网站导航
> 文档中心 > 数据湖（四）：Hudi与Spark整合

数据湖（四）：Hudi与Spark整合

网友: 文档中心 2022-05-30 09:04:52

大数据联盟地址：https://bbs.csdn.net/forums/lanson 

文章目录

Hudi与Spark整合

一、向Hudi插入数据

1、创建项目，修改pom.xml为如下内容

2、编写向Hudi插入数据代码

二、指定分区向hudi中插入数据

1、指定一个分区列

2、指定分区为多个列时，可以先拼接，后指定拼接字段当做分区列： 

三、 读取Hudi数据

四、​​​​​​​​​​​​​​更新Hudi数据

五、 增量查询Hudi数据

六、​​​​​​​​​​​​​​指定时间范围查询Hudi数据

1、向原有Hudi表“person_infos”中插入两次数据

2、指定时间段查询Hudi中的数据

七、​​​​​​​​​​​​​​删除Hudi数据

八、​​​​​​更新Hudi某个分区数据

1、删除person_infos对应的目录，重新插入数据，代码如下

2、读取更新分区数据，插入到Hudi preson_infos表中

九、覆盖Hudi整个表数据

1、删除Hudi表person_infos对应的HDFS路径，重新插入数据

2、读取新数据，覆盖原有Hudi表数据

十、​​​​​​​Spark操作Hudi Merge On Read 模式

十一、​​​​​​测试COW模式parquet文件删除与MOR模式Parquet文件与log文件Compact

Hudi与Spark整合

一、向Hudi插入数据

默认Spark操作Hudi使用表类型为Copy On Write模式。Hudi与Spark整合时有很多参数配置，可以参照https://hudi.apache.org/docs/configurations.html配置项来查询，此外，整合时有几个需要注意的点，如下:

  • Hudi这里使用的是0.8.0版本，其对应使用的Spark版本是2.4.3+版本
  • Spark2.4.8使用的Scala版本是2.12版本，虽然2.11也是支持的，建议使用2.12。
  • maven导入包中需要保证httpclient、httpcore版本与集群中的Hadoop使用的版本一致，不然会导致通信有问题。检查Hadoop使用以上两个包的版本路径为：$HADOOP_HOME/share/hadoop/common/lib。
  • 在编写代码过程中，指定数据写入到HDFS路径时直接写“/xxdir”不要写“hdfs://mycluster/xxdir”,后期会报错“java.lang.IllegalArgumentException: Not in marker dir. Marker Path=hdfs://mycluster/hudi_data/.hoodie\.temp/2022xxxxxxxxxx/default/c4b854e7-51d3-4a14-9b7e-54e2e88a9701-0_0-22-22_20220509164730.parquet.marker.CREATE, Expected Marker Root=/hudi_data/.hoodie/.temp/2022xxxxxxxxxx”,可以将对应的hdfs-site.xml、core-site.xml放在resources目录下，直接会找HDFS路径。

1、创建项目，修改pom.xml为如下内容

  UTF-8  2.12.14  2.4.8        org.scala-lang    scala-library    ${scala.version}            org.apache.httpcomponents      httpclient      4.5.2            org.apache.httpcomponents      httpcore      4.4.4          org.apache.spark    spark-core_2.12    ${spark.version}           org.apache.httpcomponents httpclient               org.apache.httpcomponents   httpcore                  org.apache.spark    spark-sql_2.12    ${spark.version}        org.apache.spark    spark-avro_2.12    ${spark.version}          org.apache.spark    spark-hive_2.12    ${spark.version}          org.apache.hive    hive-jdbc    1.2.1        org.apache.hudi    hudi-spark-bundle_2.12    0.8.0                  org.scala-tools      maven-scala-plugin      2.15.2               compile     testCompile                            maven-assembly-plugin      2.4        <!--false-->    jar-with-dependencies          com.xxx                    make-assembly   package        assembly

