欢迎访问我的博客

Hudi + Spark3入门第一课

Apache Hudi 是下一代流数据湖平台。Apache Hudi 将数仓和数据库核心功能迁移到数据湖。Hudi 提供表、 事务、高效的 upserts/deletes、高级索引、 流式摄取、数据集群/压缩优化和并发，同时将数据使用开源文件格式。

hudi 0.10.1源码编译

• maven 3.5.4，spark3.1.1，配置了aliyun的maven源
• hudi目录修改pom.xml中的spark version为3.1.1，本来是3.1.2的，小版本的差异不大，看自己的环境。
• 编译命令mvn clean package -DskipTests -Dscala-2.12 -Dspark3
• 编译产物在packaging下的hudi-spark-bundle目录
• spark绑定jar包名称为：hudi-spark3.1.1-bundle_2.12-0.10.1.jar，大小约38M

之前的hudi 0.9.0 版本在和spark3.1一起使用时有明显的问题，可以和spark3.0.3搭配使用。当然，这在hudi的发版说明里也有提及。

• hudi-spark3.1.2-bundle_2.12-0.10.1.jar
• hudi-spark3.0.3-bundle_2.12-0.10.1.jar

这两个包不用自己编译，可以从maven中央仓库获取,（页面很不好找，hudi得把仓库类目梳理一下了）贴一下。

# 3.1.2版本
<!-- https://mvnrepository.com/artifact/org.apache.hudi/hudi-spark3.1.2-bundle -->
<dependency>
    <groupId>org.apache.hudi</groupId>
    <artifactId>hudi-spark3.1.2-bundle_2.12</artifactId>
    <version>0.10.1</version>
</dependency>

# 3.0.3版本
<!-- https://mvnrepository.com/artifact/org.apache.hudi/hudi-spark3.0.3-bundle -->
<dependency>
    <groupId>org.apache.hudi</groupId>
    <artifactId>hudi-spark3.0.3-bundle_2.12</artifactId>
    <version>0.10.1</version>
</dependency>

使用上述预编译的包，就省略自己编译的过程了。

官网发布的支持矩阵：

Spark 3 Support Matrix

Hudi	支持的 Spark 3 版本
0.10.0 - 0.10.1	3.1.x (default build), 3.0.x
0.7.0 - 0.9.0	3.0.x
0.6.0 and prior	不支持

可以看到hudi 0.10版本默认构建出来是spark3.1的，也可以构建spark3.0的。

测试步骤

环境信息

1. 已安装了Spark3.1.1
2. 已安装Hive3.1
3. 操作系统：CentOS 7.4
4. Java 8

Spark3快速测试

1. 把hudi jar拷贝到spark安装目录的jars中,例如

   cp hudi-spark3.1.1-bundle_2.12-0.10.1.jar /usr/hdp/3.0.1.0-187/spark3/jars
   

2. 启动spark-sql客户端看看是否正常：

   • 因为我们已经把hudi-spark的jar放入spark的jar包加载路径中，我们无需再显式指定它。

   • 此外，如果有报权限类的错误，可以切换有访问hive权限的用户，这里是使用hive用户执行的操作。

   ./bin/spark-sql --master yarn --conf 'spark.serializer=org.apache.spark.serializer.KryoSerializer' --conf 'spark.sql.extensions=org.apache.spark.sql.hudi.HoodieSparkSessionExtension'
   

3. 显示 > 等待输入命令即可！(这时我还没有拷贝avro的包，也没有报错。)

4. 创建一张不分区的hudi表：

   默认就是cow格式的表，默认主键是uuid，没有预聚合字段。

   create table hudi_cow_nonpcf_tbl (
     uuid int,
     name string,
     price double
   ) using hudi;
   

5. 查看表：show tables，可以看到一行刚才的表名：default hudi_table0 false

6. 给表插入2条数据：

   insert into hudi_table0 select 1, 'my name is kiki', 20;
   insert into hudi_table0 select 2, 'qiqi', 16;
   

7. 查询刚才的数据：

   select * from hudi_table0;
   ……
   
   Time taken 0.361 seconds,Fetched 2 row(s)
   

8. 小试牛刀，ok。