第三期【Demo教程】教你使用SeaTunnel把数据从MySQL导到Hive

为此,我们准备在ApacheSeaTunnel社区发起如何使用连接器的Demo演示计划,邀请所有热爱数据同步技术的同学分享他们的知识和实操经验

随着数据技术的快速发展,了解并掌握各种工具和技术变得尤为重要。为此,我们准备在 Apache SeaTunnel 社区发起如何使用连接器的 Demo 演示计划,邀请所有热爱数据同步技术的同学分享他们的知识和实操经验!

1716533170529eefade16ced19a83c9a9a09560a62388

我们第三期主题是:如何使用 SeaTunnel 连接器从 MySQL 同步到 Hive,如果您对此计划感兴趣,也欢迎联系社区运营同学参与 Demo 录制!无论您是数据工程师、开发者还是技术爱好者,都欢迎您参与并展示您的技术才能。

敲重点~敲重点~如果你是用户,想看什么同步场景的 Demo!请下滑到最底部留言,我们优先出品呼声最高的同步场景 Demo!

Demo 计划目标

我们的目标是创建一个共享和学习的平台,通过具体的 Demo 演示和对应的文档帮助社区成员更好地理解和应用各种数据连接器。这些 Demo 可以帮助新手快速学习,同时也为资深专家提供一个展示创新解决方案的舞台。



如何使用 SeaTunnel 进行高效数据同步

关于从 MySQL 同步到 Hive,前段时间也有用户投稿,感兴趣的同学可以搜索看看:

【最佳实践】2 个步骤教你从 Mysql 同步到 Hive

如何使用 SeaTunnel 同步 MySQL 数据到 Hive

Mysql Source 连接器相关请参考之前的教程: 全方位解读 SeaTunnel MySQL CDC 连接器:实现数据高效同步的强大工具

需要参考的文档及代码原文链接https://seatunnel.apache.org/docs/2.3.5/connector-v2/sink/Hive (预计 2.3.6 版本才能正式使用)

描述

将数据写入到 Hive。

要使用此连接器,您必须确保您的 Spark/Flink 集群已经集成了 Hive。

如果您使用 SeaTunnel Zeta Engine,则需要将 seatunnel-hadoop3-3.1.4-uber.jarhive-exec-3.1.3.jar 和 libfb303-0.9.3.jar 放置在 $SEATUNNEL_HOME/lib/ 目录下。 :::

关键特性

默认情况下,我们使用两阶段提交(2PC)来确保 精确一次

  • [x] 文件格式

    • [x] text

    • [x] csv

    • [x] parquet

    • [x] orc

    • [x] json

  • [x] 压缩编码

    • [x] lzo

选项

| 名称 | 类型 | 必需 | 默认值 | |-------------------------------|---------|--------|---------| | table_name | string | 是 | - | | metastore_uri | string | 是 | - | | compress_codec | string | 否 | none | | hdfs_site_path | string | 否 | - | | hive_site_path | string | 否 | - | | hive.hadoop.conf | Map | 否 | - | | hive.hadoop.conf-path | string | 否 | - | | krb5_path | string | 否 | /etc/krb5.conf | | kerberos_principal | string | 否 | - | | kerberos_keytab_path | string | 否 | - | | abort_drop_partition_metadata | boolean | 否 | true | | common-options | | 否 | - |

table_name [string]

目标 Hive 表的名称,例如:db1.table1。如果源是多模式的,您可以使用 ${database_name}.${table_name} 来生成表名,它会用源中生成的 CatalogTable 的值替换 ${database_name} 和 ${table_name}

metastore_uri [string]

Hive Metastore 的 URI。

hdfs_site_path [string]

hdfs-site.xml 的路径,用于加载 namenodes 的高可用配置。

hive_site_path [string]

hive-site.xml 的路径。

hive.hadoop.conf [map]

Hadoop 配置文件中的属性(core-site.xmlhdfs-site.xmlhive-site.xml)。

hive.hadoop.conf-path [string]

core-site.xmlhdfs-site.xmlhive-site.xml 文件的指定加载路径。

krb5_path [string]

krb5.conf 的路径,用于 Kerberos 认证。

kerberos_principal [string]

Kerberos 的 principal。

kerberos_keytab_path [string]

Kerberos 的 keytab 路径。

abort_drop_partition_metadata [list]

决定在中止操作期间是否从 Hive Metastore 中删除分区元数据的标志。

注意:这仅影响 metastore 中的元数据,同步过程中生成的数据将始终被删除。

common options

Sink 插件的常用参数,请参阅 Sink Common Options 获取详细信息。

示例

Hive {  table_name = "default.seatunnel_orc"  metastore_uri = "thrift://namenode001:9083"}

示例 1

我们有一个源表,如下所示:

create table test_hive_source(  test_tinyint TINYINT,  test_smallint SMALLINT,  test_int INT,  test_bigint BIGINT,  test_boolean BOOLEAN,  test_float FLOAT,  test_double DOUBLE,  test_string STRING,  test_binary BINARY,  test_timestamp TIMESTAMP,  test_decimal DECIMAL(8,2),  test_char CHAR(64),  test_varchar VARCHAR(64),  test_date DATE,  test_array ARRAY<INT>,  test_map MAP<STRING, FLOAT>,  test_struct STRUCT<street:STRING, city:STRING, state:STRING, zip:INT>)PARTITIONED BY (test_par1 STRING, test_par2 STRING);

我们需要从源表读取数据并写入到另一个表中:

create table test_hive_sink_text_simple(  test_tinyint TINYINT,  test_smallint SMALLINT,  test_int INT,  test_bigint BIGINT,  test_boolean BOOLEAN,  test_float FLOAT,  test_double DOUBLE,  test_string STRING,  test_binary BINARY,  test_timestamp TIMESTAMP,  test_decimal DECIMAL(8,2),  test_char CHAR(64),  test_varchar VARCHAR(64),  test_date DATE)PARTITIONED BY (test_par1 STRING, test_par2 STRING);