2、编写向Hudi插入数据代码

val session: SparkSession = SparkSession.builder().master("local").appName("insertDataToHudi")      .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")      .getOrCreate()    //关闭日志//    session.sparkContext.setLogLevel("Error")    //创建DataFrame    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\jsondata.json")    //将结果保存到hudi中    insertDF.write.format("org.apache.hudi")//或者直接写hudi      //设置主键列名称      .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY,"id")      //当数据主键相同时，对比的字段，保存该字段大的数据      .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY,"data_dt")S      //并行度设置，默认1500      .option("hoodie.insert.shuffle.parallelism","2")      .option("hoodie.upsert.shuffle.parallelism", "2")      //表名设置      .option(HoodieWriteConfig.TABLE_NAME,"person_infos")      .mode(SaveMode.Overwrite)      //注意：这里要选择hdfs路径存储，不要加上hdfs://mycluster//dir      //将hdfs 中core-site.xml 、hdfs-site.xml放在resource目录下，直接写/dir路径即可，否则会报错：java.lang.IllegalArgumentException: Not in marker dir. Marker Path=hdfs://mycluster/hudi_data/.hoodie\.temp/20220509164730/default/c4b854e7-51d3-4a14-9b7e-54e2e88a9701-0_0-22-22_20220509164730.parquet.marker.CREATE, Expected Marker Root=/hudi_data/.hoodie/.temp/20220509164730      .save("/hudi_data/person_infos")

 

二、指定分区向hudi中插入数据

向Hudi中存储数据时，如果没有指定分区列，那么默认只有一个default分区，我们可以保存数据时指定分区列，可以在写出时指定“DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY”选项来指定分区列，如果涉及到多个分区列，那么需要将多个分区列进行拼接生成新的字段，使用以上参数指定新的字段即可。

1、指定一个分区列

insertDF.write.format("org.apache.hudi")  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")  //指定分区列  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "loc")  .option("hoodie.insert.shuffle.parallelism", "2")  .option("hoodie.upsert.shuffle.parallelism", "2")  .option(HoodieWriteConfig.TABLE_NAME, "person_infos")  .mode(SaveMode.Overwrite)  .save("/hudi_data/person_infos")

 

2、指定分区为多个列时，可以先拼接，后指定拼接字段当做分区列： 

指定两个分区，需要拼接

//导入函数，拼接列import org.apache.spark.sql.functions._val endDF: DataFrame = insertDF.withColumn("partition_key", concat_ws("-", col("data_dt"), col("loc")))endDF.write.format("org.apache.hudi")  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")  //指定分区列,这里是拼接的列  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "partition_key")  .option("hoodie.insert.shuffle.parallelism", "2")  .option("hoodie.upsert.shuffle.parallelism", "2")  .option(HoodieWriteConfig.TABLE_NAME, "person_infos")  .mode(SaveMode. )   .save("/hudi_data/person_infos")

 

三、 ​​​​​​​读取Hudi数据

使用SparkSQL读取Hudi中的数据，无法使用读取表方式来读取，需要指定HDFS对应的路径来加载，指定的路径只需要指定到*.parquet当前路径或者上一层路径即可，路径中可以使用“*”来替代任意目录和数据。

读取数据返回的结果中除了原有的数据之外，还会携带Hudi对应的列数据，例如：hudi的主键、分区、提交时间、对应的parquet名称。

Spark读取Hudi表数据代码如下：

val session: SparkSession = SparkSession.builder().master("local").appName("queryDataFromHudi")  .getOrCreate()//读取的数据路径下如果有分区，会自动发现分区数据,需要使用 * 代替，指定到parquet格式数据上层目录即可。val frame: DataFrame = session.read.format("org.apache.hudi").load("/hudi_data/person_infos/*/*")frame.createTempView("personInfos")//查询结果val result = session.sql(  """    | select * from personInfos  """.stripMargin)result.show(false)

 

四、​​​​​​​​​​​​​​更新Hudi数据

向Hudi中更新数据有如下几个特点

  • 同一个分区内，向Hudi中更新数据是用主键来判断数据是否需要更新的，这里判断的是相同分区内是否有相同主键，不同分区内允许有相同主键。
  • 更新数据时，如果原来数据有分区，一定要指定分区，不然就相当于是向相同表目录下插入数据，会生成对应的“default”分区。
  • 向Hudi中更新数据时，与向Hudi中插入数据一样，但是写入的模式需要指定成“Append”，如果指定成“overwrite”，那么就是全覆盖了。建议使用时一直使用“Append”模式即可。
  • 当更新完成之后，再一次从Hudi中查询数据时，会看到Hudi提交的时间字段为最新的时间。

这里将原有的三条数据改成如下三条数据:

