湖仓一体电商项目背景与架构介绍及基础环境准备

2022 年 7 月 27 日
本文字数：22829 字
阅读完需：约 75 分钟

一、项目背景和架构介绍

1、项目背景介绍

湖仓一体实时电商项目是基于某宝商城电商项目的电商数据分析平台，本项目在技术方面涉及大数据技术组件搭建，湖仓一体分层数仓设计、实时到离线数据指标分析及数据大屏可视化，项目所用到的技术组件都从基础搭建开始，目的在于湖仓一体架构中数据仓库与数据湖融合打通，实现企业级项目离线与实时数据指标分析。在业务方面目前暂时涉及到会员主题与商品主题，分析指标有用户实时登录信息分析、实时浏览 pv/uv 分析、实时商品浏览信息分析、用户积分指标分析，后续还会继续增加业务指标和完善架构设计。

2、项目架构

2.1、实时数仓现状

当前基于 Hive 的离线数据仓库已经非常成熟，随着实时计算引擎的不断发展以及业务对于实时报表的产出需求不断膨胀，业界最近几年就一直聚焦并探索于实时数仓建设。根据数仓架构演变过程，在 Lambda 架构中含有离线处理与实时处理两条链路，其架构图如下：

正是由于两条链路处理数据导致数据不一致等一些列问题所以才有了 Kappa 架构，Kappa 架构如下：

Kappa 架构可以称为真正的实时数仓，目前在业界最常用实现就是 Flink + Kafka，然而基于 Kafka+Flink 的实时数仓方案也有几个非常明显的缺陷，所以在目前很多企业中实时数仓构建中经常使用混合架构，没有实现所有业务都采用 Kappa 架构中实时处理实现。Kappa 架构缺陷如下：

Kafka 无法支持海量数据存储。对于海量数据量的业务线来说，Kafka 一般只能存储非常短时间的数据，比如最近一周，甚至最近一天。
Kafka 无法支持高效的 OLAP 查询，大多数业务都希望能在 DWD\DWS 层支持即席查询的，但是 Kafka 无法非常友好地支持这样的需求。
无法复用目前已经非常成熟的基于离线数仓的数据血缘、数据质量管理体系。需要重新实现一套数据血缘、数据质量管理体系。
Kafka 不支持 update/upsert，目前 Kafka 仅支持 append。实际场景中在 DWS 轻度汇聚层很多时候是需要更新的，DWD 明细层到 DWS 轻度汇聚层一般会根据时间粒度以及维度进行一定的聚合，用于减少数据量，提升查询性能。假如原始数据是秒级数据，聚合窗口是 1 分钟，那就有可能产生某些延迟的数据经过时间窗口聚合之后需要更新之前数据的需求。这部分更新需求无法使用 Kafka 实现。

所以实时数仓发展到现在的架构，一定程度上解决了数据报表时效性问题，但是这样的架构依然存在不少问题，Kappa 架构除了以上所说的问题之外，实时业务需求多的公司在选择 Kappa 架构后，也避免不了一些离线数据统一计算的场景，针对 Kappa 架构往往需要再针对某层 Kafka 数据重新编写实时程序进行统一计算，非常不方便。

随着数据湖技术的出现，使 Kappa 架构实现批量数据和实时数据统一计算成为可能。这就是我们今天听到的“批流一体”,在业界中很多人认为批和流在开发层面上都统一到相同的 SQL 上处理是批流一体，也有一些人认为在计算引擎层面上批和流可以集成在同一个计算引擎是批流一体，比如：Spark/SparkStreaming/Structured Streaming/Flink 框架在计算引擎层面上实现了批处理和流处理集成。

以上无论是在业务 SQL 使用上统一还是计算引擎上的统一，都是批流一体的一个方面，除此之外，批流一体还有一个最核心的方面就是存储层面上的统一。数据湖技术可以实现将批数据和实时数据统一存储，统一处理计算。我们可以将离线数仓中的数仓和实时数仓中的数仓数据存储统一合并到数据湖上，可以将 Kappa 架构中的数仓分层 Kafka 存储替换成数据湖技术存储，这样做到“湖仓一体”的构建。

“湖仓一体”架构构建也是目前各大公司针对离线场景和实时场景统一处理计算的方式。例如：一些大型公司使用 Iceberg 作为存储，那么 Kappa 架构中很多问题都可以得到解决，Kappa 架构将变成个如下模样：

这条架构中无论是流处理还是批处理，数据存储都统一到数据湖 Iceberg 上，这一套结构将存储统一后，解决了 Kappa 架构很多痛点，解决方面如下：

可以解决 Kafka 存储数据量少的问题。目前所有数据湖基本思路都是基于 HDFS 之上实现的一个文件管理系统，所以数据体量可以很大。
DW 层数据依然可以支持 OLAP 查询。同样数据湖基于 HDFS 之上实现，只需要当前的 OLAP 查询引擎做一些适配就可以进行 OLAP 查询。
批流存储都基于 Iceberg/HDFS 存储之后，就完全可以复用一套相同的数据血缘、数据质量管理体系。
实时数据的更新。

上述架构也可以认为是 Kappa 架构的变种，也有两条数据链路，一条是基于 Spark 的离线数据链路，一条是基于 Flink 的实时数据链路，通常数据都是直接走实时链路处理，而离线链路则更多的应用于数据修正等非常规场景。这样的架构要成为一个可以落地的实时数仓方案、可以做到实时报表产生。

