【Flink connector】文件系统 SQL 连接器：实时写文件系统以及（kafka到hive）实战举例

本文概述

flink支持动态写数据到文件系统，提供了分块写数据以及动态分区，接下来看flink是如何分块写数据，以及如何配置动态分区的建立。

 

文件系统连接器支持流写入，是基于 Flink 的 文件系统 写入文件的。

我们可以直接编写 SQL，将流数据插入到非分区表。 如果是分区表，可以配置分区操作相关的属性。具体参考分区提交。

 

一. 滚动策略：sink后文件切分(暂不关注)

1. 切分分区目录下的文件

分区目录下的数据被分割到 part 文件中。每个分区对应的 sink 的 subtask 都至少会为该分区生成一个 part 文件。
该策略基于大小，和指定的文件可被打开的最大 timeout 时长，来滚动 part 文件。

键	默认值	类型	描述
sink.rolling-policy.file-size	128MB	MemorySize	当part达到设定值时，文件开始滚动。
sink.rolling-policy.rollover-interval	30 min	Duration	滚动前，part 文件处于打开状态的最大时长（默认值30分钟，以避免产生大量小文件）。 检查频率是由 sink.rolling-policy.check-interval 属性控制的。
sink.rolling-policy.check-interval	1 min	Duration	周期检查文件打开时长。

根据描述默认情况下Flink采取了如上默认值的滚动策略。

 

---

todo：checkpoint 也会影响part文件的生成

---

对于 bulk formats 数据 (parquet、orc、avro)：滚动策略与 checkpoint 间隔（pending 状态的文件会在下个 checkpoint 完成）控制了 part 文件的大小和个数。

 

2. 小文件合并

---

todo: checkpoint的间隔会影响文件产生的效率

---

file sink 支持文件合并，允许应用程序使用较小的 checkpoint 间隔但不产生大量小文件。

键	默认值	类型	描述
auto-compaction	false	Boolean	在流式 sink 中自动合并功能。数据首先会被写入临时文件。当 checkpoint 完成后，该检查点产生的临时文件会被合并。这些临时文件在合并前不可见。
compaction.file-size	(无)	MemorySize	合并目标文件大小，默认值为滚动文件大小。

如果启用文件合并功能，会根据目标文件大小，将多个小文件合并成大文件。

在生产环境中使用文件合并功能时，需要注意：

• 只有 checkpoint 内部的文件才会被合并，至少生成的文件个数与 checkpoint 个数相同。
• 合并前文件是不可见的，那么文件的可见时间是：checkpoint 间隔时长 + 合并时长。
• 如果合并时间过长，将导致反压，延长 checkpoint 所需时间。

 

二. 分区提交

sink动态写分区包括如下两个操作：

1. Trigger-提交分区的时机：通过什么来识别分区（watermark或处理时间），什么时候提交分区
2. Policy-提交分区后通知下游：写_SUCCESS，hive metadata 中新增分区，或自定义：合并小文件等。

注意： 分区提交仅在(什么是？)动态分区插入模式下才有效。

 

1. 分区提交触发器 （什么时候创建分区）

1.1. 逻辑说明

Flink 提供了两种类型分区提交触发器：

• 第一种：根据分区的处理时间（没有根据字段吗）。基于分区创建时间（这里指的是什么）和当前系统时间来触发分区。 这种触发器更具通用性，但不是很精确。例如，数据延迟或故障将导致过早提交分区。
• 第二种：根据从分区字段提取的时间以及 watermark。 这需要 job 支持 watermark 生成，分区是根据时间来切割的，例如，按小时或按天分区。

 

感知分区的几种情况：

1. 不管分区数据是否完整而只想让下游尽快感知到分区：(不推荐)

‘sink.partition-commit.trigger’=‘process-time’ (默认值)
‘sink.partition-commit.delay’=‘0s’ (默认值) 一旦数据进入分区，将立即提交分区。注意：这个分区可能会被提交多次（提交多次产生的影响ing：浪费多余的资源）。

