訊息推送平臺的實時數倉？！flink消費kafka訊息入到hive

Java3y發表於2023-05-10
KafkaHive

大家好，3y啊。好些天沒更新了，並沒有偷懶，只不過一直在安裝環境，差點都想放棄了。

上一次比較大的更新是做了austin的預覽地址，把企業微信的應用和機器人訊息各種的訊息型別和功能給完善了。上一篇文章也提到了，austin常規的功能已經更新得差不多了，剩下的就是各種細節的完善。

不知道大家還記不記得我當時規劃austin時，所畫出的架構圖：

現在就剩下austin-datahouse這個模組沒有實現了，也有挺多同學在看程式碼的時候問過我這個模組在哪...其實就是還沒實現，先規劃，牛逼先吹出去（網際網路人必備技能）

訊息推送平臺?推送下發【郵件】【簡訊】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。

至於這個模組吧，我預想它的功能就是把austin相關的實時資料寫到資料倉儲裡。一方面是做資料備份，另一方面是大多數的報表很多都得依賴資料倉儲去做。實際上，生產環境也會把相關的資料寫到數倉中。

而在公司裡，要把資料寫到資料倉儲，這事對開發來說一般很簡單。因為有數倉這個東西，那大多數都會有相關的基礎建設了。對於開發而言，可能就是把日誌資料寫到Kafka，在相關的後臺配置下這個topic，就能將這個topic的資料同步到資料倉儲裡咯。如果是資料庫的話，那應該大資料平臺有同步資料的功能，對普通開發來說也就配置下表名就能同步到資料倉儲裡咯。

反正使用起來很簡單就是了。不過，我其實不知道具體是怎麼做的。

但是不要緊啊，反正開源專案對於時間這塊還是很充裕得啊：沒有deadline，沒有產品在隔壁催我寫，沒有相關的技術要跟我對接。那我不懂可以學，於是也花了幾天看了下數倉這塊內容。

在看數倉的同時，我之前在公司經常會聽到資料湖這個詞。我剛畢業的時候是沒聽過的，但這幾年好像這個概念就火起來了。跟大資料那邊聊點事的時候，經常會聽到：資料入湖。

那既然看都看了，順便了解資料湖是個什麼東西吧？對著瀏覽器一輪檢索之後，我發現這個詞還是挺抽象的，一直沒找到讓我耳目一新的答案，這個資料湖也不知道怎麼就火起來了。我瀏覽了一遍之後，我大概可以總結出什麼是資料湖，跟資料倉儲有啥區別：

1、資料倉儲是儲存結構化的資料，而資料湖是什麼資料都能存（非結構化的資料也能存）。結構化資料可以理解為我們的二維表、JSON資料，非結構化的資料可以理解為影像檔案之類的。

資料倉儲在寫入的時候，就要定義好schema了，而資料湖在寫入的時候不需要定schema，可以等用到的時候再查出來。強調這點，說明資料湖對資料的schema約束更加靈活。

2、資料倉儲和資料湖並不是替代關係。資料是先進資料湖，將資料加工（ETL）之後，一部分資料會到資料倉儲中。

3、我們知道現有的資料倉儲一般基於Hadoop體系的HDFS分散式檔案系統去搭建的，而資料湖也得儲存資料的嘛，一般也是依賴HDFS。

4、開源的資料湖技術比較出名的有hudi、iceberg、Delta Lake

看完上面的描述，是不是覺得有點空泛。看似學到了很多，但是實際還是不知道資料湖有啥牛逼之處。嗯，我也是這麼想的。總體下來，感覺資料湖就相當於資料倉儲的ODS，圍繞著這些資料定義了對應的meta資訊，做後設資料的管理。

說到ODS這個詞了，就簡單聊下資料倉儲的分層結構吧。這個行業通用的，一般分為以下：

1、ODS（Operate Data Store），原始資料層，未經過任何加工的。

2、DIM（Dictionary Data Layer），維度資料層，比如儲存地域、使用者客戶端這些維度的資料。

3、DWD（Data Warehouse Detail），資料明細層，把原始資料經過簡單的加工（去除髒資料，空資料之後就得到明細資料）。

4、DWS（Data Warehouse Service），資料維度彙總層，比如將資料明細根據使用者維度做彙總得到的彙總之後的資料。

5、ADS（Application Data Store），資料應用層，這部分資料能給到後端以介面的方式給到前端做視覺化使用了。

至於為什麼要分層，跟當初我們理解DAO/Service/Controller的思想差不多，大概就是複用和便於後續修改變動。

扯了那麼多吧，聊會ausitn專案吧，我是打算怎麼做的呢？因為我的實時計算austin-stream模組是採用Flink去做的，我打算austin-datahouse也是採用flink去做。

