修改hive配置

上一篇介紹了使用sql將流式數(shù)據(jù)寫入文件系統(tǒng)，這次我們來(lái)介紹下使用sql將文件寫入hive,對(duì)于如果想寫入已經(jīng)存在的hive表，則至少需要添加以下兩個(gè)屬性.  寫入hive底層還是和寫入文件系統(tǒng)一樣的，所以對(duì)于其他具體的配置參考上一篇.

alter table table_name set TBLPROPERTIES ('is_generic'='false'); 

alter table table_name set TBLPROPERTIES ('sink.partition-commit.policy.kind'='metastore'); 


//如果想使用eventtime分區(qū)
alter table table_name set TBLPROPERTIES ('sink.partition-commit.trigger'='partition-time'); 

案例講解

下面我們講解一下，如何使用java程序來(lái)構(gòu)建一個(gè)flink程序來(lái)寫入hive。

引入相關(guān)的pom

      <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-hive_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-exec</artifactId>
            <version>3.1.2</version>
        </dependency>

構(gòu)造hive catalog

  //構(gòu)造hive catalog
  String name = "myhive";
  String defaultDatabase = "default";
  String hiveConfDir = "/Users/user/work/hive/conf"; // a local path
  String version = "3.1.2";

  HiveCatalog hive = new HiveCatalog(name, defaultDatabase, hiveConfDir, version);
  tEnv.registerCatalog("myhive", hive);
  tEnv.useCatalog("myhive");
  tEnv.getConfig().setSqlDialect(SqlDialect.HIVE);
  tEnv.useDatabase("db1");

創(chuàng)建hive表

如果目前系統(tǒng)中沒(méi)有存在相應(yīng)的hive表，可以通過(guò)在程序中執(zhí)行相應(yīng)的DDL建表語(yǔ)句來(lái)建表，如果已經(jīng)存在了，就把這段代碼省略，使用上面的hive命令修改現(xiàn)有表，添加相應(yīng)的屬性。

CREATE EXTERNAL TABLE `fs_table`(
  `user_id` string, 
  `order_amount` double)
PARTITIONED BY ( 
  `dt` string, 
  `h` string, 
  `m` string)
stored as ORC 
TBLPROPERTIES (
  'sink.partition-commit.policy.kind'='metastore'，
  'partition.time-extractor.timestamp-pattern'='$dt $h:$m:00'
)

將流數(shù)據(jù)插入hive，

 String insertSql = "insert into  fs_table SELECT userId, amount, " +
                     " DATE_FORMAT(ts, 'yyyy-MM-dd'), DATE_FORMAT(ts, 'HH'), DATE_FORMAT(ts, 'mm') FROM users";
  tEnv.executeSql(insertSql);

完整的代碼請(qǐng)參考：

https://github.com/zhangjun0x01/bigdata-examples/blob/master/flink/src/main/java/connectors/sql/StreamingWriteHive.java

遇到的坑

問(wèn)題詳解

對(duì)于如上的程序和sql，如果配置了是使用eventtime，在此程序中配置了'sink.partition-commit.trigger'='partition-time'，最后發(fā)現(xiàn)程序沒(méi)法提交分區(qū)。

分析了一下源碼，問(wèn)題是出在了這個(gè)方法，org.apache.flink.table.filesystem.stream.PartitionTimeCommitTigger#committablePartitions。先貼上代碼：

 @Override
 public List<String> committablePartitions(long checkpointId) {
  if (!watermarks.containsKey(checkpointId)) {
   throw new IllegalArgumentException(String.format(
     "Checkpoint(%d) has not been snapshot. The watermark information is: %s.",
     checkpointId, watermarks));
  }

  long watermark = watermarks.get(checkpointId);
  watermarks.headMap(checkpointId, true).clear();

  List<String> needCommit = new ArrayList<>();
  Iterator<String> iter = pendingPartitions.iterator();
  while (iter.hasNext()) {
   String partition = iter.next();
   //通過(guò)分區(qū)的值抽取分區(qū)的時(shí)間.
   LocalDateTime partTime = extractor.extract(
     partitionKeys, extractPartitionValues(new Path(partition)));
   //判斷水印是否大于分區(qū)創(chuàng)建時(shí)間+延遲時(shí)間
   if (watermark > toMills(partTime) + commitDelay) {
    needCommit.add(partition);
    iter.remove();
   }
  }
  return needCommit;
 }

