通过Broker Load将ORC格式的Hive数据导入Doris

应用场景

通过Broker Load将ORC格式的Hive表数据导入到Doris。

方案架构

离线数据可以从数据湖加载，也可以直接加载本地文件。从数据湖加载可以使用工具CDM，在没有CDM工具时，可以直接使用外表加载、BrokerLoad的方式。

本地文件加载则使用Doris自带的StreamLoad工具。

图1 离线数据加载

场景特点：
业务特点为离线数据，端到端时延无要求，仅对数据集市中的数据查询时延有要求，如离线报表场景、实时报表的数据初始化场景。
数据加载方式：
- 在存在DataArts Studio工具的场景下，数据加载统一使用CDM进行（DataArts Studio需要2.10及以上版本）。
- 在不存在DataArts Studio工具的场景下，可以使用Spark或者外表方式加载。由数据加工方进行数据推送加载时，推荐使用BrokerLoad加载方式，方便数据加工方统一调度；如果有数据应用方负责数据加载，则使用外表方式进行数据加载较为方便应用层另外配置加载数据。
- 在没有数据湖的场景下，轻量化数仓场景中，数据直接由源端文件加载到Doris中，可以使用Streamload方式加载本地文件。
注意事项：
Hive外表通过整体添加Hive的MetaStore的方式，将全量元数据在Doris中呈现。

步骤1：创建MRS Doris集群并配置

创建MRS Doris集群。

详细操作请参考自定义购买MRS集群，例如相关参数如下：
- 集群名称：自定义，例如“mrs_doris”
- 集群版本：MRS 3.3.0-LTS
- 组件选择：Doris集群。
- Kerberos认证：开启
其他参数根据实际需要进行配置。
集群购买完成后安装集群客户端。

详细操作请参考安装客户端（3.x版本）。

例如客户端安装路径为“/opt/dorisclient”。
在Doris集群安装MySQL客户端。

详细操作请参考使用MySQL客户端连接Doris。
创建拥有Doris管理权限的人机用户（例如用户名为dorisuser），并修改初始密码。
1. 登录Doris集群Manager页面。
2. 选择“系统 > 权限 > 角色 > 添加角色”，填写角色名称，如“dorisrole”，在“配置资源权限”选择“待操作的集群 > Doris”，勾选“Doris管理员权限”，单击“确定”。
3. 选择“用户 > 添加用户”，填写用户名称，如“dorisuser”，“用户类型”选择“人机”，“密码策略”默认，输入用户密码并确认密码，关联“dorisrole”角色，单击“确定”。
4. 使用新建的dorisuser用户重新登录FusionInsight Manager，修改该用户初始密码。

步骤2：创建MRS Hive集群并配置

创建MRS Hive集群。

详细操作请参考自定义购买MRS集群，例如相关参数如下：
- 集群名称：自定义，例如“mrs_test”
- 集群版本：MRS 3.3.0-LTS
- 集群组件包含：Hive等
其他参数根据实际需要进行配置。
集群购买完成后安装集群全量客户端，详细操作请参考安装客户端（3.x版本）。

例如客户端安装路径为“/opt/client”。

已存在Hive外表（数据格式仅限ORC格式），且存在一定量数据。

建表语句参考：

CREATE TABLE wxk.`lineorder_broker`(
  `lo_orderkey` bigint,
  `lo_linenumber` int,
  `lo_custkey` bigint,
  `lo_partkey` bigint,
  `lo_suppkey` bigint,
  `lo_orderpriority` varchar(300),
  `lo_shippriority` int,
  `lo_quantity` int,
  `lo_orderdate` date,
  `lo_extendedprice` bigint,
  `lo_ordtotalprice` bigint,
  `lo_discount` int,
  `lo_revenue` bigint,
  `lo_supplycost` int,
  `lo_commitdate` date,
  `lo_shipmode` varchar(300)
) PARTITIONED BY (`lo_tax` int) row format delimited fields terminated by ',' lines terminated by '\n' stored as orc;

