后的数据，会被注册为一个可供其他插件直接访问的数据集(dataset)，或者被称为临时表(table)。此处注册的数据集(dataset)，其他插件可通过指定 source_table_name 来直接访问。

  如果希望对Input插件数据集进行清洗过滤操作，并且会被Filter插件访问到，则需要指明此属性。相当于注册临时表。

环境依赖

1. java运行环境，java >= 8

2. 如果您要在集群环境中运行Waterdrop，那么需要以下Spark集群环境的任意一种：

• Spark on Yarn

• Spark Standalone

• Spark on Mesos

功能验证，可以仅使用local模式启动，无需集群环境

2、功能测试

任务提交方式

• local 方式

  local、local[K]、local[*]

   # local提交，一般用于本地测试
   ./bin/start-waterdrop.sh --master local[*] --deploy-mode client --config ./config/streaming.conf

• yarn-client 方式

   ./bin/start-waterdrop.sh --master yarn --deploy-mode client --config ./config/streaming.conf

• yarn-cluster 方式

   ./bin/start-waterdrop.sh --master yarn --deploy-mode cluster --config ./config/batch_pg.conf

  区别：yarn-cluster执行效率比yarn-client高

从Hive表导入数据

 spark {
   spark.app.name = "Waterdrop"
   spark.executor.instances = 2
   spark.executor.cores = 1
   spark.executor.memory = "1g"
   spark.sql.catalogImplementation = "hive"
 }
 ​
 input {
   hive {
     pre_sql = "select * from dwd.test_user_info"
     result_table_name = "test_table_1"
   }
 }
 ​
 filter {
 ​
 }
 ​
 ​
 output {
   hdfs {
     path = "hdfs://namenode:8020/warehouse/tablespace/managed/hive/dwd.db/test_user_info_1"
     save_mode = "overwrite"
     format = "orc"
   }
 }

从PostgreSQL导入数据

 spark {
   spark.app.name = "Waterdrop"
   spark.executor.instances = 2
   spark.executor.cores = 1
   spark.executor.memory = "1g"
   spark.sql.catalogImplementation = "hive"
 }
 ​
 input {
 ​
   jdbc {
     driver = "org.postgresql.Driver"
     url = "jdbc:postgresql://pg_hostname:1921/yunpos"
     table = "(select id,activation_code,groups,begin_date,end_date,is_used,period,cast(remark as varchar) remark,create_by,create_at,revise_by,revise_at from pos.activationcodes where revise_at >= '2020-12-01 00:00:00' and revise_at < '2021-01-01 00:00:00') AS tab"
     result_table_name = "pos_activationcodes"
     user = "username"
     password = "password"
   }
 }
 ​
 filter {
 ​
 }
 ​
 output {
   hdfs {
     path = "hdfs://namenode:8020/warehouse/tablespace/managed/hive/dwd.db/dwd_yunpos_pos_activationcodes/ymd=20201207"
     save_mode = "append"
     format = "orc"
   }
 }

说明：

• 需要将jdbc驱动jar包放置到指定的目录下

   > cd waterdrop
   > mkdir -p plugins/my_plugins/lib
   > cp xxx-jdbc.jar plugins/my_plugins/lib

Waterdrop 读写hive需要注意的地方

1. 关闭hive事务功能，默认hive的事务功能是关闭的

2. 配置Ambari Spark，将metastore.catalog.default=hive，默认是spark

   

3. 配置Waterdrop spark config

    # Waterdrop 配置文件中的spark section中：
    spark {
      ...
      spark.sql.catalogImplementation = "hive"
      ...
    }

3、v1.x 与 v2.x 区别

v1.x VS v2.x

-	v1.x	v2.x
支持Spark	Yes	Yes
开发Spark插件	Yes	Yes
支持Flink	No	Yes
开发Flink插件	No	Yes
支持的Waterdrop运行模式	local, Spark Standalone Cluster, on Yarn, on k8s	local, Spark/Flink Standalone Cluster, on Yarn, on k8s
支持SQL计算	Yes	Yes
配置文件动态变量替换	Yes	Yes
项目代码编译方式	sbt(下载依赖很困难，我们正式放弃sbt)	maven
主要编程语言	scala	java

Waterdrop v1.x 与 v2.x 还有一个很大的区别，就是配置文件中，input改名为source, filter改名为transform, output改名为sink，如下：

# v1.x 的配置文件:

spark {}

input {}

filter {}

output {}

# v2.x 的配置文件:

env {} # spark -> env

source {} # input -> source

transform {} # filter -> transform

sink {} # output -> sink

4、参考链接

• JDBC To Other Databases

• Postgresql JDBC 下载

• spark 参数配置

• Waterdrop帮助文档