消息推送平台的实时数仓？！flink消费kafka消息入到hive

大家好，3y啊。好些天没更新了，并没有偷懒，只不过一直在安装环境，差点都想放弃了。

上一次比较大的更新是做了austin的预览地址，把企业微信的应用和机器人消息各种的消息类型和功能给完善了。上一篇文章也提到了，austin常规的功能已经更新得差不多了，剩下的就是各种细节的完善。

不知道大家还记不记得我当时规划austin时，所画出的架构图：

现在就剩下austin-datahouse这个模块没有实现了，也有挺多同学在看代码的时候问过我这个模块在哪…其实就是还没实现，先规划，牛逼先吹出去（互联网人必备技能）

消息推送平台🔥推送下发【邮件】【短信】【微信服务号】【微信小程序】【企业微信】【钉钉】等消息类型。

https://gitee.com/zhongfucheng/austin/
https://github.com/ZhongFuCheng3y/austin

至于这个模块吧，我预想它的功能就是把austin相关的实时数据写到数据仓库里。一方面是做数据备份，另一方面是大多数的报表很多都得依赖数据仓库去做。实际上，生产环境也会把相关的数据写到数仓中。

而在公司里，要把数据写到数据仓库，这事对开发来说一般很简单。因为有数仓这个东西，那大多数都会有相关的基础建设了。对于开发而言，可能就是把日志数据写到Kafka，在相关的后台配置下这个topic，就能将这个topic的数据同步到数据仓库里咯。如果是数据库的话，那应该大数据平台有同步数据的功能，对普通开发来说也就配置下表名就能同步到数据仓库里咯。

反正使用起来很简单就是了。不过，我其实不知道具体是怎么做的。

但是不要紧啊，反正开源项目对于时间这块还是很充裕得啊：没有deadline，没有产品在隔壁催我写，没有相关的技术要跟我对接。那我不懂可以学，于是也花了几天看了下数仓这块内容。

在看数仓的同时，我之前在公司经常会听到数据湖这个词。我刚毕业的时候是没听过的，但这几年好像这个概念就火起来了。跟大数据那边聊点事的时候，经常会听到：数据入湖。

那既然看都看了，顺便了解数据湖是个什么东西吧？对着浏览器一轮检索之后，我发现这个词还是挺抽象的，一直没找到让我耳目一新的答案，这个数据湖也不知道怎么就火起来了。我浏览了一遍之后，我大概可以总结出什么是数据湖，跟数据仓库有啥区别：

1、数据仓库是存储结构化的数据，而数据湖是什么数据都能存（非结构化的数据也能存）。结构化数据可以理解为我们的二维表、JSON数据，非结构化的数据可以理解为图像文件之类的。

数据仓库在写入的时候，就要定义好schema了，而数据湖在写入的时候不需要定schema，可以等用到的时候再查出来。强调这点，说明数据湖对数据的schema约束更加灵活。

2、数据仓库和数据湖并不是替代关系。数据是先进数据湖，将数据加工（ETL）之后，一部分数据会到数据仓库中。

3、我们知道现有的数据仓库一般基于Hadoop体系的HDFS分布式文件系统去搭建的，而数据湖也得存储数据的嘛，一般也是依赖HDFS。

4、开源的数据湖技术比较出名的有hudi、iceberg、Delta Lake

看完上面的描述，是不是觉得有点空泛。看似学到了很多，但是实际还是不知道数据湖有啥牛逼之处。嗯，我也是这么想的。总体下来，感觉数据湖就相当于数据仓库的ODS，围绕着这些数据定义了对应的meta信息，做元数据的管理。

说到ODS这个词了，就简单聊下数据仓库的分层结构吧。这个行业通用的，一般分为以下：

1、ODS（Operate Data Store），原始数据层，未经过任何加工的。

2、DIM（Dictionary Data Layer），维度数据层，比如存储地域、用户客户端这些维度的数据。

3、DWD（Data Warehouse Detail），数据明细层，把原始数据经过简单的加工（去除脏数据，空数据之后就得到明细数据）。

4、DWS（Data Warehouse Service），数据维度汇总层，比如将数据明细根据用户维度做汇总得到的汇总之后的数据。

5、ADS（Application Data Store），数据应用层，这部分数据能给到后端以接口的方式给到前端做可视化使用了。

至于为什么要分层，跟当初我们理解DAO/Service/Controller的思想差不多，大概就是复用和便于后续修改变动。

扯了那么多吧，聊会ausitn项目吧，我是打算怎么做的呢？因为我的实时计算austin-stream模块是采用Flink去做的，我打算austin-datahouse也是采用flink去做。