步骤3：Doris与Hive跨集群配置

如果Hive、Doris服务在两个集群部署时需要执行该操作，否则请跳过。

配置MRS Hive集群与Doris集群互信，详细操作请参考集群互信管理。
配置后验证。
1. 以root用户登录Doris集群客户端，执行以下命令加载环境变量。
```
source 客户端安装路径/bigdata_env
```
2. 执行以下命令认证Hive集群用户。
```
kinit Hive集群业务用户@Hive集群系统域名
```
  输入Hive集群用户相应密码，认证成功即为互信成功。
  - Hive集群用户：可以自行创建也可使用默认的系统用户，例如hive，用户默认密码请参考MRS集群用户账号一览表。
  - Hive集群系统域名：可以登录Hive集群Manager页面，选择“系统 > 权限 > 域和互信”，查看“本端域”参数获取。

步骤4：创建Doris数据表

登录Doris集群中已安装好MySQL客户端的节点，执行如下命令进入Doris数据库。
```
export LIBMYSQL_ENABLE_CLEARTEXT_PLUGIN=1 //若集群已启用Kerberos认证（安全模式）需执行该命令。
```
```
mysql -u数据库登录用户 -p数据库登录用户密码 -P数据库连接端口 -hDoris FE实例IP地址
```
- 数据库连接端口为Doris FE的查询连接端口，可通过登录MRS Doris集群的Manager界面，选择“集群 > 服务 > Doris > 实例”，查看任一FE实例的业务IP地址获取。
- Doris FE实例IP地址可通过登录MRS Doris集群的Manager界面，选择“集群 > 服务 > Doris > 配置 > 全部配置”，搜索并查看“query_port”参数值获取。
执行以下命令创建数据库（例如名称为“example_db”）并切换。
```
create database if not exists example_db;
```
```
use example_db;
```

执行以下命令创建表。

CREATE TABLE `lineorder_brokerload_u` (
  `LO_ORDERKEY` bigint NOT NULL COMMENT "订单id",
  `LO_LINENUMBER` int NOT NULL COMMENT "订单码",
  `LO_CUSTKEY` bigint NOT NULL COMMENT "客户id",
  `LO_PARTKEY` bigint NOT NULL COMMENT "商品id",
  `LO_SUPPKEY` bigint NOT NULL COMMENT "供应商id",
  `LO_ORDERDATE` date DEFAULT NULL COMMENT "订单日期",
  `LO_ORDERPRIORITY` varchar(100) DEFAULT NULL COMMENT "订单优先级",
  `LO_SHIPPRIORITY` int DEFAULT NULL COMMENT "物流优先级",
  `LO_QUANTITY` int DEFAULT NULL COMMENT "数量",
  `LO_EXTENDEDPRICE` bigint DEFAULT NULL COMMENT "扩展价格",
  `LO_ORDTOTALPRICE` bigint DEFAULT NULL COMMENT "订单总价",
  `LO_DISCOUNT` int DEFAULT NULL COMMENT "折扣",
  `LO_REVENUE` bigint DEFAULT NULL COMMENT "收入",
  `LO_SUPPLYCOST` int DEFAULT NULL COMMENT "成本",
  `LO_TAX` int DEFAULT NULL COMMENT "税款",
  `LO_COMMITDATE` date DEFAULT NULL COMMENT "承诺日期",
  `LO_SHIPMODE` varchar(100) NOT NULL COMMENT "运输方式"
) UNIQUE KEY (
  `LO_ORDERKEY`,
  `LO_LINENUMBER`,
  `LO_CUSTKEY`,
  `LO_PARTKEY`,
  `LO_SUPPKEY`,
  `LO_ORDERDATE`
) PARTITION BY RANGE(`LO_ORDERDATE`) (
  PARTITION `p1992`
  VALUES
    LESS THAN ("1993-01-01"),
    PARTITION `p1993`
  VALUES
    LESS THAN ("1994-01-01"),
    PARTITION `p1994`
  VALUES
    LESS THAN ("1995-01-01"),
    PARTITION `p1995`
  VALUES
    LESS THAN ("1996-01-01"),
    PARTITION `p1996`
  VALUES
    LESS THAN ("1997-01-01"),
    PARTITION `p1997`
  VALUES
    LESS THAN ("1998-01-01"),
    PARTITION `p1998`
  VALUES
    LESS THAN ("1999-01-01"),
    PARTITION `p1999`
  VALUES
    LESS THAN ("2000-01-01"),
    PARTITION `p2000`
  VALUES
    LESS THAN ("2001-01-01"),
    PARTITION `p2001`
  VALUES
    LESS THAN ("2002-01-01")
) DISTRIBUTED BY HASH(`LO_ORDERDATE`) BUCKETS 1 PROPERTIES (
  "replication_allocation" = "tag.location.default: 3",
  "dynamic_partition.enable" = "true",
  "dynamic_partition.time_unit" = "MONTH",
  "dynamic_partition.start" = "-2147483648",
  "dynamic_partition.end" = "2",
  "dynamic_partition.prefix" = "P_",
  "dynamic_partition.buckets" = "1",
  "in_memory" = "false",
  "storage_format" = "V2"
);

