首页 > 其他分享 >Hudi部署

Hudi部署

时间：2024-03-26 22:31:21浏览次数：176  
标签：Hudi hudi 部署 eclipse jetty Maven org

目录

前言

Hudi的介绍

一、Hudi是什么？

二、Hudi的特点功能和优势

三、Hudi的使用场景

Hudi的搭建部署

一、准备

二、搭建

1）搭建JAVA环境和Hadoop环境

2）部署zookeeper

3）部署Spark on yarn

4）部署maven环境

5）部署Hudi环境

三、执行编译，构建maven

Hudi的简单使用

一、准备案例

二、启动spark-shell，配置启动序列化参数

前言

随着大数据技术的飞速发展，企业对于数据处理的效率和实时性的要求也越来越高。Hadoop作为大数据领域的领军技术，长久以来一直承载着海量数据的存储和处理任务。然而，传统的Hadoop数据模型在处理更新和删除操作时的局限性，使得它难以满足实时数据湖等复杂场景的需求。

正是在这样的背景下，Hudi应运而生。Hudi，即Hadoop Upserts Deletes and Incrementals，是一个开源的数据存储层，它旨在解决Hadoop在处理更新和删除操作时的不足，使得大规模分析数据集的实时更新和增量处理成为可能。

本文旨在详细介绍如何搭建和部署Hudi，帮助读者了解并掌握这一强大的数据存储工具。我们将从环境准备、软件安装、配置调整、数据加载到性能优化等各个方面进行阐述，确保读者能够按照步骤顺利地搭建起自己的Hudi环境。

通过本文的学习，读者将能够了解到Hudi的基本原理和架构，掌握其安装和配置方法，并能够利用Hudi实现数据的实时更新和增量处理。无论是数据工程师、数据科学家还是大数据爱好者，都可以通过本文获得Hudi搭建和部署的实用知识和经验。

让我们一同走进Hudi的世界，探索它如何为实时数据湖的建设提供强大的技术支持，并为企业带来更高效、更灵活的数据处理能力。

Hudi的介绍

一、Hudi是什么？

Hudi（Hadoop Upserts Deletes and Incrementals）是一个开源的数据存储层，旨在优化Hadoop和HDFS上大规模分析数据集的更新、删除和增量处理。Hudi特别关注实时数据湖用例，使得数据工程师和数据科学家能够轻松地管理、查询和分析实时或几乎实时更新的数据集。

二、Hudi的特点功能和优势

  1. 支持增量更新和删除：传统上，Hadoop和HDFS是为批量处理而设计的，不支持对数据的更新或删除。然而，随着实时数据处理的需求增长，这种限制变得越来越明显。Hudi通过引入新的数据模型解决了这个问题，允许用户在不重写整个数据集的情况下，对特定记录进行更新或删除。

  2. 高效的数据摄取：Hudi提供了多种数据摄取方法，包括批量加载、流式摄取和实时摄取。这使得Hudi能够灵活适应不同的数据处理需求，无论是定期批量加载数据还是持续不断地从数据源摄取数据。

  3. 与Hadoop生态系统集成：Hudi与Hadoop生态系统中的其他组件（如Hive、Spark、Flink等）紧密集成，使得用户能够利用这些工具进行数据分析、查询和转换。

  4. 优化查询性能：Hudi使用列式存储格式，并结合索引和分区策略，优化了查询性能。这有助于加速数据分析任务，特别是在处理大规模数据集时。

  5. 版本控制和回滚：Hudi支持数据的版本控制，这意味着用户可以跟踪数据的更改历史，并在必要时回滚到之前的版本。

  6. 简化数据管理：通过使用Hudi，用户可以更容易地管理数据湖中的数据，包括处理数据的生命周期、保留策略和归档等。

  7. 优化存储和查询性能：Hudi 采用了多种技术来优化存储和查询性能，如列式存储、索引、分区等。这些技术使得用户可以更快地查询和分析数据。

三、Hudi的使用场景

1）近实时写入

减少碎片化工具的使用。
CDC 增量导入 RDBMS 数据。
限制小文件的大小和数量。


2）近实时分析

相对于秒级存储（Druid, OpenTSDB），节省资源。
提供分钟级别时效性，支撑更高效的查询。
Hudi作为lib，非常轻量。


3）增量 pipeline

区分arrivetime和event time处理延迟数据。
更短的调度interval减少端到端延迟（小时 -> 分钟） => Incremental Processing。


