1.概述
最近有同学留言咨询Kafka数据落地到Hive的一些问题，今天笔者将为大家来介绍一种除Flink流批一体以外的方式（流批一体下次再单独写一篇给大家分享）。
2.内容
首先，我们简单来描述一下数据场景，比如有这样一个数据场景，有一批实时流数据实时写入Kafka，然后需要对Topic中的数据进行每隔5分钟进行落地到Hive，进行每5分钟分区存储。流程图如下所示：
2.1 环境依赖
整个流程，需要依赖的组件有Kafka、Flink、Hadoop。由于Flink提交需要依赖Hadoop的计算资源和存储资源，所以Hadoop的YARN和HDFS均需要启动。各个组件版本如下：
| 组件 | 版本 |
| Kafka | 2.4.0 |
| Flink | 1.10.0 |
| Hadoop | 2.10.0 |
2.2 每分钟落地HDFS实现
Flink消费Kafka集群中的数据，需要依赖Flink包，依赖如下：
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-filesystem_2.12</artifactId>
<version>${flink.connector.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-connector-kafka-0.11_2.12</artifactId>
<version>${flink.kafka.version}</version>
</dependency>
<dependency>
<groupId>org.apache.flink</groupId>
<artifactId>flink-streaming-java_2.12</artifactId>
<version>${flink.streaming.version}</version>
</dependency>
编写消费Topic的Flink代码，这里不对Topic中的数据做逻辑处理，在后面统一交给MapReduce来做数据预处理，直接消费并存储到HDFS上。代码如下：
public class Kafka2Hdfs { private static Logger LOG = LoggerFactory.getLogger(Kafka2Hdfs.class); public static void main(String[] args) { if (args.length != 3) { LOG.error("kafka(server01:9092), hdfs(hdfs://cluster01/data/), flink(parallelism=2) must be exist."); return; } String bootStrapServer = args[0]; String hdfsPath = args[1]; int parallelism = Integer.parseInt(args[2]); StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.enableCheckpointing(5000); env.setParallelism(parallelism); env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime); DataStream<String> transction = env.addSource(new FlinkKafkaConsumer010<>("test_bll_data", new SimpleStringSchema(), configByKafkaServer(bootStrapServer))); // Storage into hdfs BucketingSink<String> sink = new BucketingSink<>(hdfsPath); sink.setBucketer(new JDateTimeBucketer<String>("HH-mm"));// 自定义存储到HDFS上的文件名，用小时和分钟来命名，方便后面算策略 sink.setBatchSize(1024 * 1024 * 4); // this is 5MB sink.setBatchRolloverInterval(1000 * 30); // 30s producer a file into hdfs transction.addSink(sink); env.execute("Kafka2Hdfs"); } private static Object configByKafkaServer(String bootStrapServer) { Properties props = new Properties(); props.setProperty("bootstrap.servers", bootStrapServer); props.setProperty("group.id", "test_bll_group"); props.put("enable.auto.commit", "true"); props.put("auto.commit.interval.ms", "1000"); props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer"); return props; } }
2.3 注意事项
- 这里我们把时间窗口设置小一些，每30s做一次检查，如果该批次的时间窗口没有数据过来，就生成一个文件落地到HDFS上；
- 另外，我们重写了DateTimeBucketer为JDateTimeBucketer，逻辑并不复杂，在原有的方法上加一个年-月-日/时-分的文件生成路径，例如在HDFS上的生成路径：xxxx/2020-12-26/00-00
2.4 数据预处理
这里，我们需要对落地到HDFS上的文件进行预处理，处理的逻辑是这样的。比如，现在是2020-12-26 14:00，那么我们需要将当天的13:55，13:56，13:57，13:58，13:59这最近5分钟的数据处理到一起，并加载到Hive的最近5分钟的一个分区里面去。那么，我们需要生成这样一个逻辑策略集合，用HH-mm作为key，与之最近的5个文件作为value，进行数据预处理合并。
实现代码如下：