系統(tǒng)通過(guò)分區(qū)值來(lái)抽取相應(yīng)的分區(qū)創(chuàng)建時(shí)間,然后進(jìn)行比對(duì)，比如我們?cè)O(shè)置的pattern是      h:$m:00 , 某一時(shí)刻我們正在往 /2020-07-06/18/20/ 這個(gè)分區(qū)下寫數(shù)據(jù)，那么程序根據(jù)分區(qū)值，得到的pattern將會(huì)是2020-07-06 18:20:00，這個(gè)值在sql中是根據(jù)DATA_FORMAT函數(shù)獲取的。

這個(gè)值是帶有時(shí)區(qū)的， 也是我想要的， 比如我們的時(shí)區(qū)設(shè)置為東八區(qū)，2020-07-06 18:20:00這個(gè)時(shí)間是東八區(qū)的時(shí)間，換成標(biāo)準(zhǔn)UTC時(shí)間是減去八個(gè)小時(shí)，也就是2020-07-06 10:20:00，而源碼中的toMills函數(shù)在處理這個(gè)東八區(qū)的時(shí)間時(shí)，并沒(méi)有任何加入任何時(shí)區(qū)的處理，把這個(gè)其實(shí)應(yīng)該是東八區(qū)的時(shí)間當(dāng)做了UTC時(shí)間來(lái)處理，這樣計(jì)算出來(lái)的值就比實(shí)際值大8小時(shí)，導(dǎo)致一直沒(méi)有觸發(fā)分區(qū)的提交。

如果我們?cè)跀?shù)據(jù)源構(gòu)造的分區(qū)是UTC時(shí)間，也就是不帶分區(qū)的時(shí)間，那么這個(gè)邏輯就是沒(méi)有問(wèn)題的，但是這樣又不符合我們的實(shí)際情況，比如對(duì)于分區(qū)2020-07-06 18:20:00，我希望我的分區(qū)肯定是東八區(qū)的時(shí)間，而不是比東八區(qū)小8個(gè)小時(shí)的UTC時(shí)間2020-07-06 10:20:00。

所以針對(duì)上述情況，有兩種解決方案，一種是自定義一個(gè)分區(qū)抽取類，第二，就是修改源碼，改一下現(xiàn)在的缺省的時(shí)間分區(qū)抽取類。我個(gè)人認(rèn)為修改一下缺省類更好理解，因?yàn)槟壳皩懭胛募蚳ive這塊配置和概念有點(diǎn)多，我不想太增加過(guò)多的配置來(lái)增加用戶的難度，應(yīng)該盡可能的用缺省值就能使程序很好的運(yùn)行。

我們看下flink中的StreamingFileSink類，構(gòu)造分區(qū)桶的時(shí)候默認(rèn)是使用的DateTimeBucketAssigner，其構(gòu)造分區(qū)路徑就是帶有時(shí)區(qū)概念的，默認(rèn)就用的是本地時(shí)區(qū)。

public DateTimeBucketAssigner(String formatString) {
  this(formatString, ZoneId.systemDefault());
 }
 

修改方案

這個(gè)問(wèn)題，也不知道算不算一個(gè)bug，我給官方提交了一個(gè)ISSUE，但是官方?jīng)]有采納，不過(guò)我覺(jué)得不符合我的習(xí)慣，所以我對(duì)這個(gè)功能進(jìn)行了修改，讓partition.time-extractor.timestamp-pattern提取的partiiton是帶有時(shí)區(qū)的，默認(rèn)情況下是本地時(shí)區(qū)。如果是非本地時(shí)區(qū)，可以指定時(shí)區(qū)，通過(guò)參數(shù)partition.time-extractor.time-zone來(lái)指定，我們可以通下面的代碼獲取有效的時(shí)區(qū)。

 Set<String> zoneIds = ZoneId.getAvailableZoneIds();
 zoneIds.stream().forEach(System.out::println);

比如我們東八區(qū)默認(rèn)使用 Asia/Shanghai。

我基于社區(qū)的flink的tag release-1.11.0-rc4，我改了一下代碼 將代碼放到了github上。