正面超越Spark | 几大特性垫定Flink1.12流计算领域真正大规模生产可用(下)

王知无-import_bigdata

发布于 2021-02-05 15:03:31

7140

我们书接上文，我们在之前的文章《正面超越Spark | 几大特性垫定Flink1.12流计算领域真正大规模生产可用(上)》详细描述了Flink的生产级别Flink on K8s高可用方案和DataStream API 对批执行模式的支持。

接下来是另外的几个特性增强。

第三个，Flink对SQL操作的全面支持

再很早之前，我在浏览社区的wiki中，关于是否需要添加SQL支持的讨论之前就在Flink社区中发生过几次。Flink自从0.9版本发布之后，Table API、关系表达式的代码生成工具以及运行时的操作符等都预示着添加SQL支持的很多基础已经具备，可以考虑进行添加了。

然后Flink SQL从Blink分支正式合并到了主分支，直到Flink1.12版本持续在进行优化，包括：

支持Upsert Kafka Connector
支持SQL 中支持 Temporal Table Join
Join优化
支持UDF等

这些特性使得Flink SQL拥有了不弱于Spark SQL的能力，并且随着生态的进一步完善，类似Flink-CDC这种业务中的常见痛点功能一直在不符按完善。

小编在很早前就已经写过Flink SQL的入门文章，目前该文章在百度搜索中权重排名第一，浏览次数高达4万+。

详细阅读你可以参考这里：https://blog.csdn.net/u013411339/article/details/93267838

第四个，Flink对Hive的全面支持

为什么说与Hive的集成标志着Flink的在生态支持上可以和Spark正面PK了呢？

在传统的基于Hadoop体系的数据仓库建设中，有没有哪个业务不用Hive的呢？几乎没有。

Hive作为Hadoop体系中应用最广泛的数据分析工具在整个生态位置上占有核心位置，是数据仓库生态系统中的绝对核心。一个对Hive不友好的框架是没有资格去争取某一个领域的王者地位的。

目前截止 Flink 1.12，Flink 与 Hive 的集成包含两个层面。

一是利用了 Hive 的 MetaStore 作为持久化的 Catalog，用户可通过HiveCatalog将不同会话中的 Flink 元数据存储到 Hive Metastore 中。例如，用户可以使用HiveCatalog将其 Kafka 表或 Elasticsearch 表存储在 Hive Metastore 中，并后续在 SQL 查询中重新使用它们。
二是利用 Flink 来读写 Hive 的表。

HiveCatalog的设计提供了与 Hive 良好的兼容性，用户可以”开箱即用”的访问其已有的 Hive 数仓。您不需要修改现有的 Hive Metastore，也不需要更改表的数据位置或分区。

关于如何使用Hive+Flink打造批流一体数仓仓库，你可以参考这里：《Flink1.12集成Hive打造自己的批流一体数仓》 。

这其中，最值得注意的两个特性是：

Hive Streaming的支持

Flink SQL的FileSystem Connector为了与Flink-Hive集成的大环境适配，做了很多改进，Flink以Streaming的方式写入Hive也标志着批流一体时代的真正来临。我这里贴一个简单的案例：

public class StreamingWriteHive {
    private static final String KAFKA_SQL = "CREATE TABLE kafkaTable (\n" +
            " code STRING," +
            " total_emp INT ," +
            " ts bigint ," +
            " r_t AS TO_TIMESTAMP(FROM_UNIXTIME(ts,'yyyy-MM-dd HH:mm:ss'),'yyyy-MM-dd HH:mm:ss'),\n" +
            " WATERMARK FOR r_t AS r_t - INTERVAL '5' SECOND "+

            ") WITH (" +
            " 'connector' = 'kafka'," +
            " 'topic' = 'flink_dwd_test4'," +
            " 'properties.bootstrap.servers' = 'node1:9092'," +
            " 'properties.group.id' = 'test1'," +
            " 'format' = 'json'," +
            " 'scan.startup.mode' = 'latest-offset'" +
            ")";
    public static void main(String[] args) throws Exception{

        StreamExecutionEnvironment bsEnv = StreamExecutionEnvironment.getExecutionEnvironment();
        EnvironmentSettings bsSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
        StreamTableEnvironment tEnv = StreamTableEnvironment.create(bsEnv, bsSettings);
        bsEnv.enableCheckpointing(5000);
        bsEnv.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);


        String name = "myhive";
        String defaultDatabase = "flink";
        String hiveConfDir = ""; // a local path
        String version = "1.1.0";

        HiveCatalog hive = new HiveCatalog(name, defaultDatabase, hiveConfDir, version);

        tEnv.registerCatalog("myhive", hive);
        tEnv.useCatalog("myhive");

        tEnv.getConfig().setSqlDialect(SqlDialect.DEFAULT);
        tEnv.executeSql("drop table kafkaTable22");
        tEnv.executeSql(KAFKA_SQL);

        tEnv.getConfig().setSqlDialect(SqlDialect.HIVE);

        String hiveSql = "CREATE  TABLE  fs_table (\n" +
                "  f_random_str STRING,\n" +
                "  f_sequence INT" +
                ") partitioned by (dt string,hr string) " +
                "stored as PARQUET " +
                "TBLPROPERTIES (\n" +
                "  'partition.time-extractor.timestamp-pattern'='$dt $hr:00:00',\n" +
                "  'sink.partition-commit.delay'='5 s',\n" +
                "  'sink.partition-commit.trigger'='partition-time',\n" +
//                                 "  'sink.partition-commit.delay'='1 m',\n" +
                "  'sink.partition-commit.policy.kind'='metastore,success-file'" +
                ")";
        tEnv.executeSql(hiveSql);

        String insertSql = "insert into fs_table1111 SELECT code, total_emp, " +
                " DATE_FORMAT(r_t, 'yyyy-MM-dd'), DATE_FORMAT(r_t, 'HH') FROM kafkaTable22";
        tEnv.executeSql(insertSql).print();
    }

对Hive的支持上，有两个特性十分醒目：

分区提交支持不同的触发和策略。详细的介绍读者可以参考：https://blog.csdn.net/u013411339/article/details/113051393
小文件合并

很多 bulk format，例如 Parquet，只有当写入的文件比较大时，才比较高效。当 checkpoint 的间隔比较小时，这会成为一个很大的问题，因为会创建大量的小文件。在 Flink 1.12 中，File Sink 增加了小文件合并功能，从而使得即使作业 checkpoint 间隔比较小时，也不会产生大量的文件。要开启小文件合并，可以在 FileSystem connector 中设置 auto-compaction = true 属性。

另外，Flink除了主赛道上的功能完善外，持续向外推展新的能力以解决业务上的痛点问题。值得我们期待。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2021-02-02，如有侵权请联系 cloudcommunity@tencent.com 删除

hive