2. 如果想让下游只有在分区数据完整时才感知到分区，并且 job 中有 watermark 生成，也能从分区字段的值中提取到时间：

‘sink.partition-commit.trigger’=‘partition-time’
‘sink.partition-commit.delay’=‘1h’ (根据分区类型指定，如果是按小时分区可配置为 ‘1h’) 该方式是最精准地提交分区的方式，尽力确保提交分区的数据完整。

3. 如果想让下游系统只有在数据完整时才感知到分区，但是没有 watermark，或者无法从分区字段的值中提取时间：

‘sink.partition-commit.trigger’=‘process-time’ (默认值)
‘sink.partition-commit.delay’=‘1h’ (根据分区类型指定，如果是按小时分区可配置为 ‘1h’) 该方式尽量精确地提交分区，但是数据延迟或者故障将导致过早提交分区。

延迟数据的处理：延迟的记录会被写入到已经提交的对应分区中，且会再次触发该分区的提交。

 

如下参数：

确定何时提交分区：这里只关注process-time trigger下的两个参数

sink.partition-commit.trigger:
默认值：process-time
描述：

• 基于机器时间： ‘process-time’：不需要分区时间提取器也不需要 watermark 生成器。
• 一旦 “当前系统时间” 超过了 "分区创建系统时间(比如flink消费到一条数据，触发了分区创建操作对应的时间)" 和 'sink.partition-commit.delay' 之和立即提交分区。
• 基于提取的分区时间：‘partition-time’。需要 watermark 生成。一旦 watermark 超过了 “分区创建系统时间” 和 ‘sink.partition-commit.delay’ 之和立即提交分区。

sink.partition-commit.delay
默认值：0s
描述： 该延迟时间之前分区不会被提交。如果是按天分区，可以设置为 ‘1 d’，如果是按小时分区，应设置为 ‘1 h’，当然也可以设置分钟，例如 30min。

 

1.2. 举例说明

--默认值可以不配置
'sink.partition-commit.trigger'='process-time' 
--当来第一条数据时（记录为时刻1），先创建hive分区文件夹，当时间超过 时刻1+1h 时，分区提交
--分区未提交时文件为.data开头的临时文件，分区提交时，会从cp中同步数据到临时文件中，并命名为正式文件。 
'sink.partition-commit.delay'='1h' 

 

2. 分区时间提取器 (用于partition-time情况下partition commit策略)

2.1. 逻辑说明

时间提取器从分区字段值中提取时间。

partition.time-extractor.kind
默认值：default
描述：从分区字段中提取时间的时间提取器。
支持default 和 custom。在默认情况下，可以配置 timestamp-pattern/formatter。对于custom，应指定提取器类。

partition.time-extractor.timestamp-pattern
默认值：无
描述：分区格式的数据拼接。
默认支持第一个字段按 ‘yyyy-MM-dd hh:mm:ss’ 这种模式提取。

• 如果需要从一个分区字段 ‘dt’ 提取 timestamp，可以配置成：‘$dt’。
• 如果需要从多个分区字段中提取分区，比如 ‘year’、‘month’、‘day’ 和 ‘hour’ 提取 timestamp，可以配置成: $year-$month-$day $hour:00:00。
• 如果需要从两个分区字段 'dt' 和 'hour' 提取 timestamp，可以配置成：'$dt$hour:00:00'。

partition.time-extractor.timestamp-formatter
默认值：yyyy-MM-dd HH:mm:ss
描述：分区格式的规定。具体数值由partition.time-extractor.timestamp-pattern设置。默认yyyy-MM-dd HH:mm:ss。

 