2.2、项目架构及数据分层

此项目中我们使用的数据湖技术是 Iceberg 构建“湖仓一体”架构来实时和离线分析电商业务指标。项目整体架构图如下图所示：

项目中的数据来源有两类，一是 MySQL 业务库数据，另一类是用户日志数据，我们通过对应的方式将两类数据首先采集到 Kafka 各自 topic 中，通过 Flink 处理将业务和日志数据存储在 Iceberg-ODS 层中，由于目前 Flink 基于 Iceberg 处理实时数据不能很好保存数据消费位置信息，所以这里同时将数据存储在 Kafka 中，利用 Flink 消费 Kafka 数据自动维护 offset 的特性来保证程序停止重启后消费数据的正确性。

整个架构是基于 Iceberg 构建数据仓库分层，经过 Kafka 处理数据都实时存储在对应的 Iceberg 分层中，实时数据结果经过最后分析存储在 Clickhouse 中，离线数据分析结果直接从 Iceberg-DWS 层中获取数据分析，分析结果存入 MySQL 中，Iceberg 其它层供临时性业务分析，最终 Clickhouse 和 MySQL 中的结果通过可视化工具展示出来。

2.3、项目可视化效果

二、基础环境准备

1、项目使用技术及版本

下表列出项目中使用的大数据技术组件及各个组件的版本，如下:

2、项目基础环境准备

这里我们使用 5 台节点来安装各个大数据组件，每台节点给了 3G 内存，4 个 core，并且每台节点已经关闭防火墙、配置主机名、设置 yum 源、各个节点时间同步、各个节点两两免密、安装 JDK 操作。5 台节点信息如下：

2.1、搭建 Zookeeper

这里搭建 zookeeper 版本为 3.4.13，搭建 zookeeper 对应的角色分布如下：

具体搭建步骤如下:

2.1.1、上传 zookeeper 并解压,配置环境变量

在 node1,node2,node3,node4,node5 各个节点都创建/software 目录，方便后期安装技术组件使用。

mkdir /software

复制代码

将 zookeeper 安装包上传到 node3 节点/software 目录下并解压：

[root@node3 software]# tar -zxvf ./zookeeper-3.4.13.tar.gz

复制代码

在 node3 节点配置环境变量：

#进入vim /etc/profile，在最后加入：export ZOOKEEPER_HOME=/software/zookeeperexport PATH=$PATH:$ZOOKEEPER_HOME/bin
#使配置生效source /etc/profile

复制代码

2.1.2、在 node3 节点配置 zookeeper

进入“/software/zookeeper-3.4.13/conf”修改 zoo_sample.cfg 为 zoo.cfg

[root@node3 conf]# mv zoo_sample.cfg  zoo.cfg

复制代码

配置 zoo.cfg 中内容如下：

tickTime=2000
initLimit=10
syncLimit=5
dataDir=/opt/data/zookeeper
clientPort=2181
server.1=node3:2888:3888
server.2=node4:2888:3888
server.3=node5:2888:3888

2.1.3、将配置好的 zookeeper 发送到 node4,node5 节点

[root@node3 software]# scp -r ./zookeeper-3.4.13 node4:/software/[root@node3 software]# scp -r ./zookeeper-3.4.13 node5:/software/

复制代码

2.1.4、各个节点上创建数据目录，并配置 zookeeper 环境变量

在 node3,node4,node5 各个节点上创建 zoo.cfg 中指定的数据目录“/opt/data/zookeeper”。

mkdir -p /opt/data/zookeeper

复制代码

在 node4,node5 节点配置 zookeeper 环境变量

#进入vim /etc/profile，在最后加入：export ZOOKEEPER_HOME=/software/zookeeperexport PATH=$PATH:$ZOOKEEPER_HOME/bin
#使配置生效source /etc/profile

复制代码

2.1.5、各个节点创建节点 ID

在 node3,node4,node5 各个节点路径“/opt/data/zookeeper”中添加 myid 文件分别写入 1,2,3:

#在 node3 的/opt/data/zookeeper 中创建 myid 文件写入 1
#在 node4 的/opt/data/zookeeper 中创建 myid 文件写入 2
#在 node5 的/opt/data/zookeeper 中创建 myid 文件写入 3

2.1.6、各个节点启动 zookeeper,并检查进程状态

#各个节点启动zookeeper命令zkServer.sh start
#检查各个节点zookeeper进程状态zkServer.sh status

复制代码

2.2、搭建 HDFS

这里搭建 HDFS 版本为 3.1.4，搭建 HDFS 对应的角色在各个节点分布如下：

搭建具体步骤如下：

2.2.1、各个节点安装 HDFS HA 自动切换必须的依赖

yum -y install psmisc

复制代码

2.2.2、上传下载好的 Hadoop 安装包到 node1 节点上，并解压

[root@node1 software]# tar -zxvf ./hadoop-3.1.4.tar.gz

复制代码

2.2.3、在 node1 节点上配置 Hadoop 的环境变量

[root@node1 software]# vim /etc/profileexport HADOOP_HOME=/software/hadoop-3.1.4/export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:
#使配置生效source /etc/profile