#修改之前{"id":1,"name":"zs1","age":18,"loc":"beijing","data_dt":"20210709"}{"id":2,"name":"zs2","age":19,"loc":"shanghai","data_dt":"20210709"}{"id":3,"name":"zs3","age":20,"loc":"beijing","data_dt":"20210709"}#修改之后{"id":1,"name":"ls1","age":40,"loc":"beijing","data_dt":"20210709"} --更新数据{"id":2,"name":"ls2","age":50,"loc":"shanghai","data_dt":"20210710"} --更新数据{"id":3,"name":"ls3","age":60,"loc":"ttt","data_dt":"20210711"}  --相当于是新增数据

 更新Hudi数据代码如下:

val session: SparkSession = SparkSession.builder().master("local").appName("updataDataToHudi")  .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")  .getOrCreate()//读取修改数据val updateDataDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\updatedata.json")//向Hudi 更新数据updateDataDF.write.format("org.apache.hudi") //或者直接写hudi  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY,"loc")  .option("hoodie.insert.shuffle.parallelism", "2")  .option("hoodie.upsert.shuffle.parallelism", "2")  .option(HoodieWriteConfig.TABLE_NAME, "person_infos")  .mode(SaveMode.Append)  .save("/hudi_data/person_infos")//查询数据val frame: DataFrame = session.read.format("org.apache.hudi").load("/hudi_data/person_infos/*/*")frame.createTempView("personInfos")//查询结果val result = session.sql(  """    | select * from personInfos  """.stripMargin)result.show(false)

 

五、 增量查询Hudi数据

Hudi可以根据我们传入的时间戳查询此时间戳之后的数据，这就是增量查询，需要注意的是增量查询必须通过以下方式在Spark中指定一个时间戳才能正常查询：

option(DataSourceReadOptions.BEGIN_INSTANTTIME_OPT_KEY,timestamp)

例如：原始数据如下：

我们可以查询“20210709220335”之后的数据，查询结果如下：

代码如下：

val session: SparkSession = SparkSession.builder().master("local").appName("updataDataToHudi")  .getOrCreate()//关闭日志session.sparkContext.setLogLevel("Error")//导入隐式转换import session.implicits._//查询全量数据,查询对应的提交时间，找出倒数第二个时间val basePath = "/hudi_data/person_infos"session.read.format("hudi").load(basePath+"/*/*").createTempView("personInfos")val df: DataFrame = session.sql("select distinct(_hoodie_commit_time) as commit_time from personInfos order by commit_time desc")//这里获取由大到小排序的第二个值val dt: String = df.map(row=>{row.getString(0)}).collect()(1)//增量查询val result:DataFrame = session.read.format("hudi")/**  * 指定数据查询方式，有以下三种：  * val QUERY_TYPE_SNAPSHOT_OPT_VAL = "snapshot"    -- 获取最新所有数据 , 默认  * val QUERY_TYPE_INCREMENTAL_OPT_VAL = "incremental"  --获取指定时间戳后的变化数据  * val QUERY_TYPE_READ_OPTIMIZED_OPT_VAL = "read_optimized"  -- 只查询Base文件中的数据  *  * 1) Snapshot mode (obtain latest view, based on row & columnar data)  * 2) incremental mode (new data since an instantTime)  * 3) Read Optimized mode (obtain latest view, based on columnar data)  *  * Default: snapshot  */  .option(DataSourceReadOptions.QUERY_TYPE_OPT_KEY,DataSourceReadOptions.QUERY_TYPE_INCREMENTAL_OPT_VAL)  //必须指定一个开始查询的时间，不指定报错  .option(DataSourceReadOptions.BEGIN_INSTANTTIME_OPT_KEY,dt)  .load(basePath+"/*/*")result.show(false)

六、​​​​​​​​​​​​​​指定时间范围查询Hudi数据

Hudi还可以通过指定开始时间和结束时间来查询时间范围内的数据。如果想要查询最早的时间点到某个结束时刻的数据，开始时间可以指定成“000”。

1、向原有Hudi表“person_infos”中插入两次数据

目前hudi表中的数据如下：

先执行两次新的数据插入，两次插入数据之间的间隔时间至少为1分钟，两次插入数据代码如下:

