FlinkServer对接HDFS

操作场景

本章节介绍HDFS作为sink表的DDL定义，以及创建sink表时使用的WITH参数和代码示例，并指导如何在FlinkServer作业管理页面操作。

本示例以安全模式Kafka为例。

前提条件

• 集群中已安装HDFS、Yarn、Flink服务。
• 包含HDFS服务的客户端已安装，安装路径如：/opt/Bigdata/client。
• 参考基于用户和角色的鉴权创建一个具有“FlinkServer管理操作权限”的用户用于访问Flink WebUI，如：flink_admin。

操作步骤

1. 使用flink_admin登录Manager，选择“集群 > 服务 > Flink”，在“Flink WebUI”右侧，单击链接，访问Flink的WebUI。
2. 参考新建作业，新建Flink SQL流作业，参考如下内容在作业开发界面进行作业开发，配置完成后启动作业。
   需勾选“运行参数”中的“开启CheckPoint”，“时间间隔（ms）”可设置为“60000”，“模式”可使用默认值。

   CREATE TABLE kafka_table (
     user_id STRING,
     order_amount DOUBLE,
     log_ts TIMESTAMP(3),
     WATERMARK FOR log_ts AS log_ts - INTERVAL '5' SECOND
   ) WITH (
     'connector' = 'kafka',
     'topic' = 'user_source',
     'properties.bootstrap.servers' = 'Kafka的Broker实例业务IP:Kafka端口号',
     'properties.group.id' = 'testGroup',
     'scan.startup.mode' = 'latest-offset',
     'format' = 'csv',
      --跳过解析失败的csv数据
     'csv.ignore-parse-errors' = 'true' ,--如果是json数据格式，设置'json.ignore-parse-errors' = 'true'
     'properties.sasl.kerberos.service.name' = 'kafka',
     'properties.security.protocol' = 'SASL_PLAINTEXT',
     'properties.kerberos.domain.name' = 'hadoop.系统域名'
   
   );
   
   CREATE TABLE fs_table (
     user_id STRING,
     order_amount DOUBLE,
     dt STRING,
     `hour` STRING
   ) PARTITIONED BY (dt, `hour`) WITH ( --根据日期进行文件分区
     'connector'='filesystem',
     'path'='hdfs:///sql/parquet',
     'format'='parquet',
     'sink.partition-commit.delay'='1 h',
     'sink.partition-commit.policy.kind'='success-file'
   );
   -- streaming sql, insert into file system table
   INSERT INTO fs_table SELECT user_id, order_amount, DATE_FORMAT(log_ts, 'yyyy-MM-dd'), DATE_FORMAT(log_ts, 'HH') FROM kafka_table;

   

   Kafka端口号：

   • 安全模式为“sasl.port”的值，默认为“21007”。
   • 非安全模式为“port”的值，默认为“9092”。如果配置端口号为9092，则需要配置“allow.everyone.if.no.acl.found”参数为true，具体操作如下：

     登录FusionInsigh Manager系统，选择“集群 > 服务 > Kafka > 配置 > 全部配置”，搜索“allow.everyone.if.no.acl.found”配置，修改参数值为true，保存配置即可。

3. 查看作业管理界面，作业状态为“运行中”。
4. 参考管理Kafka主题中的消息，查看Topic并向Kafka中写入数据。

   ./kafka-topics.sh --list --zookeeper ZooKeeper的quorumpeer实例业务IP:ZooKeeper客户端端口号/kafka

   sh kafka-console-producer.sh --broker-list Kafka角色实例所在节点的IP地址:Kafka端口号 --topic 主题名称 --producer.config 客户端目录/Kafka/kafka/config/producer.properties

   例如本示例使用主题名称为user_source：sh kafka-console-producer.sh --broker-list Kafka角色实例所在节点的IP地址:Kafka端口号 --topic user_source --producer.config /opt/Bigdata/client/Kafka/kafka/config/producer.properties

   输入消息内容：

   3,3333,"2021-09-10 14:00"
   4,4444,"2021-09-10 14:01"