复制代码

2.2.4、配置 $HADOOP_HOME/etc/hadoop 下的 hadoop-env.sh 文件

#导入 JAVA_HOME
export JAVA_HOME=/usr/java/jdk1.8.0_181-amd64/

2.2.5、配置 $HADOOP_HOME/etc/hadoop 下的 hdfs-site.xml 文件

<configuration>    <property>        <!--这里配置逻辑名称，可以随意写 -->        <name>dfs.nameservices</name>        <value>mycluster</value>    </property>    <property>        <!-- 禁用权限 -->        <name>dfs.permissions.enabled</name>        <value>false</value>    </property>    <property>        <!-- 配置namenode 的名称，多个用逗号分割  -->        <name>dfs.ha.namenodes.mycluster</name>        <value>nn1,nn2</value>    </property>    <property>        <!-- dfs.namenode.rpc-address.[nameservice ID].[name node ID] namenode 所在服务器名称和RPC监听端口号  -->        <name>dfs.namenode.rpc-address.mycluster.nn1</name>        <value>node1:8020</value>    </property>    <property>        <!-- dfs.namenode.rpc-address.[nameservice ID].[name node ID] namenode 所在服务器名称和RPC监听端口号  -->        <name>dfs.namenode.rpc-address.mycluster.nn2</name>        <value>node2:8020</value>    </property>    <property>        <!-- dfs.namenode.http-address.[nameservice ID].[name node ID] namenode 监听的HTTP协议端口 -->        <name>dfs.namenode.http-address.mycluster.nn1</name>        <value>node1:50070</value>    </property>    <property>        <!-- dfs.namenode.http-address.[nameservice ID].[name node ID] namenode 监听的HTTP协议端口 -->        <name>dfs.namenode.http-address.mycluster.nn2</name>        <value>node2:50070</value>    </property>
    <property>        <!-- namenode 共享的编辑目录， journalnode 所在服务器名称和监听的端口 -->        <name>dfs.namenode.shared.edits.dir</name>        <value>qjournal://node3:8485;node4:8485;node5:8485/mycluster</value>    </property>
    <property>        <!-- namenode高可用代理类 -->        <name>dfs.client.failover.proxy.provider.mycluster</name>        <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>    </property>
    <property>        <!-- 使用ssh 免密码自动登录 -->        <name>dfs.ha.fencing.methods</name>        <value>sshfence</value>    </property>
    <property>        <name>dfs.ha.fencing.ssh.private-key-files</name>        <value>/root/.ssh/id_rsa</value>    </property>
    <property>        <!-- journalnode 存储数据的地方 -->        <name>dfs.journalnode.edits.dir</name>        <value>/opt/data/journal/node/local/data</value>    </property>
    <property>        <!-- 配置namenode自动切换 -->        <name>dfs.ha.automatic-failover.enabled</name>        <value>true</value>    </property>
</configuration>

复制代码

2.2.6、配置 $HADOOP_HOME/ect/hadoop/core-site.xml

<configuration>    <property>        <!-- 为Hadoop 客户端配置默认的高可用路径  -->        <name>fs.defaultFS</name>        <value>hdfs://mycluster</value>    </property>    <property>        <!-- Hadoop 数据存放的路径，namenode,datanode 数据存放路径都依赖本路径，不要使用 file:/ 开头，使用绝对路径即可            namenode 默认存放路径 ：file://${hadoop.tmp.dir}/dfs/name            datanode 默认存放路径 ：file://${hadoop.tmp.dir}/dfs/data        -->        <name>hadoop.tmp.dir</name>        <value>/opt/data/hadoop/</value>    </property>
    <property>        <!-- 指定zookeeper所在的节点 -->        <name>ha.zookeeper.quorum</name>        <value>node3:2181,node4:2181,node5:2181</value>    </property>
</configuration>

复制代码

2.2.7、配置 $HADOOP_HOME/etc/hadoop/yarn-site.xml

<configuration>    <property>        <name>yarn.nodemanager.aux-services</name>        <value>mapreduce_shuffle</value>    </property>    <property>        <name>yarn.nodemanager.env-whitelist</name>        <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value>    </property>
    <property>        <!-- 配置yarn为高可用 -->        <name>yarn.resourcemanager.ha.enabled</name>        <value>true</value>    </property>    <property>        <!-- 集群的唯一标识 -->        <name>yarn.resourcemanager.cluster-id</name>        <value>mycluster</value>    </property>    <property>        <!--  ResourceManager ID -->        <name>yarn.resourcemanager.ha.rm-ids</name>        <value>rm1,rm2</value>    </property>    <property>        <!-- 指定ResourceManager 所在的节点 -->        <name>yarn.resourcemanager.hostname.rm1</name>        <value>node1</value>    </property>    <property>        <!-- 指定ResourceManager 所在的节点 -->        <name>yarn.resourcemanager.hostname.rm2</name>        <value>node2</value>    </property>    <property>        <!-- 指定ResourceManager Http监听的节点 -->        <name>yarn.resourcemanager.webapp.address.rm1</name>        <value>node1:8088</value>    </property>    <property>        <!-- 指定ResourceManager Http监听的节点 -->        <name>yarn.resourcemanager.webapp.address.rm2</name>        <value>node2:8088</value>    </property>    <property>        <!-- 指定zookeeper所在的节点 -->        <name>yarn.resourcemanager.zk-address</name>        <value>node3:2181,node4:2181,node5:2181</value></property><property>       <!-- 关闭虚拟内存检查 -->    <name>yarn.nodemanager.vmem-check-enabled</name>    <value>false</value></property>	<!-- 启用节点的内容和CPU自动检测，最小内存为1G -->    <!--<property>        <name>yarn.nodemanager.resource.detect-hardware-capabilities</name>        <value>true</value>    </property>--></configuration>