//以下代码分两次向 HDFS /hudi_data/person_infos 路径中插入数据，两次运行至少1分钟以上val session: SparkSession = SparkSession.builder().master("local").appName("PointTimeQueryHudi")  .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")  .getOrCreate()//读取第一个文件，向Hudi中插入数据val df1: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\appendData1.json")val df2: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\appendData2.json")//向Hudi中插入数据df2.write.format("hudi")  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "loc")  .option("hoodie.insert.shuffle.parallelism", "2")  .option("hoodie.upsert.shuffle.parallelism", "2")  .option(HoodieWriteConfig.TABLE_NAME, "person_infos")  .mode(SaveMode.Append)  .save("/hudi_data/person_infos")import org.apache.spark.sql.functions._//查询数据session.read.format("hudi").load("/hudi_data/person_infos/*/*")  .orderBy(col("_hoodie_commit_time"))  .show(100,false)

此时，数据如下：

 

 

2、指定时间段查询Hudi中的数据

代码如下：

val session: SparkSession = SparkSession.builder().master("local").appName("PointTimeQueryHudi")      .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")      .getOrCreate()    //指定时间段，查询hudi中的数据//    val beginTime = "000"    val beginTime = "20210710002148"    val endTime = "20210710002533"    val result: DataFrame = session.read.format("hudi")      //指定增量查询      .option(DataSourceReadOptions.QUERY_TYPE_OPT_KEY, DataSourceReadOptions.QUERY_TYPE_INCREMENTAL_OPT_VAL)      //指定查询开始时间（不包含），“000”指定为最早时间      .option(DataSourceReadOptions.BEGIN_INSTANTTIME_OPT_KEY, beginTime)      //指定查询结束时间（包含）      .option(DataSourceReadOptions.END_INSTANTTIME_OPT_KEY, endTime)      .load("/hudi_data/person_infos/*/*")    result.createTempView("temp")    session.sql(      """ | select * from temp order by _hoodie_commit_time      """.stripMargin).show(100,false)

开始时间为“000”，相当于是从头开始查询到endTime的数据：

 

开始时间为“20210710002148”： 

七、​​​​​​​​​​​​​​删除Hudi数据

我们准备对应的主键及分区的数据，将Hudi中对应的主键及分区的数据进行删除，在删除Hudi中的数据时，需要指定option(OPERATION_OPT_KEY,"delete")配置项，并且写入模式只能是Append，不支持其他写入模式，另外，设置下删除执行的并行度，默认为1500个，这里可以设置成2个。

原始数据如下：

准备要删除的数据如下：

{"id":11,"loc":"beijing"}{"id":12,"loc":"beijing"}{"id":13,"loc":"beijing"}{"id":14,"loc":"shenzhen"}{"id":15,"loc":"tianjian"}  --此条数据对应的主键一致，但是分区不一致，不能在Hudi中删除

 编写代码如下:

val session: SparkSession = SparkSession.builder().master("local").appName("DeleteHudiData")  .config("spark.serializer","org.apache.spark.serializer.KryoSerializer")  .getOrCreate()//读取需要删除的数据，只需要准备对应的主键及分区即可，字段保持与Hudi中需要删除的字段名称一致即可//读取的文件中准备了一个主键在Hudi中存在但是分区不再Hudi中存在的数据，此主键数据在Hudi中不能被删除，需要分区和主键字段都匹配才能删除val deleteData: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\deleteData.json")//将删除的数据插入到Hudi中deleteData.write.format("hudi")  //指定操作模式为delete  .option(DataSourceWriteOptions.OPERATION_OPT_KEY,"delete")  //指定主键  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY,"id")  //指定分区字段  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY,"loc")  //指定表名，这里的表明需要与之前指定的表名保持一致  .option(HoodieWriteConfig.TABLE_NAME,"person_infos")  //设置删除并行度设置，默认1500并行度  .option("hoodie.delete.shuffle.parallelism", "2")  .mode(SaveMode.Append)  .save("/hudi_data/person_infos")//执行完成之后，查询结果import org.apache.spark.sql.functions._session.read.format("hudi").load("/hudi_data/person_infos/*/*")  .orderBy(col("_hoodie_commit_time")).show(100,false)

结果如下：

八、​​​​​​更新Hudi某个分区数据

如果我们想要更新Hudi某个分区的数据，其他分区数据正常使用，那么可以通过配置option(DataSourceWriteOptions.OPERATION_OPT_KEY,"insert_overwrite")选项，该选项“insert_overwrite”可以直接在元数据层面上操作，直接将写入某分区的新数据替换到该分区内，原有数据会在一定时间内删除，相比upsert更新Hudi速度要快。

