hive如何看表分区：Flink1.12维表Join

hive如何看表分区：Flink1.12维表Join1.latest 属性: 只读取最新分区数据。■ streaming-source.partition.include tblEnv.createTemporaryView("index_order_master" indexBeanStream); tblEnv.sqlUpdate("select group_id group_name sum(amt) from index_order_master group by group_id group_name"); tblEnv.execute("rt_aggr_master_flink");可以看出，在没有支持 Hive 最新分区做时态表的时候，简单的一个 join 便涉及到DataStream、map 算子，程序的代码量和维护成本会是比较大的。Flink 1.12 支持了 H

来源：Flink 中文社区
原文：https://mp.weixin.qq.com/s/yh4StVZ68aqfHFlMH_Sadw
我们生产常有将实时数据流与 Hive 维表 join 来丰富数据的需求，其中 Hive 表是分区表，业务上需要关联上 Hive 最新分区的数据。上周 Flink 1.12 发布了，刚好支撑了这种业务场景，我也将 1.12 版本部署后做了一个线上需求并上线。对比之前生产环境中实现方案，最新分区直接作为时态表提升了很多开发效率，在这里做一些小的分享。

• Flink 1.12 前关联 Hive 最新分区方案
• Flink 1.12 关联 Hive 最新分区表
• 关联Hive最新分区 Demo
• Flink SQL 开发小技巧

Flink 1.12 前关联 Hive 最新分区方案

在分区时态表出来之前，为了定期关联出最新的分区数据，通常要写 DataStream 程序，在 map 算子中实现关联 Hive 最新分区表的逻辑，得到关联打宽后的 DataStream 对象，通过将该 DataStream 对象转换成 Table 对象后，再进行后续的 SQL 业务逻辑加工。

map 算子中的主要逻辑: 将 T 2 的维度数据与实时数据关联，返回 Tuple2<MasterBean HiveDimBean> 数据，因为离线数仓出数一般在凌晨 3 点，有时候由于集群资源不稳定导致数据产出慢，业务对实时性要求也不高，所以这里用的是 T 2 的数据。

public class IndexOrderJoin extends RichMapFunction<MasterBean Tuple2<MasterBean HiveDimBean>> { private Map<Integer Map<String HiveDimBean>> map = null; Logger logger; @Override public void open(Configuration parameters) throws Exception { logger = LoggerFactory.getLogger(Class.forName("com.hll.util.IndexOrderJoin")); map = new HashMap<>(); } public Tuple2<MasterBean HiveDayIndexBean> map(MasterBean masterBean) { if (map.get(masterBean.getReportDate() - 2) == null) { //如果map里没有T 2的维表数据则查询一次Hive，并将结果存入线程级别map，所以保证Task维表数据是全的 logger.info("initial hive data : {}" masterBean.getReportDate()); map.put(masterBean.getReportDate() - 2 getHiveDayIndex(masterBean.getReportDate() - 2)); } //将的kafka数据与hive join后返回打宽数据 return new Tuple2<>(masterBean map.get(masterBean.getReportDate() - 2).get(masterBean.getGroupID())); }

基于关联打宽后的 DataStream 创建视图，然后再做后续的 SQL 业务逻辑查询。

tblEnv.createTemporaryView("index_order_master" indexBeanStream); tblEnv.sqlUpdate("select group_id group_name sum(amt) from index_order_master group by group_id group_name"); tblEnv.execute("rt_aggr_master_flink");

可以看出，在没有支持 Hive 最新分区做时态表的时候，简单的一个 join 便涉及到DataStream、map 算子，程序的代码量和维护成本会是比较大的。

Flink 1.12 关联 Hive 最新分区表

Flink 1.12 支持了 Hive 最新的分区作为时态表的功能，可以通过 SQL 的方式直接关联 Hive 分区表的最新分区，并且会自动监听最新的 Hive 分区，当监控到新的分区后，会自动地做维表数据的全量替换。通过这种方式，用户无需编写 DataStream 程序即可完成 Kafka 流实时关联最新的 Hive 分区实现数据打宽。