4）增量导出

替代部分Kafka的场景，数据导出到在线服务存储 e.g. ES。

Hudi的搭建部署

一、准备

准备下图的安装包：

具体准备要求：

1）确保安装了JAVA开发工具包（JDK），因为Hudi是基于Java开发的，因此JDK是必需的。确保安装了与Hudi兼容的JDK版本，并配置好环境变量，以便在命令行中能够直接使用。

2）由于Hudi依赖于Apache Hadoop和Apache Spark，因此在安装Hudi之前，需要先安装和配置这两个组件。

3）需要安装并配置 Apache Maven：

Maven是一个项目管理工具，用于自动化构建Java项目，并管理项目的依赖关系。安装Maven后，需要设置其环境变量，并确保可以在命令行中调用Maven命令。

部署maven的原因：

在搭建和部署Hudi的过程中，之所以需要搭建Maven环境，主要是因为Hudi项目本身是基于Java开发的，并且采用了Maven作为项目管理工具。Maven在Java项目开发中扮演了重要的角色，它提供了项目构建、依赖管理等功能，能够大大简化项目的开发和维护过程。

具体来说，Maven通过定义项目对象模型（POM），帮助开发者管理项目的构建过程、依赖关系、生命周期等。对于Hudi项目而言，Maven可以自动处理其所需的Java依赖库，包括其他Java项目或库，确保项目在编译、测试和运行时能够正确引用这些依赖。

此外，Maven还提供了丰富的插件生态系统，这些插件可以扩展Maven的功能，实现诸如代码编译、打包、发布等操作。在Hudi的搭建和部署过程中，这些插件可以帮助我们自动化地完成一些繁琐的任务，提高开发效率。

因此，为了顺利搭建和部署Hudi，我们需要先搭建Maven环境，以便利用Maven的强大功能来管理Hudi项目的构建和依赖关系。这样，我们可以确保Hudi项目在开发和运行过程中能够正确、高效地运行，为后续的数据处理和分析工作提供有力的支持。

4）需要下载Hudi的发布版本

二、搭建

1）搭建JAVA环境和Hadoop环境

https://blog.csdn.net/2301_78038072/article/details/136498258icon-default.png?t=N7T8https://blog.csdn.net/2301_78038072/article/details/136498258

2）部署zookeeper

https://blog.csdn.net/2301_78038072/article/details/136505364icon-default.png?t=N7T8https://blog.csdn.net/2301_78038072/article/details/136505364

3）部署Spark on yarn

生产生活中 因为数据量比较大，是以TB、PB级别的数据量，所以建议部署在yarn上

https://blog.csdn.net/2301_78038072/article/details/136632914icon-default.png?t=N7T8https://blog.csdn.net/2301_78038072/article/details/136632914

4）部署maven环境

①解压缩安装包到/opt/module目录下

tar -zxvf /opt/software/apache-maven-3.6.3-bin.tar.gz -C /opt/module/

②配置maven的环境变量

vim /etc/profile.d/bigdata_env.sh

添加：

#MAVEN_HOME
export MAVEN_HOME=/opt/module/apache-maven-3.6.3
export PATH=$PATH:$MAVEN_HOME/bin

退出保存，刷新环境，使其生效：

source /etc/profile

③验证是否成功

mvn -v

④修改apache-maven-3.6.1/conf目录下的settings.xml文件

（1）添加maven本地仓库路径

跳转到大概55行左右，添加内容：

<localRepository>/opt/software/RepMaven</localRepository>

（2）修改阿里云镜像

跳转到大概160行左右，添加内容：

<mirror>
<id>nexus-aliyun</id>
<mirrorOf>central</mirrorOf>
<name>Nexus aliyun</namw>
<url>http://maven.aliyun.com/nexus/content/groups/public</url>
</mirror>

