文章目录

背景
iceberg简介
flink实时写入
- 准备sql client环境
- 创建catalog
- 创建db
- 创建table
- 插入数据
- 查询
- 代码版本
总结

背景

随着大数据处理结果的实时性要求越来越高，越来越多的大数据处理从离线转到了实时，其中以flink为主的实时计算在大数据处理中占有重要地位。

Flink消费kafka等实时数据流。然后实时写入hive，在大数据处理方面有着广泛的应用。此外由于列式存储格式如parquet或者orc在查询性能方面有着显著的提高，所以大家都会优先选择列式存储作为我们的存储格式。

传统的这种架构看似不错，但是还是有很多没有解决的问题:

实时写入造成大量小文件，需要单独的程序来进行合并
实时的写入，读取，还有合并小文件在同时进行，那么如何保证事务，读取数据的时候不会出现脏读。
Hdfs的数据一般是一次写入。多次读写，但是如果因为程序出错导致数据错了，确实要修改某一条数据改怎么办
消费kafka的数据落地到hive，有一天kafka的数据多了几个字段，如何同步到hive？必须删了重建吗？
订单等业务数据一般存储在传统数据库，如mysql等。如何实时同步这些cdc数据到hive仓库呢，包括ddl和dml

如果你有上面的需求，那么你可以考虑一下数据湖了，目前开源的数据湖技术主要有以下几个：delta、hudi、iceberg，但是侧重点有所不同，我上面说的问题也不完全都能实现，但是这些都是数据湖要做的东西，随着社区的不断发展，这些功能都会有的。

但是目前世面上这些数据湖技术都与spark紧密绑定。而我们目前实时计算主要以flink为主，而且我个人觉得未来实时计算也将以flink为主，所以我选择了iceberg为我们的数据湖，虽然他有一些功能不是很完善，但是有着良好的抽象，并且不强制绑定spark，所以对于iceberg没有的功能，我们可以自己给补全，再回馈给社区，一起成长。

iceberg简介

其实对于iceberg，官方的定义是一种表格式。

Apache Iceberg is an open table format for huge analytic datasets. Iceberg adds tables to Presto and Spark that use a high-performance format that works just like a SQL table.

我们可以简单理解为他是基于计算层（flink ， spark）和存储层（orc，parqurt）的一个中间层，我们在hive建立一个iceberg格式的表。用flink或者spark写入iceberg，然后再通过其他方式来读取这个表，比如spark，flink，presto等。

当然数据湖的概念远不止这点，我们今天就先简单的这么理解，后续写一篇文章专门介绍一下iceberg。

flink实时写入

准备sql client环境

目前官方的测试版本是基于scala 2.12版本的flink。所以我们也用和官方同步的版本来测试下，下载下面的两个jar放到flink的lib下面，然后启动一下flink集群，standalone模式。

下载flink ：flink-1.11.2-bin-scala_2.12.tgz
下载 iceberg-flink-runtime-xxx.jar
下载flink 集成hive的connector，flink-sql-connector-hive-2.3.6_2.12-1.11.2.jar
目前官方的hive测试版本是 2.3.7，其他的版本可能有不兼容

注意要配置flink的checkpoint，因为目前flink提交iceberg的信息是在每次checkpoint的时候提交的。在sql client配置checkpoint的方法如下：

在flink-conf.yaml添加如下配置

execution.checkpointing.interval: 10s   # checkpoint间隔时间
execution.checkpointing.tolerable-failed-checkpoints: 10  # checkpoint 失败容忍次数

创建catalog

目前系统提供的catalog有hivecatalog和hadoopcatalog以及自定义catlog

CREATE CATALOG iceberg WITH ('type'='iceberg','catalog-type'='hive','uri'='thrift://localhost:9083','clients'='5','property-version'='1','warehouse'='hdfs://nn:8020/warehouse/path'
);

执行完之后，显示如下:

Flink SQL> show catalogs;
default_catalog
iceberg

如果不想每次启动sql client都重新执行ddl，可以在sql-client-defaults.yaml 里面皮遏制一下：

catalogs: # empty list
# A typical catalog definition looks like:- name: hivetype: hivehive-conf-dir: /Users/user/work/hive/confdefault-database: default- name: icebergtype: icebergwarehouse: hdfs://localhost/user/hive2/warehouseuri: thrift://localhost:9083catalog-type: hive

创建db

use catalog iceberg;
CREATE DATABASE iceberg_db;
USE iceberg_db;

创建table

CREATE TABLE iceberg.iceberg_db.iceberg_001 (id BIGINT COMMENT 'unique id',data STRING
) WITH ('connector'='iceberg','write.format.default'='ORC');

插入数据

我们依然创建一个datagen的connector。

CREATE TABLE sourceTable (userid int,f_random_str STRING
) WITH ('connector' = 'datagen','rows-per-second'='100','fields.userid.kind'='random','fields.userid.min'='1','fields.userid.max'='100',
'fields.f_random_str.length'='10'
)