1、删除person_infos对应的目录，重新插入数据，代码如下

val session: SparkSession = SparkSession.builder().master("local").appName("InsertOverWrite")  .config("spark.serializer","org.apache.spark.serializer.KryoSerializer")  .getOrCreate()//创建DataFrameval insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\jsondata.json")insertDF.write.format("org.apache.hudi")  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "loc")  .option("hoodie.insert.shuffle.parallelism", "2")  .option("hoodie.upsert.shuffle.parallelism", "2")  .option(HoodieWriteConfig.TABLE_NAME, "person_infos")  .mode(SaveMode.Append)  .save("/hudi_data/person_infos")//写入完成之后，查询hudi 数据：val person_infos: DataFrame = session.read.format("hudi").load("/hudi_data/person_infos/*/*")person_infos.show(100,false)

2、读取更新分区数据，插入到Hudi preson_infos表中

读取数据如下：

{"id":1,"name":"s1","age":1,"loc":"beijing","data_dt":"20210710"}{"id":100,"name":"s2","age":2,"loc":"beijing","data_dt":"20210710"}{"id":200,"name":"s3","age":3,"loc":"beijing","data_dt":"20210710"}{"id":8,"name":"w1","age":4,"loc":"chongqing","data_dt":"20210710"}{"id":300,"name":"w2","age":5,"loc":"chongqing","data_dt":"20210710"}

代码如下：

val session: SparkSession = SparkSession.builder().master("local").appName("InsertOverWrite")      .config("spark.serializer","org.apache.spark.serializer.KryoSerializer")      .getOrCreate()    //读取需要替换的数据,将beijing分区数据替换成2条，将chognqing分区数据替换成1条    val overWritePartitionData: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\overWrite.json")    //写入hudi表person_infos，替换分区    overWritePartitionData.write.format("hudi")      .option(DataSourceWriteOptions.OPERATION_OPT_KEY,"insert_overwrite")      //设置主键列名称      .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")      //当数据主键相同时，对比的字段，保存该字段大的数据      .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")      //指定分区列      .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "loc")      //并行度设置      .option("hoodie.insert.shuffle.parallelism", "2")      .option("hoodie.upsert.shuffle.parallelism", "2")      //表名设置      .option(HoodieWriteConfig.TABLE_NAME, "person_infos")      .mode(SaveMode.Append)      .save("/hudi_data/person_infos")    //写入完成之后，查询hudi 数据：    val person_infos: DataFrame = session.read.format("hudi").load("/hudi_data/person_infos/*/*")    person_infos.show(100,false)

 

 

九、覆盖Hudi整个表数据

如果我们想要替换Hudi整个表数据，可以在向Hudi表写入数据时指定配置option(DataSourceWriteOptions.OPERATION_OPT_KEY,"insert_overwrite_table")选项，该选项“insert_overwrite_table”可以直接在元数据层面上操作，直接将数据写入表，原有数据会在一定时间内删除，相比删除原有数据再插入更方便。

1、删除Hudi表person_infos对应的HDFS路径，重新插入数据

val session: SparkSession = SparkSession.builder().master("local").appName("InsertOverWrite")      .config("spark.serializer","org.apache.spark.serializer.KryoSerializer")      .getOrCreate()    //创建DataFrame    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\jsondata.json")    insertDF.write.format("org.apache.hudi")      .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")      .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")      .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "loc")      .option("hoodie.insert.shuffle.parallelism", "2")      .option("hoodie.upsert.shuffle.parallelism", "2")      .option(HoodieWriteConfig.TABLE_NAME, "person_infos")      .mode(SaveMode.Append)      .save("/hudi_data/person_infos")    //写入完成之后，查询hudi 数据：    val person_infos: DataFrame = session.read.format("hudi").load("/hudi_data/person_infos/*/*")    person_infos.show(100,false)

 

 

2、读取新数据，覆盖原有Hudi表数据

覆盖更新的数据如下：

{"id":1,"name":"s1","age":1,"loc":"beijing","data_dt":"20210710"}{"id":100,"name":"s2","age":2,"loc":"beijing","data_dt":"20210710"}{"id":200,"name":"s3","age":3,"loc":"beijing","data_dt":"20210710"}{"id":8,"name":"w1","age":4,"loc":"chongqing","data_dt":"20210710"}{"id":300,"name":"w2","age":5,"loc":"chongqing","data_dt":"20210710"}

