Hive支持读取Hudi表

Hudi表对应的Hive外部表介绍

Hudi源表对应一份HDFS的数据，通过Spark组件、Flink组件或者Hudi客户端，可以将Hudi表的数据映射为Hive外部表，基于该外部表，Hive可以方便地进行实时视图查询、读优化视图查询以及增量视图查询。

• 根据Hudi源表的类型的不同，提供不同的视图查询：
  • Hudi源表类型为Copy On Write时，可以映射为Hive的一张外部表，该表可以提供实时视图查询以及增量视图查询。
  • Hudi源表类型为Merge On Read时，可以映射为Hive的两张外部表（ro表和rt表），ro表提供读优化视图查询，rt表提供实时视图查询以及增量视图查询。

• 不能对Hudi表映射的Hive外部表做增删改操作（即insert、update、delete、load、merge、alter、msck），只支持查询操作（select）。
• 表授权：不支持修改类权限（update、Alter、write、All）。
• 备份与恢复：由于ro表和rt表均由同一个hudi源表映射的，备份其中一张表，另一张也会跟着备份，恢复也是同时恢复的，因此只需备份其中一张表即可。
• Hudi bootstrap表：由于bootstrap表的存储方式与普通Hudi表不一样，因此，对于Tez查询引擎，还需要额外配置“hive.user.aux.jars.path”。登录FusionInsight Manager页面，选择“集群 > 服务 > Hive > 配置 > 全部配置”，在参数“hive.user.aux.jars.path”的值中添加以下路径（使用“,”作为分隔符）：
  • ${BIGDATA_HOME}/FusionInsight_HD_8.1.2.2/install/FusionInsight-Hive-3.1.0/hive-3.1.0/lib/hbase-shaded-miscellaneous-xxx.jar
  • ${BIGDATA_HOME}/FusionInsight_HD_8.1.2.2/install/FusionInsight-Hive-3.1.0/hive-3.1.0/lib/hbase-metrics-api-xxx.jar
  • ${BIGDATA_HOME}/FusionInsight_HD_8.1.2.2/install/FusionInsight-Hive-3.1.0/hive-3.1.0/lib/hbase-metrics-xxx.jar
  • ${BIGDATA_HOME}/FusionInsight_HD_8.1.2.2/install/FusionInsight-Hive-3.1.0/hive-3.1.0/lib/hbase-protocol-shaded-xxx.jar
  • ${BIGDATA_HOME}/FusionInsight_HD_8.1.2.2/install/FusionInsight-Hive-3.1.0/hive-3.1.0/lib/hbase-shaded-protobuf-xxx.jar
  • ${BIGDATA_HOME}/FusionInsight_HD_8.1.2.2/install/FusionInsight-Hive-3.1.0/hive-3.1.0/lib/htrace-core4-4.2.0-incubating-xxx.jar

  以上的xxx以Hiveserver节点路径下的实际版本为准，比如hbase-shaded-miscellaneous-xxx.jar在实际环境的名字为：hbase-shaded-miscellaneous-3.3.0.jar，则需要用3.3.0替换xxx，其他同理。

• 组件版本：
  • Hive：FusionInsight_HD_8.1.2.2，Hive内核版本3.1.0。
  • Spark2x：FusionInsight_Spark2x_8.1.2.2，Hudi内核版本：0.9.0。

创建Hudi表对应的Hive外部表

Hudi表数据在入湖的时候一般会同步到Hive外部表，此时在Beeline中可以直接查询到对应的Hive外部表，若没有同步到Hive外部表，则可以通过Hudi客户端工具run_hive_sync_tool.sh手动同步。

查询Hudi表对应的Hive外部表

操作前提

使用Hive查询Hudi表前，需要设置hive.input.format。

另外对于增量查询，还需要额外设置3个参数，这3个参数是表级别的参数，每个hudi源表都对应3个参数，其中hudisourcetablename代表Hudi源表的表名（注意不是Hive外部表的表名）。

Copy On Write类型Hudi表查询

例如：cow类型Hudi源表的表名为hudicow，映射为Hive外部表的表名为hudicow。

• cow表实时视图查询：设置了hive.input.format之后，像普通Hive表一样查询即可：

  set hive.input.format= org.apache.hadoop.hive.ql.io.HiveInputFormat;

  Select * from hudicow；

• cow表增量查询：除了需要设置hive.input.format，还需要根据Hudi源表的表名设置3个增量查询参数，且增量查询语句的where子句必须包含“`_hoodie_commit_time`>'xxx'”，其中的xxx为“hoodie.hudisourcetablename.consume.start.timestamp”增量参数的值：

  set hive.input.format= org.apache.hadoop.hive.ql.io.HiveInputFormat;

  set hoodie.hudicow.consume.mode= INCREMENTAL;

  set hoodie.hudicow.consume.max.commits=3;

  set hoodie.hudicow.consume.start.timestamp= 20200427114546;

  select count(*) from hudicow where `_hoodie_commit_time`>'20200427114546';

Merge On Read类型Hudi表的查询

例如：mor类型Hudi源表的表名为hudimor，映射为两张Hive外部表hudimor_ro（ro表）和hudimor_rt（rt表）。

• ro表提供读读优化视图查询：设置了hive.input.format之后，像普通Hive表一样查询即可：

  set hive.input.format= org.apache.hadoop.hive.ql.io.HiveInputFormat;

  Select * from hudicow_ro；

• rt的实时视图查询：设置了hive.input.format之后，即可查询到Hudi源表的最新数据：

  set hive.input.format= org.apache.hadoop.hive.ql.io.HiveInputFormat;

  Select * from hudicow_rt；

• rt表的增量查询：除了需要设置hive.input.format，还需要根据Hudi源表的表名设置3个增量查询参数，且增量查询语句的where子句必须包含“`_hoodie_commit_time`>'xxx'”，其中的xxx为“hoodie.hudisourcetablename.consume.start.timestamp”增量参数的值：

  set hive.input.format=org.apache.hudi.hadoop.hive.HoodieCombineHiveInputFormat;

  set hoodie.hudimor.consume.mode=INCREMENTAL;

  set hoodie.hudimor.consume.max.commits=-1;

  set hoodie.hudimor.consume.start.timestamp=20210207144611;

  select * from hudimor_rt where `_hoodie_commit_time`>'20210207144611';

  

  • set hive.input.format=org.apache.hudi.hadoop.hive.HoodieCombineHiveInputFormat;仅用于rt表的增量查询，其它表不能使用该参数，因此在rt表增量查询完成后，应该设置set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;或者改为默认值set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;用于其他表的查询。
  • set hoodie.hudisourcetablename.consume.mode=INCREMENTAL;仅用于该表的增量查询模式，若要对该表切换为其他查询模式，应设置set hoodie.hudisourcetablename.consume.mode=SNAPSHOT;。