这几年在大数据领域湖仓一体、流批一体这些概念都非常火，而对于austin来说，第一版迭代还不用走得这么急。我目前的想法是利用flink的tableapi去对接Hive，通过Superset、Metabase、DataEase 其中一个开源的大数据可视化工具把Hive的数据给读取出来，那第一版就差不多完成了。

现状

自从我决定开始写austin-data-house数据仓库模块，已经过了两周有多了。这两周多我都在被部署安装环境折磨，中途有很多次就想放弃了。

我初学编程，到现在工作了几年，我还是没变，一如既往地讨厌安装环境。

花了这么长时间调试安装部署环境，实现的功能其实很简单：消费Kafka的消息，写入hive。（我在写全链路追踪功能实时引擎用的是flink，为了技术架构统一，我还是希望通过flink来实现。）

flink从1.9开始支持hive。到目前为止，flink稳定的版本在1.16.0，flink支持hive也就这两年的事。

austin所依赖的组件有很多（正常线上环境都会有这些组件，只是不用我们自己搭建而已）。各种组件的环境问题被我一一征服了，但有很大程度上的功劳是在docker-compose上。

说到数据仓库，第一时间肯定是想到hive。虽然我没装过hadoop/hive/hdfs大数据相关的组件，但稍微想想这都是复杂的。那安装hive自然就会想到有没有docker镜像，一键安装可多爽啊。

之前接入的flink也是跑在docker上的，把hive也找个镜像，两者融合融合不就行了嘛？

想法很好，我就开干了。

基础知识

flink和hive融合，实际上是借助hive catalog来打通hive。hive catalog对接着hive metastore(hive存储元数据的地方)。

当我们使用flink创建出的元数据，会经由hive catalog 最终持久化到hive metastore，同时我们会利用hive catalog提供的接口对hive进行写入和读取。

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

安装hive环境

那时候简单搜了下，还真被我找到了hive的镜像，没想到这么幸运，还是支持docker-compose的，一键安装，美滋滋。

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

我就简单复述下过程吧，比较简单：

1、把仓库拉到自己的服务器上

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

2、进入到项目的文件夹里

cd docker-hive

3、启动项目

docker-compose up -d

一顿下载之后，可以发现就启动成功了，通过docker ps 命令就看到运行几个镜像了。

没错，这就安装好hive了，是不是非常简单。具体启动了什么，我们可以简单看下docker-compose.yml文件的内容。

最后，我们可以连上hive的客户端，感受下快速安装好hive的成功感。

# 进入bash
docker-compose exec hive-server bash

# 使用beeline客户端连接
/opt/hive/bin/beeline -u jdbc:hive2://localhost:10000

深陷迷雾

hive安装好了之后，我就马不停蹄地想知道怎么跟flink进行融合了。我就搜了几篇博客看个大概，后来发现大多数博客的内容其实就是翻译了flink官网的内容。

不过，翻博客的过程中让我大致了解了一点：如果我要使用flink连接hive，那我要手动把flink连接hive的jar包导入到flink/lib目录下。

说实话，这还是比较麻烦的。我还以为只需要在我的工程里导入相关的依赖就好了，没想到还得自己手动把jar包下来下来，然后传入到flink的安装目录下。

我吭哧吭哧地做了，但把我写好的工程jar包传上去提交给jobmanager不是缺这就是少那依赖。我相信我能搞掂，反正就是版本依赖的问题嘛，我在行的。

后面又发现在flink工程项目里用maven引入hadoop依赖是不够的，flink新版本里默认打的镜像是没有hadoop的，要手动在flink环境目录下引入hadoop。这个也是麻烦的，但只要我在镜像里下载些环境，也不是不能干。

