重磅！Vertica集成Apache Hudi指南

  • 2022 年 3 月 29 日
  • 筆記

1. 摘要

本文演示了使用外部表集成 Vertica 和 Apache Hudi。 在演示中我們使用 Spark 上的 Apache Hudi 將數據攝取到 S3 中，並使用 Vertica 外部表訪問這些數據。

2. Apache Hudi介紹

Apache Hudi 是一種變更數據捕獲 (CDC) 工具，可在不同時間線將事務記錄在表中。 Hudi 代表 Hadoop Upserts Deletes and Incrementals，是一個開源框架。 Hudi 提供 ACID 事務、可擴展的元數據處理，並統一流和批處理數據處理。
以下流程圖說明了該過程。 使用安裝在 Apache Spark 上的 Hudi 將數據處理到 S3，並從 Vertica 外部表中讀取 S3 中的數據更改。

3. 環境準備

  • Apache Spark 環境。 使用具有 1 個 Master 和 3 個 Worker 的 4 節點集群進行了測試。 按照在多節點集群上設置 Apache Spark 中的說明安裝 Spark 集群環境。 啟動 Spark 多節點集群。
  • Vertica 分析資料庫。 使用 Vertica Enterprise 11.0.0 進行了測試。
  • AWS S3 或 S3 兼容對象存儲。 使用 MinIO 作為 S3 存儲桶進行了測試。
  • 需要以下 jar 文件。將 jar 複製到 Spark 機器上任何需要的位置，將這些 jar 文件放在 /opt/spark/jars 中。
    • Hadoop – hadoop-aws-2.7.3.jar
    • AWS – aws-java-sdk-1.7.4.jar
  • 在 Vertica 資料庫中運行以下命令來設置訪問存儲桶的 S3 參數：
SELECT SET_CONFIG_PARAMETER('AWSAuth', 'accesskey:secretkey');
SELECT SET_CONFIG_PARAMETER('AWSRegion','us-east-1');
SELECT SET_CONFIG_PARAMETER('AWSEndpoint',』<S3_IP>:9000');
SELECT SET_CONFIG_PARAMETER('AWSEnableHttps','0');

endpoint可能會有所不同，具體取決於 S3 存儲桶位置選擇的 S3 對象存儲。

4. Vertica和Apache Hudi集成

要將 Vertica 與 Apache Hudi 集成，首先需要將 Apache Spark 與 Apache Hudi 集成，配置 jars，以及訪問 AWS S3 的連接。 其次，將 Vertica 連接到 Apache Hudi。 然後對 S3 存儲桶執行 Insert、Append、Update 等操作。
按照以下部分中的步驟將數據寫入 Vertica。
在 Apache Spark 上配置 Apache Hudi 和 AWS S3
配置 Vertica 和 Apache Hudi 集成

4.1 在 Apache Spark 上配置 Apache Hudi 和 AWS S3

在 Apache Spark 機器中運行以下命令。
這會下載 Apache Hudi 包，配置 jar 文件，以及 AWS S3

/opt/spark/bin/spark-shell \
--conf "spark.serializer=org.apache.spark.serializer.KryoSerializer"\--packages org.apache.hudi:hudi-spark3-bundle_2.12:0.9.0,org.apache.spark:spark-avro_2.12:3.0.1

導入Hudi的讀、寫等所需的包：

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._

使用以下命令根據需要配置 Minio 訪問密鑰、Secret key、Endpoint 和其他 S3A 演算法和路徑。

spark.sparkContext.hadoopConfiguration.set("fs.s3a.access.key", "*****")
spark.sparkContext.hadoopConfiguration.set("fs.s3a.secret.key", "*****")
spark.sparkContext.hadoopConfiguration.set("fs.s3a.endpoint", "//XXXX.9000")
spark.sparkContext.hadoopConfiguration.set("fs.s3a.path.style.access", "true")
sc.hadoopConfiguration.set("fs.s3a.signing-algorithm","S3SignerType")

創建變數來存儲 MinIO 的表名和 S3 路徑。

val tableName = 「Trips」
val basepath = 「s3a://apachehudi/vertica/」

準備數據，使用 Scala 在 Apache spark 中創建示例數據

val df = Seq(
("aaa","r1","d1",10,"US","20211001"),
("bbb","r2","d2",20,"Europe","20211002"),
("ccc","r3","d3",30,"India","20211003"),
("ddd","r4","d4",40,"Europe","20211004"),
("eee","r5","d5",50,"India","20211005"),
).toDF("uuid", "rider", "driver","fare","partitionpath","ts")

將數據寫入 AWS S3 並驗證此數據

df.write.format("org.apache.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)

使用 Scala 運行以下命令以驗證是否從 S3 存儲桶中正確讀取數據。

spark.read.format("hudi").load(basePath).createOrReplaceTempView("dta")
spark.sql("select _hoodie_commit_time, uuid, rider, driver, fare,ts, partitionpath from  dta order by uuid").show()

4.2 配置 Vertica 和 Apache HUDI 集成

在 vertica 中創建一個外部表，其中包含來自 S3 上 Hudi 表的數據。 我們創建了「旅行」表。

CREATE EXTERNAL TABLE Trips
(
_hoodie_commit_time TimestampTz,
uuid varchar,
rider varchar,
driver varchar,
fare int,
ts varchar,
partitionpath varchar
)
AS COPY FROM
's3a://apachehudi/parquet/vertica/*/*.parquet' PARQUET;

運行以下命令以驗證正在讀取外部表：

4.3 如何讓 Vertica 查看更改的數據

以下部分包含為查看 Vertica 中更改的數據而執行的一些操作的示例。

4.3.1 寫入數據

在這個例子中，我們使用 Scala 在 Apache spark 中運行了以下命令並附加了一些數據：

val df2 = Seq(
("fff","r6","d6",50,"India","20211005")
).toDF("uuid", "rider", "driver","fare","partitionpath","ts")

運行以下命令將此數據附加到 S3 上的 Hudi 表中：

df2.write.format("org.apache.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(Append).
save(basePath)

4.3.2 更新數據

在這個例子中，我們更新了一條 Hudi 表的記錄。 需要導入數據以觸發並更新數據：

val df3 = Seq(
("aaa","r1","d1",100,"US","20211001"),
("eee","r5","d5",500,"India","20211001")
).toDF("uuid", "rider", "driver","fare","partitionpath","ts")

運行以下命令將數據更新到 S3 上的 HUDI 表：

df3.write.format("org.apache.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(Append).
save(basePath)

以下是 spark.sql 的輸出：

以下是 Vertica 輸出：

4.3.3 創建和查看數據的歷史快照

執行以下指向特定時間戳的 spark 命令：

val dd = spark.read
.format("hudi")
.option("as.of.instant", "20211007092600")
.load(basePath)

使用以下命令將數據寫入 S3 中的 parquet：

dd.write.parquet("s3a://apachehudi/parquet/p2")

在此示例中，我們正在讀取截至「20211007092600」日期的 Hudi 錶快照。

dd.show

通過在 parquet 文件上創建外部表從 Vertica 執行命令。

​

VirMach 便宜 VPS

QNews

QNews