這幾年在大資料領域湖倉一體、流批一體這些概念都非常火，而對於austin來說，第一版迭代還不用走得這麼急。我目前的想法是利用flink的tableapi去對接Hive，透過Superset、Metabase、DataEase 其中一個開源的大資料視覺化工具把Hive的資料給讀取出來，那第一版就差不多完成了。

現狀

自從我決定開始寫austin-data-house資料倉儲模組，已經過了兩週有多了。這兩週多我都在被部署安裝環境折磨，中途有很多次就想放棄了。

我初學程式設計，到現在工作了幾年，我還是沒變，一如既往地討厭安裝環境。

花了這麼長時間除錯安裝部署環境，實現的功能其實很簡單：消費Kafka的訊息，寫入hive。（我在寫全鏈路追蹤功能實時引擎用的是flink，為了技術架構統一，我還是希望透過flink來實現。）

flink從1.9開始支援hive。到目前為止，flink穩定的版本在1.16.0，flink支援hive也就這兩年的事。

austin所依賴的元件有很多（正常線上環境都會有這些元件，只是不用我們自己搭建而已）。各種元件的環境問題被我一一征服了，但有很大程度上的功勞是在docker-compose上。

說到資料倉儲，第一時間肯定是想到hive。雖然我沒裝過hadoop/hive/hdfs大資料相關的元件，但稍微想想這都是複雜的。那安裝hive自然就會想到有沒有docker映象，一鍵安裝可多爽啊。

之前接入的flink也是跑在docker上的，把hive也找個映象，兩者融合融合不就行了嘛？

想法很好，我就開幹了。

基礎知識

flink和hive融合，實際上是藉助hive catalog來打通hive。hive catalog對接著hive metastore(hive儲存後設資料的地方)。

當我們使用flink建立出的後設資料，會經由hive catalog 最終持久化到hive metastore，同時我們會利用hive catalog提供的介面對hive進行寫入和讀取。

來源：https://blog.51cto.com/u_15105906/5849229

安裝hive環境

那時候簡單搜了下，還真被我找到了hive的映象，沒想到這麼幸運，還是支援docker-compose的，一鍵安裝，美滋滋。

https://github.com/big-data-europe/docker-hive

我就簡單複述下過程吧，比較簡單：

1、把倉庫拉到自己的伺服器上

git clone git@github.com:big-data-europe/docker-hive.git

2、進入到專案的資料夾裡

cd docker-hive

3、啟動專案

docker-compose up -d

一頓下載之後，可以發現就啟動成功了，透過docker ps 命令就看到執行幾個映象了。

沒錯，這就安裝好hive了，是不是非常簡單。具體啟動了什麼，我們可以簡單看下docker-compose.yml檔案的內容。

最後，我們可以連上hive的客戶端，感受下快速安裝好hive的成功感。

# 進入bash
docker-compose exec hive-server bash

# 使用beeline客戶端連線
/opt/hive/bin/beeline -u jdbc:hive2://localhost:10000

深陷迷霧

hive安裝好了之後，我就馬不停蹄地想知道怎麼跟flink進行融合了。我就搜了幾篇部落格看個大概，後來發現大多數部落格的內容其實就是翻譯了flink官網的內容。

不過，翻部落格的過程中讓我大致瞭解了一點：如果我要使用flink連線hive，那我要手動把flink連線hive的jar包匯入到flink/lib目錄下。

說實話，這還是比較麻煩的。我還以為只需要在我的工程裡匯入相關的依賴就好了，沒想到還得自己手動把jar包下來下來，然後傳入到flink的安裝目錄下。

我吭哧吭哧地做了，但把我寫好的工程jar包傳上去提交給jobmanager不是缺這就是少那依賴。我相信我能搞掂，反正就是版本依賴的問題嘛，我在行的。

後面又發現在flink工程專案裡用maven引入hadoop依賴是不夠的，flink新版本里預設打的映象是沒有hadoop的，要手動在flink環境目錄下引入hadoop。這個也是麻煩的，但只要我在映象裡下載些環境，也不是不能幹。

1、安裝vim

apt-get update

apt-get install vim

2、安裝hadoop

2.1、下載hadoop

wget https://archive.apache.org/dist/hadoop/common/hadoop-2.7.4/hadoop-2.7.4.tar.gz

2.2、解壓hadoop

tar -zxf hadoop-2.7.4.tar.gz

2.3、配置環境變數

vim /etc/profile
export HADOOP_HOME=/opt/hadoop-2.7.4
export PATH=$HADOOP_HOME/bin:$PATH
export HADOOP_CLASSPATH=`hadoop classpath`
source /etc/profile