复制代码

2.2.8、HADOOP_HOME/etc/hadoop/mapred-site.xml

<configuration>    <property>        <name>mapreduce.framework.name</name>        <value>yarn</value>    </property></configuration>

复制代码

2.2.9、配置 $HADOOP_HOME/etc/hadoop/workers 文件

[root@node1 ~]# vim /software/hadoop-3.1.4/etc/hadoop/workersnode3node4node5

复制代码

2.2.10、配置 $HADOOP_HOME/sbin/start-dfs.sh 和 stop-dfs.sh 两个文件中顶部添加以下参数，防止启动错误

HDFS_DATANODE_USER=root
HDFS_DATANODE_SECURE_USER=hdfs
HDFS_NAMENODE_USER=root
HDFS_JOURNALNODE_USER=root
HDFS_ZKFC_USER=root

2.2.11、配置 $HADOOP_HOME/sbin/start-yarn.sh 和 stop-yarn.sh 两个文件顶部添加以下参数，防止启动错误

YARN_RESOURCEMANAGER_USER=root
YARN_NODEMANAGER_USER=root

2.2.12、将配置好的 Hadoop 安装包发送到其他 4 个节点

[root@node1 ~]# scp -r /software/hadoop-3.1.4 node2:/software/[root@node1 ~]# scp -r /software/hadoop-3.1.4 node3:/software/[root@node1 ~]# scp -r /software/hadoop-3.1.4 node4:/software/[root@node1 ~]# scp -r /software/hadoop-3.1.4 node5:/software/

复制代码

2.2.13、在 node2、node3、node4、node5 节点上配置 HADOOP_HOME

#分别在node2、node3、node4、node5节点上配置HADOOP_HOMEvim /etc/profileexport HADOOP_HOME=/software/hadoop-3.1.4/export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:
#最后记得Sourcesource /etc/profile

复制代码

2.2.14、启动 HDFS 和 Yarn

#在node3,node4,node5节点上启动zookeeperzkServer.sh start
#在node1上格式化zookeeper[root@node1 ~]# hdfs zkfc -formatZK
#在每台journalnode中启动所有的journalnode,这里就是node3,node4,node5节点上启动hdfs --daemon start journalnode
#在node1中格式化namenode[root@node1 ~]# hdfs namenode -format
#在node1中启动namenode,以便同步其他namenode[root@node1 ~]# hdfs --daemon start namenode
#高可用模式配置namenode,使用下列命令来同步namenode(在需要同步的namenode中执行，这里就是在node2上执行):[root@node2 software]# hdfs namenode -bootstrapStandby
#node1上启动HDFS,启动Yarn[root@node1 sbin]# start-dfs.sh[root@node1 sbin]# start-yarn.sh

复制代码

注意以上也可以使用 start-all.sh 命令启动 Hadoop 集群。

2.2.15、访问 WebUI

访问 HDFS : http://node1:50070

访问 Yarn WebUI ：http://node1:8088

2.2.16、停止集群

#停止集群
[root@node1 ~]# stop-dfs.sh
[root@node1 ~]# stop-yarn.sh

复制代码

注意：以上也可以使用 stop-all.sh 停止集群。

2.3、搭建 Hive

这里搭建 Hive 的版本为 3.1.2，搭建 Hive 的节点划分如下：

搭建具体步骤如下：

2.3.1、将下载好的 Hive 安装包上传到 node1 节点上,并修改名称

[root@node1 ~]# cd /software/[root@node1 software]# tar -zxvf ./apache-hive-3.1.2-bin.tar.gz[root@node1 software]# mv apache-hive-3.1.2-bin hive-3.1.2

复制代码

2.3.2、将解压好的 Hive 安装包发送到 node3 节点上

[root@node1 ~]# scp -r /software/hive-3.1.2/ node3:/software/

复制代码

2.3.3、配置 node1、node3 两台节点的 Hive 环境变量

vim /etc/profileexport HIVE_HOME=/software/hive-3.1.2/export PATH=$PATH:$HIVE_HOME/bin
#source  生效source /etc/profile

复制代码

2.3.4、在 node1 节点 $HIVE_HOME/conf 下创建 hive-site.xml 并配置

<configuration> <property>  <name>hive.metastore.warehouse.dir</name>  <value>/user/hive/warehouse</value> </property> <property>  <name>javax.jdo.option.ConnectionURL</name>  <value>jdbc:mysql://node2:3306/hive?createDatabaseIfNotExist=true&amp;useSSL=false</value> </property> <property>  <name>javax.jdo.option.ConnectionDriverName</name>  <value>com.mysql.jdbc.Driver</value> </property> <property>  <name>javax.jdo.option.ConnectionUserName</name>  <value>root</value> </property> <property>  <name>javax.jdo.option.ConnectionPassword</name>  <value>123456</value> </property></configuration>