2.2. 举例说明

-- 'year'、'month' 和 'day'三个字段组成分区
-- 可不填，'default'为默认值，即从分区字段中获取
'partition.time-extractor.kind' = 'default'
--具体动态分区名怎么由字段拼接
'partition.time-extractor.timestamp-pattern' = '$year$month$day'
--分区名格式
'partition.time-extractor.timestamp-formatter' = 'yyyyMMdd'

 

3. 分区提交策略 （分区创建后怎么告知下游或系统）

3.1. 逻辑说明

分区提交策略定义了提交分区时的具体操作。

1. metadata 存储（metastore），仅 hive 表支持该策略，该策略下文件系统通过目录层次结构来管理分区。(todo:通过hive更新表元数据?)
2. success 文件，该策略下会在分区对应的目录下生成一个名为 _SUCCESS 的空文件。

sink.partition-commit.policy.kind
默认值：无
描述：分区提交策略通知下游某个分区已经写完毕可以被读取了。

• metastore：向 metadata 增加分区。仅 hive 支持 metastore 策略，文件系统通过目录结构管理分区；
• success-file：在目录中增加 ‘_success’ 文件； 上述两个策略可以同时定：‘metastore,success-file’。
• custom：通过指定的类来创建提交策略。 支持同时指定多个提交略：‘metastore,success-file’。

sink.partition-commit.success-file.name
默认值: _SUCCESS
描述：使用success-file 分区提交策略时的文件名，默认值是 ‘_SUCCESS’。

sink.partition-commit.policy.class
默认值：无
描述： custom下才用： 实现PartitionCommitPolicy 接口的分区提交策略类。只有在 custom 提交策略下才使用该类。 可以自定义提交策略，如下

public class AnalysisCommitPolicy implements PartitionCommitPolicy {private HiveShell hiveShell;@Overridepublic void commit(Context context) throws Exception {if (hiveShell == null) {hiveShell = createHiveShell(context.catalogName());}hiveShell.execute(String.format("ALTER TABLE %s ADD IF NOT EXISTS PARTITION (%s = '%s') location '%s'",context.tableName(),context.partitionKeys().get(0),context.partitionValues().get(0),context.partitionPath()));hiveShell.execute(String.format("ANALYZE TABLE %s PARTITION (%s = '%s') COMPUTE STATISTICS FOR COLUMNS",context.tableName(),context.partitionKeys().get(0),context.partitionValues().get(0)));}
}

todo：如上通过hive语句来添加分区

 

3.2. 举例说明

'sink.partition-commit.policy.kind'='success-file'
'sink.partition-commit.success-file.name'='_SUCCESS_gao'

 

4. Sink Parallelism

在流模式和批模式下，向外部文件系统（包括 hive）写文件时的 parallelism 可以通过相应的 table 配置项指定。

默认情况下，该 sink parallelism 与上游 chained operator 的 parallelism 一样。
比如kafka作为source源（分区为5，设置并行度为5），（在同一个chained中）写分区时，hive sink的并行度自动设为5。

当配置了跟上游的 chained operator 不一样的 parallelism 时，写文件和合并文件的算子（如果开启的话）会使用指定的 sink parallelism。

键	默认值	类型	描述
sink.parallelism	(无)	Integer	将文件写入外部文件系统的 parallelism。这个值应该大于0否则抛异常。

注意： 目前，当且仅当上游的 changelog 模式为 INSERT-ONLY 时，才支持配置 sink parallelism。否则，程序将会抛出异常。

 

三. 完整示例

1. 官网（partition-time）

以下示例展示了如何使用文件系统连接器编写流式查询语句，将数据从 Kafka 写入文件系统，然后运行批式查询语句读取数据。

CREATE TABLE kafka_table (user_id STRING,order_amount DOUBLE,log_ts TIMESTAMP(3),WATERMARK FOR log_ts AS log_ts - INTERVAL '5' SECOND
) WITH (...);CREATE TABLE fs_table (user_id STRING,order_amount DOUBLE,dt STRING,`hour` STRING
) PARTITIONED BY (dt, `hour`) WITH ('connector'='filesystem','path'='...','format'='parquet','sink.partition-commit.delay'='1 h','sink.partition-commit.policy.kind'='success-file'
);-- 流式 sql，插入文件系统表
INSERT INTO fs_table 
SELECT user_id, order_amount, DATE_FORMAT(log_ts, 'yyyy-MM-dd'),DATE_FORMAT(log_ts, 'HH') 
FROM kafka_table;-- 批式 sql，使用分区修剪进行选择
SELECT * FROM fs_table WHERE dt='2020-05-20' and `hour`='12';