1、安装vim

apt-get update

apt-get install vim

2、安装hadoop

2.1、下载hadoop

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

2.2、解压hadoop

tar -zxf hadoop-2.7.4.tar.gz

2.3、配置环境变量

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容器里还得把.bashrc也得改了才生效

过于乐观的我，搞了10天左右吧，终于顶不住了，下定决心：我一定要统一版本，不能修修补补了，该什么版本就走什么版本，推倒从来吧。我就按着flink官网来走，一步一步走下来不可能错的吧！

flink最新的版本是v1.17-SNAPSHOT，那我就挑上一个稳定的版本就行了！顺便一看，我之前写全链路追踪austin接入flink的时候，代码的还是14.3版本。但管不了这么多了，就用1.16.0版本吧。

首先，我发现我的flink镜像拉取的是最新的版本image: flink:latest。那我得找1.16.0版本的docker-compose来部署，版本就得统一，后面的事才好搞。这个好找，在官网很快就找到了：image: flink:1.16.0-scala_2.12

新的镜像搞下来了以后，我又吭哧地把相关的jar都手动地导入到flink容器里。另外，我发现官网写的pom依赖，压根就下载不下来的，这不对劲啊。

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

我开始以为是我的maven仓库配置问题，找遍了仓库在那个artifactId下，最大的也就只有1.14.x的版本。去找了下flink的issue，发现有人跟我一样的问题。

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

继续尝试提交我自己写好的flink.jar。毫无意外地，又报错了，有些是之前的报错，我很快地就能解决掉。

我一想，意识到是哪里没做好了：hive的版本，hadoop的版本，flink的版本这三者也要约束。那我转头一看，发现之前我从镜像里拉下来hive版本是2.3.2，里面装的hadoop版本是2.7.4。于是，我又统一了这三者的版本。信心很足，感觉一定能成。

再次提交，还是有问题，疯狂Google但就是一直找不到解决方案。能查出来的资料，网上的全都是“原始”安装部署的，就没有通过flink docker镜像跟hive融合的，而且也不是跨机器的（给出来的案例都是在同一台机器上，我是hive部署一台机器上，flink部署在另一台机器上）。

花了几天调试还是解决不掉，怎么搞呢？放弃又不甘心。咋整？继续推倒重来呗。

在使用flink容器调试的过程中我已经发现了：

1、拉下来的docker镜像里的内容，跟官网所描述的jar包是有出入的，有的是要我手动去下载的。但当时我觉得既然版本已经限定了，那应该问题也不大。

2、hadoop环境变量在flink docker 容器下很难调试。每次重新推倒从来的时候，我都得手动配置一次，步骤也繁琐。即便我挂载了相关的jar包和整个目录

3、flink容器内重启和启动集群环境不可控，老是出现奇奇怪怪的问题。

那这一次，我就不用docker-compose部署flink了，直接在centos安装部署flink，继续整。

随着我每一次推倒重来，我就觉得我离成功越来越近越来越近。从环境变量报错缺失CALSS_PATH的问题，已经到了sql的语法的问题，从sql语法的问题到找不到远程地址namenode can't found的问题，从远程地址的问题，到HDFS调用不通的问题。最后，终于调试成功了。

下面就记录我能调试成功的安装过程，各种坑错误异常就不记录了（篇幅问题），这里也吐槽够了。

安装flink环境

1、下载flink压缩包

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

2、解压flink

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

3、修改该目录下的conf下的flink-conf.yaml文件中rest.bind-address配置，不然远程访问不到8081端口，将其改为0.0.0.0

rest.bind-address: 0.0.0.0

4、将flink官网提到连接hive所需要的jar包下载到flink的lib目录下(一共4个)

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、按照官网指示把flink-table-planner_2.12-1.16.0.jar和flink-table-planner-loader-1.16.0.jar 这俩个jar包移动其目录；