5）部署Hudi环境

①解压缩安装包到/opt/module目录下

tar -zxvf /opt/software/hudi-0.11.0.src.tgz -C /opt/module/

②修改hudi-0.11.0文件夹目录下的pom.xml文件

（1）111行和113行左右 修改hadoop与hive版本兼容

（2）1170行左右 新增中央仓库repository加速依赖下载

<repository>
        <id>nexus-aliyun</id>
        <name>nexus-aliyun</name>
        <url>http://maven.aliyun.com/nexus/content/groups/public/</url>
        <releases>
            <enabled>true</enabled>
        </releases>
        <snapshots>
            <enabled>false</enabled>
        </snapshots>
</repository>

③  修改源码兼容hadoop3 

vim /opt/module/hudi-0.11.0/hudi-common/src/main/java/org/apache/hudi/common/table/log/block/HoodieParquetDataBlock.java

113左右

④修改hudi-0.11.0/packaging/hudi-spark-bundle/文件夹目录下的pom.xml文件

vim /opt/module/hudi-0.11.0/packaging/hudi-spark-bundle/pom.xml

解决spark模块依赖冲突

（1）380行左右 hive

<exclusions>
        <exclusion>
          <artifactId>guava</artifactId>
          <groupId>com.google.guava</groupId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.pentaho</groupId>
          <artifactId>*</artifactId>
        </exclusion>
</exclusions>

（2）410行左右  hive-jdbc

<exclusions>
        <exclusion>
          <groupId>javax.servlet</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>javax.servlet.jsp</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
</exclusions>

（3）430行左右 hive-metastore

<exclusions>
        <exclusion>
          <groupId>javax.servlet</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.datanucleus</groupId>
          <artifactId>datanucleus-core</artifactId>
        </exclusion>
        <exclusion>
          <groupId>javax.servlet.jsp</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <artifactId>guava</artifactId>
          <groupId>com.google.guava</groupId>
        </exclusion>
</exclusions>

（4）455行左右 hive-common

<exclusions>
        <exclusion>
          <groupId>org.eclipse.jetty.orbit</groupId>
          <artifactId>javax.servlet</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
</exclusions>

（5） 在最后手动增加jetty （hive最下边，zookeeper上边）

排除低版本jetty，添加hudi指定版本的jetty

    <!-- 增加hudi配置版本的jetty -->
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-server</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-util</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-webapp</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-http</artifactId>
      <version>${jetty.version}</version>
    </dependency>

⑤修改hudi-0.11.0/packaging/hudi-utilities-bundle/文件夹目录下的pom.xml文件

vim /opt/module/hudi-0.11.0/packaging/hudi-utilities-bundle/pom.xml

（1）350行左右 

      <exclusions>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（2）361行左右

      <exclusions>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（3）423行左右 hive-service

      <exclusions>
		<exclusion>
          <artifactId>servlet-api</artifactId>
          <groupId>javax.servlet</groupId>
        </exclusion>
        <exclusion>
          <artifactId>guava</artifactId>
          <groupId>com.google.guava</groupId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.pentaho</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（4）455行左右 hive-jdbc

      <exclusions>
        <exclusion>
          <groupId>javax.servlet</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>javax.servlet.jsp</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（5）476行左右 hive-metastore

      <exclusions>
        <exclusion>
          <groupId>javax.servlet</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.datanucleus</groupId>
          <artifactId>datanucleus-core</artifactId>
        </exclusion>
        <exclusion>
          <groupId>javax.servlet.jsp</groupId>
          <artifactId>*</artifactId>
        </exclusion>
        <exclusion>
          <artifactId>guava</artifactId>
          <groupId>com.google.guava</groupId>
        </exclusion>
      </exclusions>

（6）501行左右 hive-common

      <exclusions>
        <exclusion>
          <groupId>org.eclipse.jetty.orbit</groupId>
          <artifactId>javax.servlet</artifactId>
        </exclusion>
        <exclusion>
          <groupId>org.eclipse.jetty</groupId>
          <artifactId>*</artifactId>
        </exclusion>
      </exclusions>