• 参数解释

■ streaming-source.enable 开启流式读取 Hive 数据。

■ streaming-source.partition.include

1.latest 属性: 只读取最新分区数据。

2.all: 读取全量分区数据 ，默认值为 all，表示读所有分区，latest 只能用在 temporal join 中，用于读取最新分区作为维表，不能直接读取最新分区数据。

■ streaming-source.monitor-interval 监听新分区生成的时间、不宜过短 、最短是1 个小时，因为目前的实现是每个 task 都会查询 metastore，高频的查可能会对metastore 产生过大的压力。需要注意的是，1.12.1 放开了这个限制，但仍建议按照实际业务不要配个太短的 interval。

■ streaming-source.partition-order 分区策略

主要有以下 3 种，其中最为推荐的是 partition-name：

1.partition-name 使用默认分区名称顺序加载最新分区

2.create-time 使用分区文件创建时间顺序

3.partition-time 使用分区时间顺序

具体配置

使用 Hive 最新分区作为 Tempmoral table 之前，需要设置必要的两个参数：

'streaming-source.enable' = 'true' 'streaming-source.partition.include' = 'latest'

我们可以再创建一张基于 Hive 表的新表，在 DDL 的 properties 里指定这两个参数，也可以使用 SQL Hint 功能，在使用时通过 SQL Hint 指定 query 中表的参数。以使用 SQL Hint 为例，我们需要用 /* option */ 指定表的属性参数，例如：

SELECT * FROM hive_table /* OPTIONS('streaming-source.enable'='true' 'streaming-source.partition.include'='latest')*/;

我们需要显示地开启 SQL Hint 功能 在 SQL Client 中可以用 set 命令设置：

set table.dynamic-table-options.enabled= true;

在程序代码中，可以通过 TableConfig 配置：

tblEnv.getConfig().getConfiguration().setString("table.dynamic-table-options.enabled" "true");

Flink 官网也给出了一个详细的例子，这里也简单说明下。

--将方言设置为hive以使用hive语法 SET table.sql-dialect=hive; CREATE TABLE dimension_table ( product_id STRING product_name STRING unit_price DECIMAL(10 4) pv_count BIGINT like_count BIGINT comment_count BIGINT update_time TIMESTAMP(3) update_user STRING ... ) PARTITIONED BY (pt_year STRING pt_month STRING pt_day STRING) TBLPROPERTIES ( -- 在创建hive时态表时指定属性 'streaming-source.enable' = 'true' 'streaming-source.partition.include' = 'latest' 'streaming-source.monitor-interval' = '12 h' 'streaming-source.partition-order' = 'partition-name' -- 监听partition-name最新分区数据 ); --将方言设置为default以使用flink语法 SET table.sql-dialect=default; CREATE TABLE orders_table ( order_id STRING order_amount DOUBLE product_id STRING log_ts TIMESTAMP(3) proctime as PROCTIME() ) WITH (...); --将流表与hive最新分区数据关联 SELECT * FROM orders_table AS order JOIN dimension_table FOR SYSTEM_TIME AS OF o.proctime AS dim ON order.product_id = dim.product_id;

关联 Hive 最新分区 Demo

• 工程依赖

将 Demo 工程中使用到的 connector 和 format 依赖贴到这里，方便大家本地测试时参考。

<dependencies> <dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <version>${mysql.version}</version> <!--<scope>provided</scope>--> </dependency> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-connector-jdbc_2.12</artifactId> <version>${flink.version}</version> </dependency> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-sql-connector-kafka_2.11</artifactId> <version>${flink.version}</version> <scope>provided</scope> </dependency> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-json</artifactId> <version>${flink.version}</version> <scope>provided</scope> </dependency> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-connector-hive_${scala.binary.version}</artifactId> <version>${flink.version}</version> <scope>provided</scope> </dependency> <dependency> <groupId>org.apache.hive</groupId> <artifactId>hive-exec</artifactId> <version>3.1.0</version> </dependency> </dependencies>

• 在 Sql Client 中注册 HiveCatalog：

vim conf/sql-client-defaults.yaml catalogs: - name: hive_catalog type: hive hive-conf-dir:/disk0/soft/hive-conf/#该目录需要包hive-site.xml文件