例如执行show tables;后结果如下，表示建表成功：

步骤5：通过Broker Load导入数据至Doris

在Doris客户端执行以下命令，使用Broker Load导入数据。
```
LOAD LABEL broker_load_u(
  DATA INFILE(
    "hdfs://主NameNode实例IP地址:RPC端口号/user/hive/warehouse/wxk.db/lineorder_broker/*/*"
  ) INTO TABLE lineorder_brokerload_u FORMAT AS "orc" (
    LO_ORDERKEY,
    LO_LINENUMBER,
    LO_CUSTKEY,
    LO_PARTKEY,
    LO_SUPPKEY,
    LO_ORDERDATE,
    LO_ORDERPRIORITY,
    LO_SHIPPRIORITY,
    LO_QUANTITY,
    LO_EXTENDEDPRICE,
    LO_ORDTOTALPRICE,
    LO_DISCOUNT,
    LO_REVENUE,
    LO_SUPPLYCOST,
    LO_COMMITDATE,
    LO_SHIPMODE,
    LO_TAX
  )
) WITH BROKER "broker_192_168_0_221" (
  "hadoop.security.authentication" = "kerberos",
  "kerberos_principal" = "doris/hadoop.hadoop.com@HADOOP.COM",
  "kerberos_keytab" = "${BIGDATA_HOME}/FusionInsight_Doris_*/install/FusionInsight-Doris-*/doris-fe/bin/doris.keytab"
) PROPERTIES ("timeout" = "1200", "max_filter_ratio" = "0.1");
```
- broker_load_u：表示任务名称，自定义。
- 主NameNode实例IP地址：可在Manager界面，选择“集群 > 服务 > HDFS > 实例”查看（此配置中要注意集群重启会导致NameNode实例主备倒换）。
- RPC端口号：可在Manager界面，选择“集群 > 服务 > HDFS > 配置”，搜索“dfs.namenode.rpc.port”查看。
- broker_192_168_0_221：Doris数据库的Broker名称，连接Doris数据库后执行show broker;获取。
- kerberos_principal：访问Hadoop集群的keytab文件对应的principal，格式为“doris/hadoop.${系统域名转换为小写}@${系统域名}”，系统域名可登录Manager页面，选择“系统 > 权限 > 域和互信”，查看“本端域”参数获取。Hive与Doris非同集群部署时要使用Hive用户@Hive集群的系统域名，如hive/hadoop.hadoop.com@HADOOP.COM。
- kerberos_keytab：
  访问Hadoop集群的keytab文件，该keytab位于FE节点的“${BIGDATA_HOME}/FusionInsight_Doris_*/install/FusionInsight-Doris-*/doris-be/bin/doris.keytab”路径中，需要拷贝该keytab文件到所有Broker节点上，例如“/home/omm/doris_keytab”目录下，并执行chown omm:wheel /home/omm/doris_keytab -R命令设置“doris.keytab”文件属组。
  
  Hive与Doris非同集群部署时，要从Hive集群拷贝hive.keytab文件到DBroker实例对应目录下。
执行以下命令查看任务执行情况。
```
show load order by createtime desc limit 1\G;
```
例如执行结果如下，表示数据导入成功。
执行以下命令查看目标表数据情况。
```
select * from lineorder_brokerload_u;
```
可以查看到MySQL数据导入Doris成功，且根据UNIQUE KEY指定字段自动去重。