（7）520行 最后增加hudi配置版本的jetty

    <!-- 增加hudi配置版本的jetty -->
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-server</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-util</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-webapp</artifactId>
      <version>${jetty.version}</version>
    </dependency>
    <dependency>
      <groupId>org.eclipse.jetty</groupId>
      <artifactId>jetty-http</artifactId>
      <version>${jetty.version}</version>
    </dependency>

三、执行编译，构建maven

mvn clean package -DskipTests -Dspark3.0 -Dscala-2.12 -Dhadoop.version=3.1.3 -Pflink-bundle-shade-hive3

参数解析：

  1. mvn: 这是Maven命令行工具的调用，Maven是一个用于自动化构建Java项目的工具。

  2. clean: 这个目标（goal）用于清理项目构建的输出目录，通常包括target/目录，确保从干净的状态开始构建。

  3. package: 这个目标用于编译项目源代码，执行测试（如果未使用-DskipTests参数），并打包项目为一个可发布的格式，比如JAR、WAR或EAR文件。

  4. -DskipTests: 这个参数告诉Maven在构建过程中跳过单元测试。这对于只想构建项目而不运行测试的场景很有用，可以节省构建时间。

  5. -Dspark3.0: 这个参数可能是一个自定义属性，用于指定项目应该使用Apache Spark 3.0版本的相关依赖。这通常用于项目的pom.xml文件中，通过Maven属性来控制依赖的版本。

  6. -Dscala-2.12: 类似地，这个参数可能用于指定项目应该使用Scala 2.12版本的相关依赖。

  7. -Dhadoop.version=3.1.3: 这个参数用于指定Hadoop的版本为3.1.3。Maven将使用这个版本来解析Hadoop相关的依赖。

  8. -Pflink-bundle-shade-hive3: 这个参数用于激活一个或多个Maven profile。在这里，它激活了名为flink-bundle-shade-hive3的profile。Profiles是Maven中用于定义不同构建逻辑的一种方式，可以根据不同的环境或需求激活不同的profile。（这个profile与Apache Flink的捆绑、shade（重命名依赖以避免冲突）和Hive 3相关。）

接下来就是等待编译，过程很漫长

………………

………………………………

………………………………………………

………………………………………………………………

………………………………………………………………………………

………………………………………………………………………………………………

………………………………………………………………………………………………………………

就这样等啊等，你等了20分钟左右，出现了下面的画面，就证明你成功了

成功编译之后，进入Hudi自带的客户端

hudi-cli/hudi-cli.sh

Hudi的简单使用

一、准备案例

import org.apache.hudi.QuickstartUtils._
import scala.collection.JavaConversions._
import org.apache.spark.sql.SaveMode._
import org.apache.hudi.DataSourceReadOptions._
import org.apache.hudi.DataSourceWriteOptions._
import org.apache.hudi.config.HoodieWriteConfig._
import org.apache.hudi.common.model.HoodieRecord

val tableName = "hudi_trips_cow"
val basePath = "file:///tmp/hudi_trips_cow"
val dataGen = new DataGenerator

val inserts = convertToStringList(dataGen.generateInserts(10))
val df = spark.read.json(spark.sparkContext.parallelize(inserts, 2))
df.write.format("hudi").
  options(getQuickstartWriteConfigs).
  option(PRECOMBINE_FIELD_OPT_KEY, "ts").
  option(RECORDKEY_FIELD_OPT_KEY, "uuid").
  option(PARTITIONPATH_FIELD_OPT_KEY, "partitionpath").
  option(TABLE_NAME, tableName).
  mode(Overwrite).
  save(basePath)

val tripsSnapshotDF = spark.read.format("hudi").load(basePath + "/*/*/*/*")
tripsSnapshotDF.createOrReplaceTempView("hudi_trips_snapshot")
spark.sql("select fare, begin_lon, begin_lat, ts from  hudi_trips_snapshot where fare > 20.0").show()

二、启动spark-shell，配置启动序列化参数

spark-shell --conf "spark.serializer=org.apache.spark.serializer.KryoSerializer"

直接复制案例进入spark-shell里面，会得到

标签：Hudi,hudi,部署,eclipse,jetty,Maven,org
From： https://blog.csdn.net/2301_78038072/article/details/137054946