复制代码

2.3.5、在 node3 节点 $HIVE_HOME/conf/中创建 hive-site.xml 并配置

<configuration> <property>  <name>hive.metastore.warehouse.dir</name>  <value>/user/hive/warehouse</value> </property> <property>  <name>hive.metastore.local</name>  <value>false</value> </property> <property>  <name>hive.metastore.uris</name>  <value>thrift://node1:9083</value> </property></configuration>

复制代码

2.3.6、node1、node3 节点删除 $HIVE_HOME/lib 下“guava”包，使用 Hadoop 下的包替换

#删除Hive lib目录下“guava-19.0.jar ”包[root@node1 ~]# rm -rf /software/hive-3.1.2/lib/guava-19.0.jar [root@node3 ~]# rm -rf /software/hive-3.1.2/lib/guava-19.0.jar 
#将Hadoop lib下的“guava”包拷贝到Hive lib目录下[root@node1 ~]# cp /software/hadoop-3.1.4/share/hadoop/common/lib/guava-27.0-jre.jar /software/hive-3.1.2/lib/
[root@node3 ~]# cp /software/hadoop-3.1.4/share/hadoop/common/lib/guava-27.0-jre.jar /software/hive-3.1.2/lib/

复制代码

2.3.7、将“mysql-connector-java-5.1.47.jar”驱动包上传到 node1 节点的 $HIVE_HOME/lib 目录下

上传后，需要将 mysql 驱动包传入 $HIVE_HOME/lib/目录下，这里 node1,node3 节点都需要传入。

2.3.8、在 node1 节点中初始化 Hive

#初始化hive,hive2.x版本后都需要初始化[root@node1 ~]# schematool -dbType mysql -initSchema

复制代码

2.3.9、在服务端和客户端操作 Hive

#在node1中登录Hive ，创建表test[root@node1 conf]# hivehive> create table test (id int,name string,age int ) row format delimited fields terminated by '\t';
#向表test中插入数据hive> insert into test values(1,"zs",18);
#在node1启动Hive metastore[root@node1 hadoop]# hive --service metastore &
#在node3上登录Hive客户端查看表数据[root@node3 lib]# hivehive> select * from test;OK1	zs	18

复制代码

2.4、Hive 与 Iceberg 整合

Iceberg 就是一种表格式，支持使用 Hive 对 Iceberg 进行读写操作，但是对 Hive 的版本有要求，如下：

这里基于 Hive3.1.2 版本进行 Hive 集成 Iceberg。

2.4.1、开启 Hive 支持 Iceberg

2.4.1.1、下载 iceberg-hive-runtime.jar

想要使用 Hive 支持查询 Iceberg 表，首先需要下载“iceberg-hive-runtime.jar”，Hive 通过该 Jar 可以加载 Hive 或者更新 Iceberg 表元数据信息。下载地址：https://iceberg.apache.org/#releases/

将以上 jar 包下载后，上传到 Hive 服务端和客户端对应的 $HIVE_HOME/lib 目录下。另外在向 Hive 中 Iceberg 格式表插入数据时需要到“libfb303-0.9.3.jar”包，将此包也上传到 Hive 服务端和客户端对应的 $HIVE_HOME/lib 目录下。

2.4.1.2、配置 hive-site.xml

在 Hive 客户端 $HIVE_HOME/conf/hive-site.xml 中追加如下配置：

<property>    <name>iceberg.engine.hive.enabled</name>    <value>true</value></property>

复制代码

2.4.2、Hive 中操作 Iceberg 格式表

从 Hive 引擎的角度来看，在运行环境中有 Catalog 概念（catalog 主要描述了数据集的位置信息，就是元数据），Hive 与 Iceberg 整合时，Iceberg 支持多种不同的 Catalog 类型，例如:Hive、Hadoop、第三方厂商的 AWS Glue 和自定义 Catalog。在实际应用场景中，Hive 可能使用上述任意 Catalog，甚至跨不同 Catalog 类型 join 数据，为此 Hive 提供了 org.apache.iceberg.mr.hive.HiveIcebergStorageHandler（位于包 iceberg-hive-runtime.jar）来支持读写 Iceberg 表，并通过在 Hive 中设置“iceberg.catalog.<catalog_name>.type”属性来决定加载 Iceberg 表的方式，该属性可以配置：hive、hadoop，其中“<catalog_name>”是自己随便定义的名称，主要是在 hive 中创建 Iceberg 格式表时配置 iceberg.catalog 属性使用。

在 Hive 中创建 Iceberg 格式表时，根据创建 Iceberg 格式表时是否指定 iceberg.catalog 属性值，有以下三种方式决定 Iceberg 格式表如何加载（数据存储在什么位置）。

2.4.2.1、如果没有设置 iceberg.catalog 属性，默认使用 HiveCatalog 来加载

这种方式就是说如果在 Hive 中创建 Iceberg 格式表时，不指定 iceberg.catalog 属性，那么数据存储在对应的 hive warehouse 路径下。

在 Hive 客户端 node3 节点进入 Hive，操作如下：

在 Hive 中创建 iceberg 格式表

create table test_iceberg_tbl1(id int ,name string,age int) partitioned by (dt string) stored by 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler';

复制代码

在 Hive 中加载如下两个包，在向 Hive 中插入数据时执行 MR 程序时需要使用到

hive> add jar /software/hive-3.1.2/lib/iceberg-hive-runtime-0.12.1.jar;hive> add jar /software/hive-3.1.2/lib/libfb303-0.9.3.jar;