public class DateRange { public static void main(String[] args) { for (int i = 0; i < 24; i++) { for (int j = 0; j < 60; j++) { if (j % 5 == 0) { if (j < 10) { if (i < 10) { if (i == 0 && j == 0) { System.out.println("0" + i + "-0" + j + "=>23-59,23-58,23-57,23-56,23-55"); } else { if (j == 0) { String tmp = ""; for (int k = 1; k <= 5; k++) { tmp += "0" + (i - 1) + "-" + (60 - k) + ","; } System.out.println("0" + i + "-0" + j + "=>" + tmp.substring(0, tmp.length() - 1)); } else { String tmp = ""; for (int k = 1; k <= 5; k++) { if (j - k < 10) { tmp += "0" + i + "-0" + (j - k) + ","; } else { tmp += "0" + i + "-" + (j - k) + ","; } } System.out.println("0" + i + "-0" + j + "=>" + tmp.substring(0, tmp.length() - 1)); } } } else { if (j == 0) { String tmp = ""; for (int k = 1; k <= 5; k++) { if (i - 1 < 10) { tmp += "0" + (i - 1) + "-" + (60 - k) + ","; } else { tmp += (i - 1) + "-" + (60 - k) + ","; } } System.out.println(i + "-0" + j + "=>" + tmp.substring(0, tmp.length() - 1)); } else { String tmp = ""; for (int k = 1; k <= 5; k++) { if (j - k < 10) { tmp += i + "-0" + (j - k) + ","; } else { tmp += i + "-" + (j - k) + ","; } } System.out.println(i + "-0" + j + "=>" + tmp.substring(0, tmp.length() - 1)); } } } else { if (i < 10) { String tmp = ""; for (int k = 1; k <= 5; k++) { if (j - k < 10) { tmp += "0" + i + "-0" + (j - k) + ","; } else { tmp += "0" + i + "-" + (j - k) + ","; } } System.out.println("0" + i + "-" + j + "=>" + tmp.substring(0, tmp.length() - 1)); } else { String tmp = ""; for (int k = 1; k <= 5; k++) { if (j - 1 < 10) { tmp += i + "-0" + (j - k) + ","; } else { tmp += i + "-" + (j - k) + ","; } } System.out.println(i + "-" + j + "=>" + tmp.substring(0, tmp.length() - 1)); } } } } } } }
预览结果如下：
需要注意的是，如果发生了第二天00:00，那么我们需要用到前一天的00-00=>23-59,23-58,23-57,23-56,23-55这5个文件中的数据来做预处理。
2.5 数据加载
准备好数据后，我们可以使用Hive的load命令直接加载HDFS上预处理的文件，把数据加载到对应的表中，实现命令如下：
load data inpath '/cluster01/hive/hfile/data/min/2020-12-26/14-05/' overwrite into table jketable partition(day='2020-12-26-14-05')
这里，我们在执行命令时，可能文件不存在会导致加载出错。那我们在加载HDFS路径之前，先判断一下路径是否存在。
实现脚本如下所示：
hdfs dfs -ls /cluster01/hive/hfile/data/min/2020-12-26/14-05/ | wc -l > /tmp/hdfs_check_files.txt hdfs_check_files=`cat /tmp/hdfs_check_files.txt`
# 判断HDFS上文件是否存在 if [ $hdfs_check_files -eq 0 ] then echo "Match file is null.Stop hive load script." else echo "Match file is exist.Start hive load script." hive -e "load data inpath '/cluster01/hive/hfile/data/min/2020-12-26/14-05/' overwrite into table jketable partition(day='2020-12-26-14-05')" fi
3.总结
整个流程为，先使用Flink消费存储在Kafka中的数据，按照每分钟进行存储，然后将具体需要聚合的时间段进行策略生成，比如每5分钟、10分钟、15分钟等等，可以在DateRange类中修改对应的策略逻辑。最后，再将预处理好的数据使用hive命令进行加载。整个过程，流程较多。如果我们使用Flink的流批一体特性，可以通过Flink直接建表，然后使用Flink消费Kafka中的数据后，直接分区落地到Hive表，这个就留到下次再给大家分享吧。
4.结束语
这篇博客就和大家分享到这里，如果大家在研究学习的过程当中有什么问题，可以加群进行讨论或发送邮件给我，我会尽我所能为您解答，与君共勉！
另外，博主出书了《Kafka并不难学》和《Hadoop大数据挖掘从入门到进阶实战》，喜欢的朋友或同学， 可以在公告栏那里点击购买链接购买博主的书进行学习，在此感谢大家的支持。关注下面公众号，根据提示，可免费获取书籍的教学视频。