作业配置文件如下:

env {  parallelism = 3  job.name="test_hive_source_to_hive"}source {  Hive {    table_name = "test_hive.test_hive_source"    metastore_uri = "thrift://ctyun7:9083"  }}sink {  Hive {    table_name = "test_hive.test_hive_sink_text_simple"    metastore_uri = "thrift://ctyun7:9083"    hive.hadoop.conf = {      bucket = "s3a://mybucket"    }  }}

Hive on S3

1、为 EMR 的 Hive 创建 lib 目录

mkdir -p ${SEATUNNEL_HOME}/plugins/Hive/lib

2、从 Maven 中心获取 jar 到 lib 目录

cd ${SEATUNNEL_HOME}/plugins/Hive/libwget https://repo1.maven.org/maven2/org/apache/hadoop/hadoop-aws/2.6.5/hadoop-aws-2.6.5.jarwget https://repo1.maven.org/maven2/org/apache/hive/hive-exec/2.3.9/hive-exec-2.3.9.jar

3、从 EMR 环境中复制 jar 到 lib 目录

cp /usr/share/aws/emr/emrfs/lib/emrfs-hadoop-assembly-2.60.0.jar ${SEATUNNEL_HOME}/plugins/Hive/libcp /usr/share/aws/emr/hadoop-state-pusher/lib/hadoop-common-3.3.6-amzn-1.jar ${SEATUNNEL_HOME}/plugins/Hive/libcp /usr/share/aws/emr/hadoop-state-pusher/lib/javax.inject-1.jar ${SEATUNNEL_HOME}/plugins/Hive/libcp /usr/share/aws/emr/hadoop-state-pusher/lib/aopalliance-1.0.jar ${SEATUNNEL_HOME}/plugins/Hive/lib

4、运行测试用例

env {  parallelism = 1  job.mode = "BATCH"}source {  FakeSource {    schema = {      fields {        pk_id = bigint        name = string        score = int      }      primaryKey {        name = "pk_id"        columnNames = [pk_id]      }    }    rows = [      {        kind = INSERT        fields = [1, "A", 100]      },      {        kind = INSERT        fields = [2, "B", 100]      },      {        kind = INSERT        fields = [3, "C", 100]      }    ]  }}sink {  Hive {    table_name = "test_hive.test_hive_sink_on_s3"    metastore_uri = "thrift://ip-192-168-0-202.cn-north-1.compute.internal:9083"    hive.hadoop.conf-path = "/home/ec2-user/hadoop-conf"    hive.hadoop.conf = {       bucket="s3://ws-package"    }  }}

Hive on OSS

1、为 EMR 的 Hive 创建 lib 目录

mkdir -p ${SEATUNNEL_HOME}/plugins/Hive/lib

2、从 Maven 中心获取 jar 到 lib 目录

cd ${SEATUNNEL_HOME}/plugins/Hive/libwget https://repo1.maven.org/maven2/org/apache/hive/hive-exec/2.3.9/hive-exec-2.3.9.jar

3、从 EMR 环境中复制 jar 到 lib 目录并删除冲突的 jar

cp -r /opt/apps/JINDOSDK/jindosdk-current/lib/jindo-*.jar ${SEATUNNEL_HOME}/plugins/Hive/librm -f ${SEATUNNEL_HOME}/lib/hadoop-aliyun-*.jar

4、运行测试用例

env {  parallelism = 1  job.mode = "BATCH"}source {  FakeSource {    schema = {      fields {        pk_id = bigint        name = string        score = int      }      primaryKey {        name = "pk_id"        columnNames = [pk_id]      }    }    rows = [      {        kind = INSERT        fields = [1, "A", 100]      },      {        kind = INSERT        fields = [2, "B", 100]      },      {        kind = INSERT        fields = [3, "C", 100]      }    ]  }}sink {  Hive {    table_name = "test_hive.test_hive_sink_on_oss"    metastore_uri = "thrift://master-1-1.c-1009b01725b501f2.cn-wulanchabu.emr.aliyuncs.com:9083"    hive.hadoop.conf-path = "/tmp/hadoop"    hive.hadoop.conf = {        bucket="oss://emr-osshdfs.cn-wulanchabu.oss-dls.aliyuncs.com"    }  }}

示例 2

我们有多个源表,如下所示:

create table test_1()PARTITIONED BY (xx);create table test_2()PARTITIONED BY (xx);...

我们需要从这些源表读取数据并写入到其他表中:

作业配置文件如下:

env {  # 在这里设置 Flink 配置  parallelism = 3  job.name="test_hive_source_to_hive"}source {  Hive {    tables_configs = [      {        table_name = "test_hive.test_1"        metastore_uri = "thrift://ctyun6:9083"      },      {        table_name = "test_hive.test_2"        metastore_uri = "thrift://ctyun7:9083"      }    ]  }}sink {  Hive {    table_name = "${database_name}.${table_name}"    metastore_uri = "thrift://ctyun7:9083"  }}

通过视频教程,我们探讨了如何使用 Apache SeaTunnel 的 Hive Sink Connector 将数据高效地写入 Hive 表。

无论是在本地环境还是云上部署,使用 Hive Sink Connector 都能够帮助企业构建高效、可靠的数据处理流程。希望通过本文的指导,您能更好地理解和应用这一强大的工具,以满足您的数据处理需求。

如果您对本文内容有任何疑问或建议,欢迎在评论区分享您的想法。让我们共同探讨和进步,不断推动数据技术的边界。