复制代码

向表中插入数据

hive> insert into test_iceberg_tbl1 values (1,"zs",18,"20211212");

复制代码

查询表中的数据

hive> select * from test_iceberg_tbl1;OK1	zs	18	20211212

复制代码

在 Hive 默认的 warehouse 目录下可以看到创建的表目录：

2.4.2.2、如果设置了 iceberg.catalog 对应的 catalog 名字，就用对应类型的 catalog 加载

这种情况就是说在 Hive 中创建 Iceberg 格式表时，如果指定了 iceberg.catalog 属性值，那么数据存储在指定的 catalog 名称对应配置的目录下。

在 Hive 客户端 node3 节点进入 Hive，操作如下：

注册一个 HiveCatalog 叫 another_hive

hive> set iceberg.catalog.another_hive.type=hive;

复制代码

在 Hive 中创建 iceberg 格式表

create table test_iceberg_tbl2(id int,name string,age int)partitioned by (dt string)stored by 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler'tblproperties ('iceberg.catalog'='another_hive');

复制代码

在 Hive 中加载如下两个包，在向 Hive 中插入数据时执行 MR 程序时需要使用到

hive> add jar /software/hive-3.1.2/lib/iceberg-hive-runtime-0.12.1.jar;hive> add jar /software/hive-3.1.2/lib/libfb303-0.9.3.jar;

复制代码

插入数据，并查询

hive> insert into test_iceberg_tbl2 values (2,"ls",20,"20211212");hive> select * from test_iceberg_tbl2;OK2	ls	20	20211212

复制代码

以上方式指定“iceberg.catalog.another_hive.type=hive”后，实际上就是使用的 hive 的 catalog，这种方式与第一种方式不设置效果一样，创建后的表存储在 hive 默认的 warehouse 目录下。也可以在建表时指定 location 写上路径，将数据存储在自定义对应路径上。

除了可以将 catalog 类型指定成 hive 之外，还可以指定成 hadoop，在 Hive 中创建对应的 iceberg 格式表时需要指定 location 来指定 iceberg 数据存储的具体位置，这个位置是具有一定格式规范的自定义路径。在 Hive 客户端 node3 节点进入 Hive，操作如下：

注册一个 HadoopCatalog 叫 hadoop

hive> set iceberg.catalog.hadoop.type=hadoop;

复制代码

使用 HadoopCatalog 时，必须设置“iceberg.catalog.<catalog_name>.warehouse”指定 warehouse 路径

hive> set iceberg.catalog.hadoop.warehouse=hdfs://mycluster/iceberg_data;

复制代码

在 Hive 中创建 iceberg 格式表,这里创建成外表

create external table test_iceberg_tbl3(id int,name string,age int)partitioned by (dt string)stored by 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler'location 'hdfs://mycluster/iceberg_data/default/test_iceberg_tbl3'tblproperties ('iceberg.catalog'='hadoop');

复制代码

注意：以上 location 指定的路径必须是“iceberg.catalog.hadoop.warehouse”指定路径的子路径,格式必须是 ${iceberg.catalog.hadoop.warehouse}/${当前建表使用的 hive 库}/${创建的当前 iceberg 表名}

在 Hive 中加载如下两个包，在向 Hive 中插入数据时执行 MR 程序时需要使用到

hive> add jar /software/hive-3.1.2/lib/iceberg-hive-runtime-0.12.1.jar;hive> add jar /software/hive-3.1.2/lib/libfb303-0.9.3.jar;

复制代码

插入数据，并查询

hive> insert into test_iceberg_tbl3 values (3,"ww",20,"20211213");hive> select * from test_iceberg_tbl3;OK3	ww	20	20211213

复制代码

在指定的“iceberg.catalog.hadoop.warehouse”路径下可以看到创建的表目录：

2.4.2.3、如果 iceberg.catalog 属性设置为“location_based_table”,可以从指定的根路径下加载 Iceberg 表

这种情况就是说如果 HDFS 中已经存在 iceberg 格式表，我们可以通过在 Hive 中创建 Icerberg 格式表指定对应的 location 路径映射数据。

在 Hive 客户端中操作如下：

CREATE TABLE test_iceberg_tbl4  (  id int,   name string,  age int,  dt string)STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler' LOCATION 'hdfs://mycluster/spark/person' TBLPROPERTIES ('iceberg.catalog'='location_based_table');

复制代码

注意：指定的 location 路径下必须是 iceberg 格式表数据，并且需要有元数据目录才可以。不能将其他数据映射到 Hive iceberg 格式表。

由于 Hive 建表语句分区语法“Partitioned by”的限制,如果使用 Hive 创建 Iceberg 格式表，目前只能按照 Hive 语法来写，底层转换成 Iceberg 标识分区，这种情况下不能使用 Iceberge 的分区转换，例如：days(timestamp)，如果想要使用 Iceberg 格式表的分区转换标识分区，需要使用 Spark 或者 Flink 引擎创建表。

2.5、搭建 HBase

这里选择 HBase 版本为 2.2.6，搭建 HBase 各个角色分布如下：

具体搭建步骤如下：

2.5.1、将下载好的安装包发送到 node4 节点上,并解压,配置环境变量

#将下载好的HBase安装包上传至node4节点/software下，并解压[root@node4 software]# tar -zxvf ./hbase-2.2.6-bin.tar.gz