2.4、在flink的docker容器裡還得把.bashrc也得改了才生效

過於樂觀的我，搞了10天左右吧，終於頂不住了，下定決心：我一定要統一版本，不能修修補補了，該什麼版本就走什麼版本，推倒從來吧。我就按著flink官網來走，一步一步走下來不可能錯的吧！

flink最新的版本是v1.17-SNAPSHOT，那我就挑上一個穩定的版本就行了！順便一看，我之前寫全鏈路追蹤austin接入flink的時候，程式碼的還是14.3版本。但管不了這麼多了，就用1.16.0版本吧。

首先，我發現我的flink映象拉取的是最新的版本image: flink:latest。那我得找1.16.0版本的docker-compose來部署，版本就得統一，後面的事才好搞。這個好找，在官網很快就找到了：image: flink:1.16.0-scala_2.12

新的映象搞下來了以後，我又吭哧地把相關的jar都手動地匯入到flink容器裡。另外，我發現官網寫的pom依賴，壓根就下載不下來的，這不對勁啊。

<dependency>
  <groupId>org.apache.flink</groupId>
  <artifactId>flink-table-api-java-bridge_2.12</artifactId>
  <version>1.16.0</version>
  <scope>provided</scope>
</dependency>

我開始以為是我的maven倉庫配置問題，找遍了倉庫在那個artifactId下，最大的也就只有1.14.x的版本。去找了下flink的issue，發現有人跟我一樣的問題。

https://github.com/apache/flink/pull/21553

繼續嘗試提交我自己寫好的flink.jar。毫無意外地，又報錯了，有些是之前的報錯，我很快地就能解決掉。

我一想，意識到是哪裡沒做好了：hive的版本，hadoop的版本，flink的版本這三者也要約束。那我轉頭一看，發現之前我從映象里拉下來hive版本是2.3.2，裡面裝的hadoop版本是2.7.4。於是，我又統一了這三者的版本。信心很足，感覺一定能成。

再次提交，還是有問題，瘋狂Google但就是一直找不到解決方案。能查出來的資料，網上的全都是“原始”安裝部署的，就沒有透過flink docker映象跟hive融合的，而且也不是跨機器的（給出來的案例都是在同一臺機器上，我是hive部署一臺機器上，flink部署在另一臺機器上）。

花了幾天除錯還是解決不掉，怎麼搞呢？放棄又不甘心。咋整？繼續推倒重來唄。

在使用flink容器除錯的過程中我已經發現了：

1、拉下來的docker映象裡的內容，跟官網所描述的jar包是有出入的，有的是要我手動去下載的。但當時我覺得既然版本已經限定了，那應該問題也不大。

2、hadoop環境變數在flink docker 容器下很難除錯。每次重新推倒從來的時候，我都得手動配置一次，步驟也繁瑣。即便我掛載了相關的jar包和整個目錄

3、flink容器內重啟和啟動叢集環境不可控，老是出現奇奇怪怪的問題。

那這一次，我就不用docker-compose部署flink了，直接在centos安裝部署flink，繼續整。

隨著我每一次推倒重來，我就覺得我離成功越來越近越來越近。從環境變數報錯缺失CALSS_PATH的問題，已經到了sql的語法的問題，從sql語法的問題到找不到遠端地址namenode can't found的問題，從遠端地址的問題，到HDFS呼叫不通的問題。最後，終於除錯成功了。

下面就記錄我能除錯成功的安裝過程，各種坑錯誤異常就不記錄了（篇幅問題），這裡也吐槽夠了。

安裝flink環境

1、下載flink壓縮包

wget https://dlcdn.apache.org/flink/flink-1.16.0/flink-1.16.0-bin-scala_2.12.tgz

2、解壓flink

tar -zxf flink-1.16.0-bin-scala_2.12.tgz

3、修改該目錄下的conf下的flink-conf.yaml檔案中rest.bind-address配置，不然遠端訪問不到8081埠，將其改為0.0.0.0

rest.bind-address: 0.0.0.0

4、將flink官網提到連線hive所需要的jar包下載到flink的lib目錄下(一共4個)

wget https://repo.maven.apache.org/maven2/org/apache/flink/flink-sql-connector-hive-2.3.9_2.12/1.16.0/flink-sql-connector-hive-2.3.9_2.12-1.16.0.jar

wget https://repo.maven.apache.org/maven2/org/apache/hive/hive-exec/2.3.4/hive-exec-2.3.4.jar

wget https://repo.maven.apache.org/maven2/org/apache/flink/flink-connector-hive_2.12/1.16.0/flink-connector-hive_2.12-1.16.0.jar 

wget https://repo.maven.apache.org/maven2/org/antlr/antlr-runtime/3.5.2/antlr-runtime-3.5.2.jar