   输入完成后按回车发送消息。

   

   • ZooKeeper的quorumpeer实例业务IP：

     ZooKeeper服务所有quorumpeer实例业务IP。登录FusionInsight Manager，选择“集群 > 服务 > ZooKeeper > 实例”，可查看所有quorumpeer实例所在主机业务IP地址。

   • ZooKeeper客户端端口号：

     登录FusionInsight Manager，选择“集群 > 服务 > ZooKeeper”，在“配置”页签查看“clientPort”的值。默认为24002。

5. 执行以下命令查看Sink表中是否接收到数据，即HDFS目录是否正常写入文件。

   hdfs dfs -ls -R /sql/parquet

Flink对接HDFS分区

• Flink对接HDFS支持自定义分区。

  Flink文件系统分区支持使用标准的Hive格式。不需要将分区预先注册到表目录中，分区是根据目录结构推断。

  例如，根据下面的目录分区的表将被推断为包含日期时间和小时分区。

  path
  └── datetime=2021-09-03
      └── hour=11
          ├── part-0.parquet
          ├── part-1.parquet
      └── hour=12
          ├── part-0.parquet
  └── datetime=2021-09-24
      └── hour=6
          ├── part-0.parquet

• 分区文件的滚动策略。

  分区目录中的数据被拆分为part文件，每个分区将至少包含一个part文件，用于接收sink的子任务的数据写入。

  如下参数介绍分区文件如何进行滚动。

  配置项	默认值	类型	描述
  sink.rolling-policy.file-size	128MB	MemorySize	分区文件达到该阈值后，进行滚动。
  sink.rolling-policy.rollover-interval	30min	Duration	分区文件在滚动前可以保持打开的最长持续时间。
  sink.rolling-policy.check-interval	1min	Duration	检查基于时间的滚动策略的时间间隔。

• 分区目录的文件合并。
  支持文件压缩，允许应用程序具有更小的检查点间隔，而无需生成大量文件。

  

  仅压缩单个检查点中的文件，即生成的文件数量至少与检查点数量相同。合并前的文件是不可见的，因此文件的可见性是：检查点间隔+压缩时间之后。如果压缩时间太长，将延长检查点的时间段。

  配置项	默认值	类型	描述
  auto-compaction	false	Boolean	是否启用自动压缩。数据将写入临时文件。检查点完成后，检查点生成的临时文件将被压缩。压缩前临时文件不可见。
  compaction.file-size	none	MemorySize	压缩目标文件大小，默认值为滚动文件大小。

• 分区文件的提交。
  文件写入分区后，通常需要通知下游应用程序。如将分区添加到Hive元存储中，或在目录中写入_SUCCESS文件。分区文件的提交操作基于触发器和策略的组合方式。

  • 分区文件提交触发器相关配置

    配置项	默认值	类型	描述
    sink.partition-commit.trigger	process-time	String	process-time：基于计算节点的系统时间，它既不需要分区时间提取，也不需要生成watermark。即“当前系统时间”超过“分区创建时的系统时间”加上“延迟”时间，就提交分区。 partition-time：基于从分区提取的时间，它需要生成watermark。即“watermark时间”超过“从分区提取的时间”加上“延迟”时间，就提交分区。
    sink.partition-commit.delay	0 s	Duration	分区在延迟时间之前不会提交。如果是每日分区，则应为“1 d”，如果是每小时分区，则应为“1 h”。

  • 分区问文件提交策略相关配置

    配置项	默认值	类型	描述
    sink.partition-commit.policy.kind	-	String	提交分区的策略。 metastore：将分区添加到元存储。只有hive表支持元存储策略，文件系统通过目录结构管理分区。 success-file：将success-file文件添加到目录中。 两者可以同时配置，即：'sink.partition-commit.policy.kind'='metastore,success-file'。
    sink.partition-commit.policy.class	-	String	用于实现分区提交策略接口的分区提交策略类。 仅在自定义提交策略中生效。
    sink.partition-commit.success-file.name	_SUCCESS	String	success-file分区提交策略的文件名，默认值为_SUCCESS。