代码如下：

val session: SparkSession = SparkSession.builder().master("local").appName("InsertOverWrite")      .config("spark.serializer","org.apache.spark.serializer.KryoSerializer")      .getOrCreate()    //读取需要替换的数据,覆盖原有表所有数据    val overWritePartitionData: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\overWrite.json")    //写入hudi表person_infos，替换分区    overWritePartitionData.write.format("hudi")      .option(DataSourceWriteOptions.OPERATION_OPT_KEY,"insert_overwrite_table")      //设置主键列名称      .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")      //当数据主键相同时，对比的字段，保存该字段大的数据      .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")      //指定分区列      .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY, "loc")      //并行度设置      .option("hoodie.insert.shuffle.parallelism", "2")      .option("hoodie.upsert.shuffle.parallelism", "2")      //表名设置      .option(HoodieWriteConfig.TABLE_NAME, "person_infos")      .mode(SaveMode.Append)      .save("/hudi_data/person_infos")    //写入完成之后，查询hudi 数据：    val person_infos: DataFrame = session.read.format("hudi").load("/hudi_data/person_infos/*/*")    person_infos.show(100,false)

 

十、​​​​​​​Spark操作Hudi Merge On Read 模式

默认Spark操作Hudi使用Copy On Write模式，也可以使用Merge On Read 模式，通过代码中国配置如下配置来指定：

option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.MOR_TABLE_TYPE_OPT_VAL)

代码操作如下：

  • 删除原有person_infos对应的HDFS路径
  • 读取数据向Hudi表person_info中插入数据

读取的数据如下：

{"id":1,"name":"zs1","age":18,"loc":"beijing","data_dt":"20210709"}{"id":2,"name":"zs2","age":19,"loc":"shanghai","data_dt":"20210709"}{"id":3,"name":"zs3","age":20,"loc":"beijing","data_dt":"20210709"}{"id":4,"name":"zs4","age":21,"loc":"tianjin","data_dt":"20210709"}{"id":5,"name":"zs5","age":22,"loc":"shenzhen","data_dt":"20210709"}{"id":6,"name":"zs6","age":23,"loc":"hainai","data_dt":"20210709"}{"id":7,"name":"zs7","age":24,"loc":"beijing","data_dt":"20210709"}{"id":8,"name":"zs8","age":25,"loc":"chongqing","data_dt":"20210709"}{"id":9,"name":"zs9","age":26,"loc":"shandong","data_dt":"20210709"}{"id":10,"name":"zs10","age":27,"loc":"hunan","data_dt":"20210709"}

代码如下：

//1.读取json格式数据val insertDf: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\jsondata.json")//2.将结果使用Merge on Read 模式写入到Hudi中,并设置分区insertDf.write.format("hudi")  //设置表模式为 mor  .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.MOR_TABLE_TYPE_OPT_VAL)  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY,"id")  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY,"loc")  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY,"data_dt")  //并行度设置  .option("hoodie.insert.shuffle.parallelism", "2")  .option("hoodie.upsert.shuffle.parallelism", "2")  //表名设置  .option(HoodieWriteConfig.TABLE_NAME, "person_infos")  .mode(SaveMode.Append)  .save("/hudi_data/person_infos")

 

  • 更新Hudi表person_info数据

这里更新“beijing”、“shanghai”、“ttt”分区数据，更新数据如下：

{"id":1,"name":"ls1","age":40,"loc":"beijing","data_dt":"20210709"}{"id":2,"name":"ls2","age":50,"loc":"shanghai","data_dt":"20210710"}{"id":3,"name":"ls3","age":60,"loc":"ttt","data_dt":"20210711"}

代码如下：

//3.读取更新数据，并执行插入更新val updateDf: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\updatedata.json")updateDf.write.format("hudi")  //设置表模式为 mor  .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.MOR_TABLE_TYPE_OPT_VAL)  .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY,"id")  .option(DataSourceWriteOptions.PARTITIONPATH_FIELD_OPT_KEY,"loc")  .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY,"data_dt")  //并行度设置  .option("hoodie.insert.shuffle.parallelism", "2")  .option("hoodie.upsert.shuffle.parallelism", "2")  //表名设置  .option(HoodieWriteConfig.TABLE_NAME, "person_infos")  .mode(SaveMode.Append)  .save("/hudi_data/person_infos")