5、按照官網指示把flink-table-planner_2.12-1.16.0.jar和flink-table-planner-loader-1.16.0.jar 這倆個jar包移動其目錄；

mv $FLINK_HOME/opt/flink-table-planner_2.12-1.16.0.jar $FLINK_HOME/lib/flink-table-planner_2.12-1.16.0.jar
mv $FLINK_HOME/lib/flink-table-planner-loader-1.16.0.jar $FLINK_HOME/opt/flink-table-planner-loader-1.16.0.jar

6、把後續kafka所需要的依賴也下載到lib目錄下

wget https://repo1.maven.org/maven2/org/apache/flink/flink-connector-kafka/1.16.0/flink-connector-kafka-1.16.0.jar

wget https://repo1.maven.org/maven2/org/apache/kafka/kafka-clients/3.3.1/kafka-clients-3.3.1.jar

安裝hadoop環境

由於hive的映象已經鎖死了hadoop的版本為2.7.4，所以我這邊flink所以來的hadoop也是下載2.7.4版本

1、下載hadoop壓縮包

wget https://archive.apache.org/dist/hadoop/common/hadoop-2.7.4/hadoop-2.7.4.tar.gz

2、解壓hadoop

tar -zxf hadoop-2.7.4.tar.gz

安裝jdk11

由於高版本的flink需要jdk 11，所以這邊安裝下該版本的jdk：

yum install java-11-openjdk.x86_64
yum install java-11-openjdk-devel.x86_64

配置jdk、hadoop的環境變數

這一步為了能讓flink在啟動的時候，載入到jdk和hadoop的環境。

1、編輯/etc/profile檔案

vim /etc/profile

2、檔案內容最底下增加以下配置：

JAVA_HOME=/usr/lib/jvm/java-11-openjdk-11.0.17.0.8-2.el7_9.x86_64
JRE_HOME=$JAVA_HOME/jre
CLASS_PATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar:$JRE_HOME/lib
PATH=$PATH:$JAVA_HOME/bin:$JRE_HOME/bin
export JAVA_HOME JRE_HOME CLASS_PATH PATH
export HADOOP_HOME=/root/hadoop-2.7.4
export PATH=$HADOOP_HOME/bin:$PATH
export HADOOP_CLASSPATH=`hadoop classpath`

3、讓配置檔案生效

source /etc/profile

austin資料倉儲工程程式碼

直接上austin倉庫地址，文章篇幅就不貼程式碼了，該寫的註釋我都寫了。

http://gitee.com/zhongfucheng/austin

這個工程程式碼量非常少，一共就4個核心檔案pom.xml/hive-site.xml/AustinHiveBootStrap.java，要使用的時候注意該兩處地方即可：

1、com.java3y.austin.datahouse.constants.DataHouseConstant#KAFKA_IP_PORT將這裡改成自己的kafka的ip和port

2、hive-site.xml檔案全域性替換掉hive_ip為自己的hive地址，一共兩處

部署工程程式碼到Flink

我們把jar包上傳到伺服器，然後使用命令提交jar包給flink執行。也可以開啟flink的管理後臺，在頁面上提交jar包並啟動。我這裡就選擇使用命令的方式來提交，主要因為在外網透出flink的埠，很容器被攻擊（我已經重灌系統幾次了。。）

(flink命令在$FLINK_HOME/bin下)

./start-cluster.sh
./flink run austin-data-house-0.0.1-SNAPSHOT.jar

啟動Kafka生產者寫入測試資料

啟動消費者的命令（將ip和port改為自己伺服器所部署的Kafka資訊）：

$KAFKA_HOME/bin/kafka-console-producer.sh --topic austinTraceLog  --broker-list ip:port

輸入測試資料：

{"state":"1","businessId":"2","ids":[1,2,3],"logTimestamp":"123123"}

即將成功

到這一步，離勝利就非常近了，但還是有通訊的問題：flink無法識別namenode/namenode與datanode之間的通訊問題等等。於是我們需要做以下措施：

