Kafka資料每5分鐘同步到Hive
1.概述
最近有同學留言諮詢Kafka資料落地到Hive的一些問題，今天筆者將為大家來介紹一種除Flink流批一體以外的方式（流批一體下次再單獨寫一篇給大家分享）。
2.內容
首先，我們簡單來描述一下資料場景，比如有這樣一個數據場景，有一批實時流資料實時寫入Kafka，然後需要對Topic中的資料進行每隔5分鐘進行落地到Hive，進行每5分鐘分割槽儲存。流程圖如下所示：
2.1 環境依賴
整個流程，需要依賴的元件有Kafka、Flink、Hadoop。由於Flink提交需要依賴Hadoop的計算資源和儲存資源，所以Hadoop的YARN和HDFS均需要啟動。各個元件版本如下：
| 元件 | 版本 |
| Kafka | 2.4.0 |
| Flink | 1.10.0 |
| Hadoop | 2.10.0 |
2.2 每分鐘落地HDFS實現
Flink消費Kafka叢集中的資料，需要依賴Flink包，依賴如下：
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-filesystem_2.12</artifactId>
<version>${flink.connector.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka-0.11_2.12</artifactId>
<version>${flink.kafka.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-java_2.12</artifactId>
<version>${flink.streaming.version}</version>
</dependency>編寫消費Topic的Flink程式碼，這裡不對Topic中的資料做邏輯處理，在後面統一交給MapReduce來做資料預處理，直接消費並存儲到HDFS上。程式碼如下：
public class Kafka2Hdfs {
private static Logger LOG = LoggerFactory.getLogger(Kafka2Hdfs.class);
public static void main(String[] args) {
if (args.length != 3) {
LOG.error("kafka(server01:9092), hdfs(hdfs://cluster01/data/), flink(parallelism=2) must be exist.");
return;
}
String bootStrapServer = args[0];
String hdfsPath = args[1];
int parallelism = Integer.parseInt(args[2]);
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.enableCheckpointing(5000);
env.setParallelism(parallelism);
env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
DataStream<String> transction = env.addSource(new FlinkKafkaConsumer010<>("test_bll_data", new SimpleStringSchema(), configByKafkaServer(bootStrapServer)));
// Storage into hdfs
BucketingSink<String> sink = new BucketingSink<>(hdfsPath);
sink.setBucketer(new JDateTimeBucketer<String>("HH-mm"));// 自定義儲存到HDFS上的檔名，用小時和分鐘來命名，方便後面算策略
sink.setBatchSize(1024 * 1024 * 4); // this is 5MB
sink.setBatchRolloverInterval(1000 * 30); // 30s producer a file into hdfs
transction.addSink(sink);
env.execute("Kafka2Hdfs");
}
private static Object configByKafkaServer(String bootStrapServer) {
Properties props = new Properties();
props.setProperty("bootstrap.servers", bootStrapServer);
props.setProperty("group.id", "test_bll_group");
props.put("enable.auto.commit", "true");
props.put("auto.commit.interval.ms", "1000");
props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");
return props;
}
}2.3 注意事項
- 這裡我們把時間視窗設定小一些，每30s做一次檢查，如果該批次的時間視窗沒有資料過來，就生成一個檔案落地到HDFS上；
- 另外，我們重寫了DateTimeBucketer為JDateTimeBucketer，邏輯並不複雜，在原有的方法上加一個年-月-日/時-分的檔案生成路徑，例如在HDFS上的生成路徑：xxxx/2020-12-26/00-00
2.4 資料預處理
這裡，我們需要對落地到HDFS上的檔案進行預處理，處理的邏輯是這樣的。比如，現在是2020-12-26 14:00，那麼我們需要將當天的13:55，13:56，13:57，13:58，13:59這最近5分鐘的資料處理到一起，並載入到Hive的最近5分鐘的一個分割槽裡面去。那麼，我們需要生成這樣一個邏輯策略集合，用HH-mm作為key，與之最近的5個檔案作為value，進行資料預處理合並。
實現程式碼如下：
public class DateRange {
public static void main(String[] args) {
for (int i = 0; i < 24; i++) {
for (int j = 0; j < 60; j++) {