• 创建 Kafka 表

CREATE TABLE hive_catalog.flink_db.kfk_fact_bill_master_12 ( master Row<reportDate String groupID int shopID int shopName String action int orderStatus int orderKey String actionTime bigint areaName String paidAmount double foodAmount double startTime String person double orderSubType int checkoutTime String> proctime as PROCTIME() -- PROCTIME用来和Hive时态表关联 ) WITH ( 'connector' = 'kafka' 'topic' = 'topic_name' 'format' = 'json' 'properties.bootstrap.servers' = 'host:9092' 'properties.group.id' = 'flinkTestGroup' 'scan.startup.mode' = 'timestamp' 'scan.startup.timestamp-millis' = '1607844694000' );

• Flink 事实表与 Hive 最新分区数据关联

dim_extend_shop_info 是 Hive 中已存在的表，所以我们下面用 table hint 动态地开启维表参数。

CREATE VIEW IF NOT EXISTS hive_catalog.flink_db.view_fact_bill_master as SELECT * FROM (select t1.* t2.group_id t2.shop_id t2.group_name t2.shop_name t2.brand_id ROW_NUMBER() OVER (PARTITION BY groupID shopID orderKey ORDER BY actionTime desc) rn from hive_catalog.flink_db.kfk_fact_bill_master_12 t1 JOIN hive_catalog.flink_db.dim_extend_shop_info /* OPTIONS('streaming-source.enable'='true' 'streaming-source.partition.include' = 'latest' 'streaming-source.monitor-interval' = '1 h' 'streaming-source.partition-order' = 'partition-name') */ FOR SYSTEM_TIME AS OF t1.proctime AS t2 --时态表 ON t1.groupID = t2.group_id and t1.shopID = t2.shop_id wheregroupIDin(202042))twheret.rn=1

• 结果数据 Sink 到 MySQL

CREATE TABLE hive_catalog.flink_db_sink.rt_aggr_bill_food_unit_rollup_flk ( report_date String group_id int group_name String shop_id int shop_name String brand_id BIGINT brand_name String province_name String city_name String foodcategory_name String food_name String food_code String unit String rt_food_unit_cnt double rt_food_unit_amt double rt_food_unit_real_amt double PRIMARY KEY (report_date group_id shop_id brand_id foodcategory_name food_name food_code unit) NOT ENFORCED) WITH ( 'connector' = 'jdbc' 'url' = 'jdbc:mysql://host:4400/db_name?autoReconnect=true&useSSL=false' 'table-name' = 'table-name' 'username' = 'username' 'password' = 'password' ) insert into hive_catalog.flink_db_sink.rt_aggr_bill_food_unit_rollup_flk select reportDate group_id group_name shop_id shop_name brand_id brand_name province_name city_name SUM(foodNumber) rt_food_cnt sum(paidAmount) rt_food_amt sum(foodAmount) rt_food_real_amt from hive_catalog.flink_db.view_fact_bill_master groupbyreportDate group_id group_name shop_id shop_name brand_id brand_name province_name city_name;

• ORC format 的 BUG

在读取 ORC format 的表时，无法读取数据，我也向社区提了一个 Jira: https://issues.apache.org/jira/browse/FLINK-20576，读取其他 format 的表不存在问题，本地测试了读取 parquet 和 csv 都是正常的。

总结下上面的代码，只需通过 Flink SQL 便能实现 Kafka 实时数据流关联最新的 Hive 分区。同时我们结合了 HiveCatalog，可以复用 hive 的表和已经创建过的 kafka source 表，MySql sink 表，使得程序只需要关心具体的业务逻辑，无需关注 source/sink 表的创建，提高了代码的复用性以及可读性。对比之前的方案，纯 SQL 的开发显然降低了开发维护成本和用户门槛。

Flink SQL 开发小技巧

• 结合 Hive catalog，持久化 source 与 sink 表，减少重复建表，使得代码只需关注逻辑 SQL。
• 结合 Flink 视图，组织好业务加工逻辑，提高 SQL 的可读性。
• 利用 SQL Client 调试 SQL，程序没问题后再打包上线，而不是直接提交到集群做测试。