1、hive在部署的時候，增加datanode/namenode的通訊埠，部署hive使用這個docker-compose檔案的內容：

version: "3"

services:
  namenode:
    image: bde2020/hadoop-namenode:2.0.0-hadoop2.7.4-java8
    volumes:
      - namenode:/hadoop/dfs/name
    environment:
      - CLUSTER_NAME=test
    env_file:
      - ./hadoop-hive.env
    ports:
      - "50070:50070"
      - "9000:9000"
      - "8020:8020"
  datanode:
    image: bde2020/hadoop-datanode:2.0.0-hadoop2.7.4-java8
    volumes:
      - datanode:/hadoop/dfs/data
    env_file:
      - ./hadoop-hive.env
    environment:
      SERVICE_PRECONDITION: "namenode:50070"
    ports:
      - "50075:50075"
      - "50010:50010"
      - "50020:50020"
  hive-server:
    image: bde2020/hive:2.3.2-postgresql-metastore
    env_file:
      - ./hadoop-hive.env
    environment:
      HIVE_CORE_CONF_javax_jdo_option_ConnectionURL: "jdbc:postgresql://hive-metastore/metastore"
      SERVICE_PRECONDITION: "hive-metastore:9083"
    ports:
      - "10000:10000"
  hive-metastore:
    image: bde2020/hive:2.3.2-postgresql-metastore
    env_file:
      - ./hadoop-hive.env
    command: /opt/hive/bin/hive --service metastore
    environment:
      SERVICE_PRECONDITION: "namenode:50070 datanode:50075 hive-metastore-postgresql:5432"
    ports:
      - "9083:9083"
  hive-metastore-postgresql:
    image: bde2020/hive-metastore-postgresql:2.3.0
    ports:
      - "5432:5432"
  presto-coordinator:
    image: shawnzhu/prestodb:0.181
    ports:
      - "8080:8080"
volumes:
  namenode:
  datanode:

2、在部署flink伺服器上增加hosts，有以下(ip為部署hive的地址）：

127.0.0.1 namenode
127.0.0.1 datanode
127.0.0.1 b2a0f0310722

其中 b2a0f0310722是datanode的主機名，該主機名會隨著hive的docker而變更，我們可以登入namenode的後臺地址找到其主機名。而方法則是在部署hive的地址輸入：

http://localhost:50070/dfshealth.html#tab-datanode

3、把工程下的hive-site.xml檔案複製到$FLINK_HOME/conf下

4、hadoop的配置檔案hdfs-site.xml增加以下內容（我的目錄在/root/hadoop-2.7.4/etc/hadoop）

<property>
    <name>dfs.client.use.datanode.hostname</name>
    <value>true</value>
    <description>only cofig in clients</description>
</property>

5、啟動flink-sql的客戶端：

./sql-client.sh

6、在sql客戶端下執行以下指令碼命令，注：hive-conf-dir要放在$FLINK_HOME/conf下

CREATE CATALOG my_hive WITH (
    'type' = 'hive',
    'hive-conf-dir' = '/root/flink-1.16.0/conf'
);
use catalog my_hive;
create database austin;

7、重啟flink叢集

./stop-cluster.sh
./start-cluster.sh

8、重新提交執行flink任務

./flink run austin-data-house-0.0.1-SNAPSHOT.jar

資料視覺化

到上面為止，我們已經把資料寫入到hive表了，我們是不可能每一次都在命令列視窗裡查詢hive的資料。一般在公司裡都會有視覺化平臺供我們開發/數倉/資料分析師/運營 去查詢hive的資料。

我簡單看了幾個開源的視覺化平臺：Superset/Metabase/DataEase。最後選擇了Metabase，無他，看著順眼一些。

部署Metabase很簡單，也是使用docker進行安裝部署，就兩行命令（後續我會將其加入到docker-compose裡面）。

docker pull metabase/metabase:latest
docker run -d -p 5001:3000 --name metabase metabase/metabase

完了之後，我們就可以開啟5001埠到Metabase的後臺了。

我們可以在Metabase的後臺新增presto進而連線hive去查詢記錄。

這個presto服務我們在搭建hive的時候已經一起啟動了，所以這裡直接使用就好了。

到這一步，我們就可以透過在頁面上寫sql把訊息推送過程中埋點的明細資料查詢出來

最後

這資料倉儲整個安裝環境和除錯過程確實折騰人，多次推倒重來（甚至不惜重灌系統重來）。還好最後輸入Kafka一條訊息，在hive表裡能看到一條記錄，能看到結果之後，折騰或許是值得的。

如果想學Java專案的，強烈推薦我的開源專案訊息推送平臺Austin（8K stars） ，可以用作畢業設計，可以用作校招，可以看看生產環境是怎麼推送訊息的。開源專案訊息推送平臺austin倉庫地址：

訊息推送平臺?推送下發【郵件】【簡訊】【微信服務號】【微信小程式】【企業微信】【釘釘】等訊息型別。

參考資料：

相關文章