if (j % 5 == 0) {
if (j < 10) {
if (i < 10) {
if (i == 0 && j == 0) {
System.out.println("0" + i + "-0" + j + "=>23-59,23-58,23-57,23-56,23-55");
} else {
if (j == 0) {
String tmp = "";
for (int k = 1; k <= 5; k++) {
tmp += "0" + (i - 1) + "-" + (60 - k) + ",";
}
System.out.println("0" + i + "-0" + j + "=>" + tmp.substring(0, tmp.length() - 1));
} else {
String tmp = "";
for (int k = 1; k <= 5; k++) {
if (j - k < 10) {
tmp += "0" + i + "-0" + (j - k) + ",";
} else {
tmp += "0" + i + "-" + (j - k) + ",";
}
}
System.out.println("0" + i + "-0" + j + "=>" + tmp.substring(0, tmp.length() - 1));
}
}
} else {
if (j == 0) {
String tmp = "";
for (int k = 1; k <= 5; k++) {
if (i - 1 < 10) {
tmp += "0" + (i - 1) + "-" + (60 - k) + ",";
} else {
tmp += (i - 1) + "-" + (60 - k) + ",";
}
}
System.out.println(i + "-0" + j + "=>" + tmp.substring(0, tmp.length() - 1));
} else {
String tmp = "";
for (int k = 1; k <= 5; k++) {
if (j - k < 10) {
tmp += i + "-0" + (j - k) + ",";
} else {
tmp += i + "-" + (j - k) + ",";
}
}
System.out.println(i + "-0" + j + "=>" + tmp.substring(0, tmp.length() - 1));
}
}
} else {
if (i < 10) {
String tmp = "";
for (int k = 1; k <= 5; k++) {
if (j - k < 10) {
tmp += "0" + i + "-0" + (j - k) + ",";
} else {
tmp += "0" + i + "-" + (j - k) + ",";
}
}
System.out.println("0" + i + "-" + j + "=>" + tmp.substring(0, tmp.length() - 1));
} else {
String tmp = "";
for (int k = 1; k <= 5; k++) {
if (j - 1 < 10) {
tmp += i + "-0" + (j - k) + ",";
} else {
tmp += i + "-" + (j - k) + ",";
}
}
System.out.println(i + "-" + j + "=>" + tmp.substring(0, tmp.length() - 1));
}
}
}
}
}
}
}
預覽結果如下：
需要注意的是，如果發生了第二天00:00，那麼我們需要用到前一天的00-00=>23-59,23-58,23-57,23-56,23-55這5個檔案中的資料來做預處理。
2.5 資料載入
準備好資料後，我們可以使用Hive的load命令直接載入HDFS上預處理的檔案，把資料載入到對應的表中，實現命令如下：
load data inpath '/cluster01/hive/hfile/data/min/2020-12-26/14-05/' overwrite into table jketable partition(day='2020-12-26-14-05')
這裡，我們在執行命令時，可能檔案不存在會導致加載出錯。那我們在載入HDFS路徑之前，先判斷一下路徑是否存在。
實現指令碼如下所示：
hdfs dfs -ls /cluster01/hive/hfile/data/min/2020-12-26/14-05/ | wc -l > /tmp/hdfs_check_files.txt hdfs_check_files=`cat /tmp/hdfs_check_files.txt`
# 判斷HDFS上檔案是否存在 if [ $hdfs_check_files -eq 0 ] then echo "Match file is null.Stop hive load script." else echo "Match file is exist.Start hive load script." hive -e "load data inpath '/cluster01/hive/hfile/data/min/2020-12-26/14-05/' overwrite into table jketable partition(day='2020-12-26-14-05')" fi
3.總結
整個流程為，先使用Flink消費儲存在Kafka中的資料，按照每分鐘進行儲存，然後將具體需要聚合的時間段進行策略生成，比如每5分鐘、10分鐘、15分鐘等等，可以在DateRange類中修改對應的策略邏輯。最後，再將預處理好的資料使用hive命令進行載入。整個過程，流程較多。如果我們使用Flink的流批一體特性，可以通過Flink直接建表，然後使用Flink消費Kafka中的資料後，直接分割槽落地到Hive表，這個就留到下次再給大家分享吧。
4.結束語
這篇部落格就和大家分享到這裡，如果大家在研究學習的過程當中有什麼問題，可以加群進行討論或傳送郵件給我，我會盡我所能為您解答，與君共勉！
另外，博主出書了《Kafka並不難學》和《Hadoop大資料探勘從入門到進階實戰》，喜歡的朋友或同學， 可以在公告欄那裡點選購買連結購買博主的書進行學習，在此感謝大家的支援。關注下面公眾號，根據提示，可免費獲取書籍的教學視