相关文章

  • 使用TensorRT-LLM部署ChatGLM3
    说明：TensorRT-LLM是NVIDIA开发的高性能推理TensorRT-LLM是NVIDIA推出的一个专门用于编译和优化大语言模型推理的综合程序库。可在NVIDIAGPU上加速和优化最新的大语言模型（LLM）的推理性能。官网地址为：https://github.com/THUDM/ChatGLM3/blob/main/tensorrt_llm_demo/READ......
  • 英特尔开发套件“哪吒”快速部署YoloV8 on Java
    作者:英特尔创新大使黄明明0.前言OpenVINO™工具套件基于OneAPI开发，可以加快高性能计算机视觉和深度学习应用开发速度的工具套件，适用于从边缘到云的各种英特尔计算平台上，帮助用户更快地将更准确的真实世界数据的AI推理结果部署到生产系统中。通过简化的开发工作流程，OpenV......
  • 基于SpringBoot+Vue+uniapp微信小程序的乡村政务服务系统的详细设计和实现(源码+lw+部
    文章目录前言项目运行截图技术框架后端采用SpringBoot框架前端框架Vue可行性分析系统测试系统测试的目的系统功能测试数据库表设计代码参考数据库脚本为什么选择我？获取源码前言......
  • 部署、运维
    一、nginx部署、运维(一)部署新站-1)将网站文件拷至/usr/local/webs/目录下-2)配置vim/usr/local/nginx/conf/nginx.conf样例： server{ listen8081; server_namelocalhost:8081; location/{ root/usr/local/webs/ZnHotel#目录 ......
  • docker安装部署zabbix
    原文出处：https://blog.csdn.net/bjywxc/article/details/103308052 zabbix由2部分构成，zabbixserver与可选组件zabbixagent，要想搭建一个Zabbix的工作环境,主要有三个方面（界面、服务器和数据库）可以安装在同一台服务器上，也可以不在同一个服务器。本次使用Docker 开源的应用容器......
  • 介绍部署esxi8.0产品的方式
    什么是esxiesxi的中文叫裸机虚拟机管理器ESXi是由VMware公司开发的一种裸机虚拟机管理器，全称为VMwareESXi。ESXi是一种虚拟化技术，专门设计用于在物理服务器上运行虚拟机，它的主要特点是能够最大限度地降低硬件配置要求并简化部署过程。ESXi采用裸金属安装方式，意味着它可......
  • 使用systemd部署r-nacos
    1、前言r-nacos是一个用rust实现的nacos服务。相较于javanacos来说，是一个提供相同功能，启动更快、占用系统资源更小（初始内存小于10M）、性能更高、运行更稳定的服务。r-nacos设计上完全兼容最新版本nacos面向clientsdk的协议（包含1.x的httpOpenApi，和2.x的grpc协议）,支持使用nac......
  • 基于vue+Springboot后台前后端分离项目：购物商城设计与实现（源码+文档+安装部署）
      博主介绍：黄菊华老师《Vue.js入门与商城开发实战》《微信小程序商城开发》图书作者，CSDN博客专家，在线教育专家，CSDN钻石讲师；专注大学生毕业设计教育和辅导。所有项目都配有从入门到精通的基础知识视频课程，学习后应对毕业设计答辩。项目配有对应开发文档、开题报告、任务书......
  • 如何使用Python脚本自动化部署和管理物联网设备
    使用Python脚本自动化部署和管理物联网（IoT）设备涉及多个步骤，包括设备发现、配置、固件更新和远程监控。以下是一个简化的流程，展示了如何使用Python脚本来自动化这些任务：设备发现：使用网络发现协议（如UPnP或mDNS）来发现网络上的物联网设备。Python中的PyUPnP或upnpclient库可以......
  • 基于SpringBoot+Vue的大学生兼职管理系统的详细设计和实现(源码+lw+部署文档+讲解等)
    文章目录前言详细视频演示具体实现截图技术栈后端框架SpringBoot前端框架Vue持久层框架MyBaitsPlus系统测试系统测试目的系统功能测试系统测试结论为什么选择我自己的网站自己的小程序（小蔡coding）代码参考数据库参考源码获取前言......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99