如果 watermark 被定义在 TIMESTAMP_LTZ 类型的列上并且使用 partition-time 模式进行提交，sink.partition-commit.watermark-time-zone 这个属性需要设置成会话时区，否则分区提交可能会延迟若干个小时。

CREATE TABLE kafka_table (user_id STRING,order_amount DOUBLE,ts BIGINT, -- 以毫秒为单位的时间ts_ltz AS TO_TIMESTAMP_LTZ(ts, 3),WATERMARK FOR ts_ltz AS ts_ltz - INTERVAL '5' SECOND -- 在 TIMESTAMP_LTZ 列上定义 watermark
) WITH (...);CREATE TABLE fs_table (user_id STRING,order_amount DOUBLE,dt STRING,`hour` STRING
) PARTITIONED BY (dt, `hour`) WITH ('connector'='filesystem','path'='...','format'='parquet','partition.time-extractor.timestamp-pattern'='$dt $hour:00:00','sink.partition-commit.delay'='1 h','sink.partition-commit.trigger'='partition-time','sink.partition-commit.watermark-time-zone'='Asia/Shanghai', -- 假设用户配置的时区为 'Asia/Shanghai''sink.partition-commit.policy.kind'='success-file'
);-- 流式 sql，插入文件系统表
INSERT INTO fs_table 
SELECT user_id, order_amount, DATE_FORMAT(ts_ltz, 'yyyy-MM-dd'),DATE_FORMAT(ts_ltz, 'HH') 
FROM kafka_table;-- 批式 sql，使用分区修剪进行选择
SELECT * FROM fs_table WHERE dt='2020-05-20' and `hour`='12';

 

2. 实际测试（kafka->hive）

-- SET 'table.sql-dialect'='hive';
CREATE CATALOG myhive WITH ('type' = 'hive','default-database' = 'data_base','hive-conf-dir' = '/usr/bin/hadoop/software/hive/conf'
);CREATE TABLE source_kafka (`pv` string,`uv` string,`p_day_id` string
) WITH ('connector' = 'kafka-x','topic' = 'hive_kafka','properties.bootstrap.servers' = 'xxx:9092','properties.group.id' = 'luna_g','scan.startup.mode' = 'earliest-offset','json.timestamp-format.standard' = 'SQL','json.ignore-parse-errors' = 'true','format' = 'json','scan.parallelism' = '1');-- 通过sql hint来指定表的行为
--  1. 分区名称策略
-- partition.time-extractor.timestamp-pattern'='$p_day_id' ：分区数据组成
-- partition.time-extractor.timestamp-formatter' = 'yyyyMMdd' :分区格式-- 2. 分区提交策略 
-- 'sink.partition-commit.delay'='5min'：分区提交延迟：分区时间 + 延迟 与 process_time做对比--3. 通知下游策略
-- 'sink.partition-commit.policy.kind'='metastore,success-file'：通知下游策略
-- 'sink.partition-commit.success-file.name'='_SUCCESS_gao' ：成功文件名称insert into myhive.logsget.dws_thjl_pv_uv_d_xky_bak /*+ OPTIONS('partition.time-extractor.timestamp-pattern'='$p_day_id:00:00','sink.partition-commit.policy.kind'='metastore,success-file','sink.partition-commit.success-file.name'='_SUCCESS_gao111') */select *  from source_kafka;