 

  • 增量查询Hudi表中的数据

Snapshot 模式查询，这种模式对于COW或者MOR模式都是查询到当前时刻全量的数据，如果有更新，那么就是更新之后全量的数据：

//4.使用不同模式查询 MOR 表中的数据/**  * 指定数据查询方式，有以下三种：  * val QUERY_TYPE_SNAPSHOT_OPT_VAL = "snapshot"    -- 获取最新所有数据 , 默认  * val QUERY_TYPE_INCREMENTAL_OPT_VAL = "incremental"  --获取指定时间戳后的变化数据  * val QUERY_TYPE_READ_OPTIMIZED_OPT_VAL = "read_optimized"  -- 只查询Base文件中的数据  *  * 1) Snapshot mode (obtain latest view, based on row & columnar data)  * 2) incremental mode (new data since an instantTime)  * 3) Read Optimized mode (obtain latest view, based on columnar data)  *  * Default: snapshot  *///4.1 Snapshot 模式查询session.read.format("hudi")  .option(DataSourceReadOptions.QUERY_TYPE_OPT_KEY,DataSourceReadOptions.QUERY_TYPE_SNAPSHOT_OPT_VAL)  .load("/hudi_data/person_infos/*/*")  .show(100,false)

 

 

incremental 模式查询，这种模式需要指定一个时间戳，查询指定时间戳之后的新增数据： 

//4.2 incremental 模式查询，查询指定时间戳后的数据session.read.format("hudi")  .option(DataSourceReadOptions.QUERY_TYPE_OPT_KEY,DataSourceReadOptions.QUERY_TYPE_INCREMENTAL_OPT_VAL)  //必须指定一个开始查询的时间，不指定报错  .option(DataSourceReadOptions.BEGIN_INSTANTTIME_OPT_KEY,"20210710171240")  .load("/hudi_data/person_infos/*/*")  .show(100,false)

 

Read Optimized 模式查询，这种模式只查询Base中的数据，不会查询MOR中Log文件中的数据，代码如下：

//4.3 Read Optimized 模式查询，查询Base中的数据，不会查询log中的数据session.read.format("hudi")  .option(DataSourceReadOptions.QUERY_TYPE_OPT_KEY,DataSourceReadOptions.QUERY_TYPE_READ_OPTIMIZED_OPT_VAL)  .load("/hudi_data/person_infos/*/*")  .show(100,false)

 

 

十一、​​​​​​测试COW模式parquet文件删除与MOR模式Parquet文件与log文件Compact

 COW默认情况下，每次更新数据Commit都会基于之前parquet文件生成一个新的Parquet Base文件数据，默认历史parquet文件数为10，当超过10个后会自动删除旧的版本，可以通过参数“hoodie.cleaner.commits.retained”来控制保留的FileID版本文件数，默认是10。测试代码如下：

val session: SparkSession = SparkSession.builder().master("local").appName("insertDataToHudi")      .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")      .getOrCreate()    //创建DataFrame    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata1.json")//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata2.json")//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata3.json")//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata4.json")//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata5.json")//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata6.json")//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata7.json")//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata8.json")//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata9.json")//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata10.json")    insertDF.write.format("org.apache.hudi")      //设置cow模式      .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.COW_TABLE_TYPE_OPT_VAL)      //根据commit提交次数计算保留多少个fileID版本文件，默认10。      .option("hoodie.cleaner.commits.retained","3")      //设置主键列名称      .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")      //当数据主键相同时，对比的字段，保存该字段大的数据      .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")      //并行度设置，默认1500并行度      .option("hoodie.insert.shuffle.parallelism", "2")      .option("hoodie.upsert.shuffle.parallelism", "2")      //表名设置      .option(HoodieWriteConfig.TABLE_NAME, "person_infos")      .mode(SaveMode.Append)      .save("/hudi_data/test_person")    //查询结果数据    session.read.format("hudi")      //全量读取      .option(DataSourceReadOptions.QUERY_TYPE_OPT_KEY,DataSourceReadOptions.QUERY_TYPE_SNAPSHOT_OPT_VAL)      .load("/hudi_data/test_person/*/*").show()