这时候我们看到有两个表了


Flink SQL> show tables;
iceberg_001
sourcetable

然后执行insert into插入数据：

insert into iceberg.iceberg_db.iceberg_001 select * from iceberg.iceberg_db.sourceTable

查询

我们这里使用presto来查询

presto的配置iceberg.properties 如下：

connector.name=iceberg
hive.metastore.uri=thrift://localhost:9083

代码版本

public class Flink2Iceberg{public static void main(String[] args) throws Exception{StreamExecutionEnvironment env =StreamExecutionEnvironment.getExecutionEnvironment();env.setParallelism(1);env.enableCheckpointing(10000);StreamTableEnvironment tenv = StreamTableEnvironment.create(env);tenv.executeSql("CREATE CATALOG iceberg WITH (\n" +"  'type'='iceberg',\n" +"  'catalog-type'='hive'," +"  'hive-conf-dir'='/Users/user/work/hive/conf/'" +")");tenv.useCatalog("iceberg");tenv.executeSql("CREATE DATABASE iceberg_db");tenv.useDatabase("iceberg_db");tenv.executeSql("CREATE TABLE sourceTable (\n" +" userid int,\n" +" f_random_str STRING\n" +") WITH (\n" +" 'connector' = 'datagen',\n" +" 'rows-per-second'='100',\n" +" 'fields.userid.kind'='random',\n" +" 'fields.userid.min'='1',\n" +" 'fields.userid.max'='100',\n" +"'fields.f_random_str.length'='10'\n" +")");tenv.executeSql("insert into iceberg.iceberg_db.iceberg_001 select * from iceberg.iceberg_db.sourceTable");}
}

具体见：

https://github.com/zhangjun0x01/bigdata-examples/blob/master/iceberg/src/main/java/com/Flink2Iceberg.java

总结

总结一下，iceberg的资料比较少，很多设计或者讨论等需要关注issues，然后再去撸源码，可能对于刚入门的小伙伴来说有点困难。后续我也会多分享一些关于iceberg的文章，欢迎大家关注我公众号【大数据技术与应用实战】。

Flink集成数据湖之实时数据写入iceberg相关推荐

phython在file同时写入两个_Flink集成数据湖之实时数据写入iceberg
背景 iceberg简介 flink实时写入准备sql client环境创建catalog 创建db 创建table 插入数据查询代码版本总结背景随着大数据处理结果的实时性要求越来越高, ...
Flink 如何实时分析 Iceberg 数据湖的 CDC 数据
简介:数据湖的架构中,CDC 数据实时读写的方案和原理本文由李劲松.胡争分享,社区志愿者杨伟海.李培殿整理.主要介绍在数据湖的架构中,CDC 数据实时读写的方案和原理.文章主要分为 4 个部分内容: ...
数据湖在大数据场景下应用和实施方案调研笔记(增强版)
点击上方蓝色字体,选择"设为星标" 回复"面试"获取更多惊喜在读本文前你应该看过这些: <我看好数据湖的未来,但不看好数据湖的现在> <数据 ...
数据湖在大数据典型场景下应用调研个人笔记
点击上方蓝色字体,选择"设为星标" 回复"资源"获取更多资源数据湖是一种不断演进中.可扩展的大数据存储.处理.分析的基础设施:以数据为导向,实现任意来源.任意 ...
数据湖概念以及数据湖产生的背景和价值
一.数据湖的概念数据湖是一个集中式存储库,允许以任意规模存储所有结构化和非结构化数据.您可以按原样存储数据(无需先对数据进行结构化处理),并运行不同类型的分析 – 从控制面板和可视化到大数据处理.实 ...
数据湖04：数据湖技术架构演进
系列专题:数据湖系列文章 1. 背景国内的大型互联网公司,每天都会生成几十.几百TB,甚至几PB的原始数据.这些公司通常采用开源的大数据组件来搭建大数据平台.大数据平台经历过"以Hadoo ...
腾讯云首次披露云原生智能数据湖全景图，数据湖之争再起波澜
(图片下载自视觉中国) 数据湖并不是一个很有历史感的概念,从2010年才首次被Pentaho创始人兼首席技术官詹姆斯·狄克逊(James Dixon)提出,至今发展仅有十多年,但已经成为一个谈到大数据 ...
深度|从数据仓库到数据湖——浅谈数据架构演进
转载自https://mp.weixin.qq.com/s/321mkZsuxqXOme5hw_83mQ 网管产品需要从数据仓库的角度来看,才能获得完整的视图.数据集成真正从大数据的角度来看,才能明白 ...
云原生数据湖解决方案打破数据孤岛，大数据驱动互娱行业发展
简介: 数据湖是以集中.统一方式存储各种类型数据,数据湖可以与多种计算引擎直接对接,我们使用OSS作为数据湖底座,数据统一存储在OSS中,有效消除了数据孤岛现象,多种计算与处理分析引擎能够直接对存储在 ...

Flink集成数据湖之实时数据写入iceberg