复制代码

当前节点配置 HBase 环境变量

#配置HBase环境变量[root@node4 software]# vim /etc/profileexport HBASE_HOME=/software/hbase-2.2.6/export PATH=$PATH:$HBASE_HOME/bin
#使环境变量生效[root@node4 software]# source /etc/profile

复制代码

2.5.2、配置 $HBASE_HOME/conf/hbase-env.sh

#配置 HBase JDK
export JAVA_HOME=/usr/java/jdk1.8.0_181-amd64/

#配置 HBase 不使用自带的 zookeeper
export HBASE_MANAGES_ZK=false

2.5.3、配置 $HBASE_HOME/conf/hbase-site.xml

<configuration>  <property>        <name>hbase.rootdir</name>        <value>hdfs://mycluster/hbase</value>  </property>  <property>        <name>hbase.cluster.distributed</name>        <value>true</value>  </property>  <property>        <name>hbase.zookeeper.quorum</name>        <value>node3,node4,node5</value>  </property>  <property>        <name>hbase.unsafe.stream.capability.enforce</name>        <value>false</value>  </property></configuration>

复制代码

2.5.4、配置 $HBASE_HOME/conf/regionservers，配置 RegionServer 节点

node3
node4
node5

2.5.5、配置 backup-masters 文件

手动创建 $HBASE_HOME/conf/backup-masters 文件，指定备用的 HMaster,需要手动创建文件，这里写入 node5,在 HBase 任意节点都可以启动 HMaster，都可以成为备用 Master ,可以使用命令：hbase-daemon.sh start master 启动。

#创建 $HBASE_HOME/conf/backup-masters 文件，写入node5[root@node4 conf]# vim backup-mastersnode5

复制代码

2.5.6、复制 hdfs-site.xml 到 $HBASE_HOME/conf/下

[root@node4 conf]# scp /software/hadoop-3.1.4/etc/hadoop/hdfs-site.xml /software/hbase-2.2.6/conf/

复制代码

2.5.7、将 HBase 安装包发送到 node3，node5 节点上，并在 node3，node5 节点上配置 HBase 环境变量

[root@node4 software]# cd /software[root@node4 software]# scp -r ./hbase-2.2.6 node3:/software/[root@node4 software]# scp -r ./hbase-2.2.6 node5:/software/
# 注意：在node3、node5上配置HBase环境变量。vim /etc/profileexport HBASE_HOME=/software/hbase-2.2.6/export PATH=$PATH:$HBASE_HOME/bin
#使环境变量生效source /etc/profile

复制代码

2.5.8、重启 Zookeeper、重启 HDFS 及启动 HBase 集群

#注意:一定要重启Zookeeper,重启HDFS,在node4节点上启动HBase集群[root@node4 software]# start-hbase.sh

复制代码

访问 WebUI，http://node4:16010。停止集群：在任意一台节点上 stop-hbase.sh

2.5.9、测试 HBase 集群

在 Hbase 中创建表 test，指定'cf1','cf2'两个列族，并向表 test 中插入几条数据：

#进入hbase[root@node4 ~]# hbase shell
#创建表testcreate 'test','cf1','cf2'
#查看创建的表list
#向表test中插入数据put 'test','row1','cf1:id','1'put 'test','row1','cf1:name','zhangsan'put 'test','row1','cf1:age',18
#查询表test中rowkey为row1的数据get 'test','row1'

复制代码

2.6、搭建 Phoenix

这里搭建 Phoenix 版本为 5.0.0，Phoenix 采用单机安装方式即可，这里将 Phoenix 安装到 node4 节点上。

Phoenix 下载及安装步骤如下：

2.6.1、下载 Phoenix

Phoenix 对应的 HBase 有版本之分，可以从官网：http://phoenix.apache.org/download.html来下载，要对应自己安装的 HBase 版本下载。我们这里安装的 HBase 版本为 2.2.6，这里下载 Phoenix5.0.0 版本。下载地址如下：

http://archive.apache.org/dist/phoenix/apache-phoenix-5.0.0-HBase-2.0/bin/

注意：不要下载 phoenix5.1.2 版本，与 Hbase2.2.6 不兼容

2.6.2、上传解压

[root@node4 ~]# cd /software/[root@node4 software]# tar -zxvf ./apache-phoenix-5.0.0-HBase-2.0-bin.tar.gz

复制代码

2.6.3、拷贝 Phoenix 整合 HBase 需要的 jar 包

将前面解压好安装包下的 phoenix 开头的包发送到每个 HBase 节点下的 lib 目录下。

[root@node4 ~]# cd /software/apache-phoenix-5.0.0-HBase-2.0-bin
#直接复制到node4节点对应的HBase目录下[root@node4 apache-phoenix-5.0.0-HBase-2.0-bin]# cp ./phoenix-*.jar /software/hbase-2.2.6/lib/
#发送到node3，node5两台HBase节点[root@node4 apache-phoenix-5.0.0-HBase-2.0-bin]# scp ./phoenix-*.jar node3:/software/hbase-2.2.6/lib/
[root@node4 apache-phoenix-5.0.0-HBase-2.0-bin]# scp ./phoenix-*.jar node5:/software/hbase-2.2.6/lib/