 测试注意：每次运行代码，读取新的一个数据文件，并查看Hudi表对应的HDFS路径，每次读取都会生成一个新的Parquet文件，当达到指定的3个历史版本时（不包含最新Parquet文件），再插入数据生成新的Parquet文件时，一致会将之前的旧版本删除，保存4个文件。

MOR模式下，如果有新增数据会直接写入Base Parquet文件，这个Parquet文件个数的控制也是由“hoodie.cleaner.commits.retained”控制，默认为10。当对应的每个FlieSlice（Base Parquet文件+log Avro文件）中有数据更新时，会写入对应的log Avro文件，那么这个文件何时与Base Parquet文件进行合并，这个是由参数“hoodie.compact.inline.max.delta.commits”决定的，这个参数意思是在提交多少次commit后触发压缩策略，默认是5，也就是当前FlieSlice中如果有5次数据更新就会两者合并生成全量的数据，当前FlieSlice还是这个FileSlice名称，只不过对应的parquet文件中是全量数据，再有更新数据还是会写入当前FileSlice对应的log日志文件中。使“hoodie.compact.inline.max.delta.commits”参数起作用，默认必须开启“hoodie.compact.inline”，此值代表是否完成提交数据后进行压缩，默认是false。

测试代码如下：

#注意代码中设置参数如下：//根据commit提交次数计算保留多少个fileID版本文件，默认10。.option("hoodie.cleaner.commits.retained","3")//默认false：是否在一个事务完成后内联执行压缩操作.option("hoodie.compact.inline","true")//设置提交多少次后触发压缩策略,默认5.option("hoodie.compact.inline.max.delta.commits","2")#完整代码如下：val session: SparkSession = SparkSession.builder().master("local").appName("insertDataToHudi")      .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer")      .getOrCreate()    //创建DataFrame ，新增//    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\insertdata1.json")    //创建DataFrame ，更新    val insertDF: DataFrame = session.read.json("file:///D:\\2022IDEA_space\\SparkOperateHudi\\data\\test\\update11.json")    insertDF.write.format("org.apache.hudi") //或者直接写hudi      .option(DataSourceWriteOptions.TABLE_TYPE_OPT_KEY,DataSourceWriteOptions.MOR_TABLE_TYPE_OPT_VAL)      //根据commit提交次数计算保留多少个fileID版本文件，默认10。      .option("hoodie.cleaner.commits.retained","3")      //默认false：是否在一个事务完成后内联执行压缩操作      .option("hoodie.compact.inline","true")      //设置提交多少次后触发压缩策略,默认5      .option("hoodie.compact.inline.max.delta.commits","2")      //设置主键列名称      .option(DataSourceWriteOptions.RECORDKEY_FIELD_OPT_KEY, "id")      //当数据主键相同时，对比的字段，保存该字段大的数据      .option(DataSourceWriteOptions.PRECOMBINE_FIELD_OPT_KEY, "data_dt")      //并行度设置，默认1500并行度      .option("hoodie.insert.shuffle.parallelism", "2")      .option("hoodie.upsert.shuffle.parallelism", "2")      //表名设置      .option(HoodieWriteConfig.TABLE_NAME, "person_infos")      .mode(SaveMode.Append)      .save("/hudi_data/test_person")    //查询结果数据    session.read.format("hudi")      //全量读取      .option(DataSourceReadOptions.QUERY_TYPE_OPT_KEY,DataSourceReadOptions.QUERY_TYPE_SNAPSHOT_OPT_VAL)      .load("/hudi_data/test_person/*/*").show()

 第一次运行插入数据，commit，路径对应数据目录如下：

第一次运行更新数据，commit，路径对应数据目录如下：

第二次运行更新数据,commit，路径对应的数据目录如下： 

第三次运行更新数据，commit,路径对应的数据目录如下： 

第四次运行更新数据，commit,路径对应的数据目录如下： 

第五次运行更新数据，commit,路径对应的目录数据如下： 

  • 📢博客主页：https://lansonli.blog.csdn.net
  • 📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正！
  • 📢本文由 Lansonli 原创，首发于 CSDN博客🙉
  • 📢停下休息的时候不要忘了别人还在奔跑，希望大家抓紧时间学习，全力奔赴更美好的生活✨
网络标签：

相关问题