巧妙实现四大实时功能 | Linkis与Hudi结合的数据湖构建
背景介绍 Linkis是一款优秀的计算中间件，他对应用层屏蔽了复杂的底层计算引擎和存储方案，让大数据变得更加简单易用，同时也让运维变得更加方便。我们的平台很早就部署了WDS全家桶给业务用户和数据分析用户使用。近段时间，我们也调研和实现了hudi作为我们数据湖落地的方案，他帮助我们解决了在hdfs上进行实时upsert的问题，让我们能够完成诸如实时ETL,实时对账等项目。hudi作为一个数据湖的实现，我觉得他也是一种数据存储方案，所以我也希望它能够由Linkis来进行管理，这样我们的平台就可以统一起来对外提供能力。因此我这边做了一个Linkis和Hudi的结合和使用的分享。
1.环境版本介绍
1.1 环境是基于aws搭建，组件版本如下
1.2 版本适配的操作
1.21 linkis需要按照hadoop,spark,flink,hive,scala等版本进行适配编译。适配编译已经有很多的介绍文章了，这里就不赘述了。
1.22 DSS可以直接使用，也可以升级他的scala版本到2.12，和Linkis保持一致。
1.23 hudi版本建议选择0.10.1或者0.11.1,因为0.10.0和0.11.0都有一些bug。另外0.11.x提供了bucket index功能，功能强大，如果是spark2.4.x或者3.1以上的spark，建议升级到0.11.1。我们的spark环境是3.0.1，0.11.1的hudi不能适配，退而求其次选择了0.10.1
1.24 hudi需要自己按照组件版本进行编译，一般来说，编译的命令如下
mvn clean package -Dmaven.test.skip=true -Dspark3.0.x -Dscala-2.12 -Dcheckstyle.skip=true -Drat.skip=true1.25 有两个坑需要注意，因为aws的spark是自己修改了代码的，所以如果您使用的是aws，需要将spark-sql的version，改成amzn的版本，如3.0.1-amzn-0，不然在使用spark读取hudi的时候有包冲突;第二个坑是jetty版本的冲突，可以将hudi中的jetty改为provided。
1.26 完成编译后，我们可以得到三个bundle jar包，hudi-spark-bundle.jar,hudi-mr-bundle.jar, hudi-flink-bundle.jar，这三个jar分别是用于spark、hive和presto、flink的插件包。2.整体架构介绍
根据架构图所示，我们可以看到，业务库的binlog可以通过CDC直接到Hudi或者先经过Kafka再到Hudi。CDC和KafkaToHudi的应用使用Streamis进行提交，Streamis再通过Linkis将任务提交给Flink执行，这样用户的业务表就可以近实时地同步到我们的hudi表中。用户使用DSS进行查询，也是通过Linkis的Spark引擎访问hudi。
3.Linkis引入Hudi(Flink和Spark引擎)
3.1 Spark引擎
Spark引擎引入hudi的话，我们一般推荐直接将hudi-spark-bundle.jar放到${SPARK_HOME}/jars中，同时修改spark-defaut.conf，添加下面的配置
spark.serializer org.apache.spark.serializer.KryoSerializerspark.sql.extensions org.apache.spark.sql.hudi.HoodieSparkSessionExtension
同时也可以调大以下参数用来加大序列化的buffer内存。
spark.kryoserializer.buffer.max 256mspark.kryoserializer.buffer 256k
当然，也可以修改linkis启动spark引擎的方式，判断如果用户如果需要hudi的读取，就通过 --jars的方式引入hudi-spark-bundle.jar，并通过--conf的方式修改spark的序列化器参数。
3.2 Flink引擎
Flink引擎的话，就比较简单了，直接将hudi-flink-bundle.jar放置在${FLINK_HOME}/lib目录下即可，经过测试，hudi-flink-bundle.jar有shaded的方式，不会引入和其他connector冲突的包。
4.Linkis引入hudi之后的一些优点和应用介绍
4.1 实时ETL
将hudi引入到Linkis之后，我们可以直接通过streamis编写实时ETL任务，将业务表近实时地落到hudi，用户看到的最新的数据将是分钟级别的最新数据，而不是t-1或者几小时前的数据。而且这个实时ETL对集群压力也不大，如果是spark跑批，跑一天的数据，将会占据很大的集群资源，而且资源就在那一段时间被占用。
4.2 实时对账应用
我们以前的对账是在tidb上面，进行执行，tidb运维难度较大，而且商业版本价格较高，我们直接将数据导入到hudi之后，使用spark进行计算对账，也能打到分钟级别的延迟，同时运维成本降低。
4.3 实时BI
实时BI也是hudi的一个应用，通过Linkis的presto引擎查询hudi表，可以在visualis或tableau中实时刷新报表。presto的配置可以查看presto与hudi的连接。
4.4 实时分析
用户通过DSS直接查询hudi表，来进行取数以及实时分析，可以更快地反映出当天时刻的业务状况。
— END —
● 往期精选 ●
如何成为社区贡献者
1 ► 官方文档贡献。发现文档的不足、优化文档，持续更新文档等方式参与社区贡献。通过文档贡献，让开发者熟悉如何提交PR和真正参与到社区的建设。参考攻略：保姆级教程：如何成为Apache Linkis文档贡献者
2 ► 代码贡献。我们梳理了社区中简单并且容易入门的的任务，非常适合新人做代码贡献。请查阅新手任务列表：https://github.com/apache/incubator-linkis/issues/1161
3 ► 内容贡献：发布WeDataSphere开源组件相关的内容，包括但不限于安装部署教程、使用经验、案例实践等，形式不限，请投稿给小助手。例如：
4 ► 社区答疑：积极在社区中进行答疑、分享技术、帮助开发者解决问题等；
5 ► 其他：积极参与社区活动、成为社区志愿者、帮助社区宣传、为社区发展提供有效建议等
本文使用 文章同步助手 同步