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、把后续kafka所需要的依赖也下载到lib目录下

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

安装hadoop环境

由于hive的镜像已经锁死了hadoop的版本为2.7.4，所以我这边flink所以来的hadoop也是下载2.7.4版本

1、下载hadoop压缩包

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

2、解压hadoop

tar -zxf hadoop-2.7.4.tar.gz

安装jdk11

由于高版本的flink需要jdk 11，所以这边安装下该版本的jdk：

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

配置jdk、hadoop的环境变量

这一步为了能让flink在启动的时候，加载到jdk和hadoop的环境。

1、编辑/etc/profile文件

vim /etc/profile

2、文件内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、让配置文件生效

source /etc/profile

austin数据仓库工程代码

直接上austin仓库地址，文章篇幅就不贴代码了，该写的注释我都写了。

http://gitee.com/zhongfucheng/austin

这个工程代码量非常少，一共就4个核心文件pom.xml/hive-site.xml/AustinHiveBootStrap.java，要使用的时候注意该两处地方即可：

1、com.java3y.austin.datahouse.constants.DataHouseConstant#KAFKA_IP_PORT将这里改成自己的kafka的ip和port

2、hive-site.xml文件全局替换掉hive_ip为自己的hive地址，一共两处

部署工程代码到Flink

我们把jar包上传到服务器，然后使用命令提交jar包给flink执行。也可以打开flink的管理后台，在页面上提交jar包并启动。我这里就选择使用命令的方式来提交，主要因为在外网透出flink的端口，很容器被攻击（我已经重装系统几次了。。）

(flink命令在$FLINK_HOME/bin下)

./start-cluster.sh

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

启动Kafka生产者写入测试数据

启动消费者的命令（将ip和port改为自己服务器所部署的Kafka信息）：

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

输入测试数据：

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

即将成功

到这一步，离胜利就非常近了，但还是有通信的问题：flink无法识别namenode/namenode与datanode之间的通信问题等等。于是我们需要做以下措施：

1、hive在部署的时候，增加datanode/namenode的通信端口，部署hive使用这个docker-compose文件的内容：

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服务器上增加hosts，有以下(ip为部署hive的地址）：

127.0.0.1 namenode
127.0.0.1 datanode
127.0.0.1 b2a0f0310722

其中 b2a0f0310722是datanode的主机名，该主机名会随着hive的docker而变更，我们可以登录namenode的后台地址找到其主机名。而方法则是在部署hive的地址输入：

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

3、把工程下的hive-site.xml文件拷贝到$FLINK_HOME/conf下

4、hadoop的配置文件hdfs-site.xml增加以下内容（我的目录在/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、启动flink-sql的客户端：

./sql-client.sh

6、在sql客户端下执行以下脚本命令，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、重启flink集群

./stop-cluster.sh

./start-cluster.sh

8、重新提交执行flink任务

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

数据可视化

到上面为止，我们已经把数据写入到hive表了，我们是不可能每一次都在命令行窗口里查询hive的数据。一般在公司里都会有可视化平台供我们开发/数仓/数据分析师/运营去查询hive的数据。

我简单看了几个开源的可视化平台：Superset/Metabase/DataEase。最后选择了Metabase，无他，看着顺眼一些。

部署Metabase很简单，也是使用docker进行安装部署，就两行命令（后续我会将其加入到docker-compose里面）。

docker pull metabase/metabase:latest

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

完了之后，我们就可以打开5001端口到Metabase的后台了。

我们可以在Metabase的后台添加presto进而连接hive去查询记录。

这个presto服务我们在搭建hive的时候已经一起启动了，所以这里直接使用就好了。

到这一步，我们就可以通过在页面上写sql把消息推送过程中埋点的明细数据查询出来

最后

这数据仓库整个安装环境和调试过程确实折腾人，多次推倒重来（甚至不惜重装系统重来）。还好最后输入Kafka一条消息，在hive表里能看到一条记录，能看到结果之后，折腾或许是值得的。

如果想学Java项目的，强烈推荐我的开源项目消息推送平台Austin（8K stars） ，可以用作毕业设计，可以用作校招，可以看看生产环境是怎么推送消息的。开源项目消息推送平台austin仓库地址：

消息推送平台🔥推送下发【邮件】【短信】【微信服务号】【微信小程序】【企业微信】【钉钉】等消息类型。

https://gitee.com/zhongfucheng/austin/
https://github.com/ZhongFuCheng3y/austin

参考资料：

https://nightlies.apache.org/flink/flink-docs-release-1.16/docs/connectors/table/hive/overview/
https://blog.51cto.com/u_15105906/5849229
https://blog.csdn.net/qq_38403590/article/details/126172610