复制代码

2.6.4、复制 core-site.xml、hdfs-site.xml、hbase-site.xml 到 Phoenix

将 HDFS 中的 core-site.xml、hdfs-site.xml、hbase-site.xml 复制到 Phoenix bin 目录下。

[root@node4 ~]# cp /software/hadoop-3.1.4/etc/hadoop/core-site.xml /software/apache-phoenix-5.0.0-HBase-2.0-bin/bin
[root@node4 ~]# cp /software/hadoop-3.1.4/etc/hadoop/hdfs-site.xml /software/apache-phoenix-5.0.0-HBase-2.0-bin/bin
#输入yes,覆盖Phoenix目录下的hbase-site.xml[root@node4 ~]# cp /software/hbase-2.2.6/conf/hbase-site.xml /software/apache-phoenix-5.0.0-HBase-2.0-bin/bin/

复制代码

2.6.5、启动 HDFS,Hbase 集群，启动 Phoenix

[root@node1 ~]# start-all.sh
[root@node4 ~]# start-hbase.sh （如果已经启动Hbase，一定要重启HBase）
#启动Phoenix[root@node4 ~]# cd /software/apache-phoenix-5.0.0-HBase-2.0-bin/bin/
#启动时可以不指定后面的zookeeper，默认连接当前节点的zookeeper,多个zookeeper节点逗号隔开，最后一个写端口2181
[root@node4 bin]# ./sqlline.py node3,node4,node5:2181
#退出Phoenix，使用!quit或者!exit0: jdbc:phoenix:node3,node4,node5:2181> !quitClosing: org.apache.phoenix.jdbc.PhoenixConnection

复制代码

2.6.6、测试 Phoenix

#查看Phoenix表0: jdbc:phoenix:node3,node4,node5:2181> !tables
#Phoenix中创建表 test,指定映射到HBase的列族为f10: jdbc:phoenix:node3,node4,node5:2181> create table test(id varchar primary key ,f1.name varchar,f1.age integer);
#向表 test中插入数据upsert into test values ('1','zs',18);
#查询插入的数据0: jdbc:phoenix:node3,node4,node5:2181> select * from test;+-----+-------+------+| ID  | NAME  | AGE  |+-----+-------+------+| 1   | zs    | 18   |+-----+-------+------+
#在HBase中查看对应的数据，hbase中将非String类型的value数据全部转为了16进制hbase(main):013:0> scan 'TEST'

复制代码

注意：在 Phoenix 中创建的表，插入数据时，在 HBase 中查看发现对应的数据都进行了 16 进制编码，这里默认 Phoenix 中对数据进行的编码，我们在 Phoenix 中建表时可以指定“column_encoded_bytes=0”参数，不让 Phoenix 对 column family 进行编码。例如以下建表语句，在 Phoenix 中插入数据后，在 HBase 中可以查看到正常格式数据：

create table mytable ("id" varchar primary key ,"cf1"."name" varchar,"cf1"."age" varchar) column_encoded_bytes=0;
upsert into mytable values ('1','zs','18');

复制代码

以上再次在 HBase 中查看，显示数据正常

2.7、搭建 Kafka

这里选择 Kafka 版本为 0.11.0.3,对应的搭建节点如下：

搭建详细步骤如下：

2.7.1、上传解压

[root@node1 software]# tar -zxvf ./kafka_2.11-0.11.0.3.tgz

复制代码

2.7.2、配置 Kafka

在 node3 节点上配置 Kafka，进入/software/kafka_2.11-0.11.0.3/config/中修改 server.properties，修改内容如下：

broker.id=0     #注意：这里要唯一的Integer类型port=9092      #kafka写入数据的端口log.dirs=/kafka-logs    #真实数据存储的位置zookeeper.connect=node3:2181,node4:2181,node5:2181  #zookeeper集群

复制代码

2.7.3、将以上配置发送到 node2，node3 节点上

[root@node1 software]# scp -r /software/kafka_2.11-0.11.0.3 node2:/software/
[root@node1 software]# scp -r /software/kafka_2.11-0.11.0.3 node3:/software/

复制代码

2.7.4、修改 node2,node3 节点上的 server.properties 文件

node2、node3 节点修改 $KAFKA_HOME/config/server.properties 文件中的 broker.id，node2 中修改为 1，node3 节点修改为 2。

2.7.5、创建 Kafka 启动脚本

在 node1,node2,node3 节点/software/kafka_2.11-0.11.0.3 路径中编写 Kafka 启动脚本“startKafka.sh”，内容如下：

nohup bin/kafka-server-start.sh config/server.properties > kafkalog.txt 2>&1 &

复制代码

node1,node2,node3 节点配置完成后修改“startKafka.sh”脚本执行权限：

chmod +x ./startKafka.sh

复制代码

2.7.6、启动 Kafka 集群

在 node1,node2,node3 三台节点上分别执行/software/kafka/startKafka.sh 脚本，启动 Kafka:

[root@node1 kafka_2.11-0.11.0.3]# ./startKafka.sh [root@node2 kafka_2.11-0.11.0.3]# ./startKafka.sh [root@node3 kafka_2.11-0.11.0.3]# ./startKafka.sh

复制代码

2.7.7、Kafka 命令测试

#创建topic ./kafka-topics.sh --zookeeper node3:2181,node4:2181,node5:2181 --create --topic testtopic  --partitions 3 --replication-factor 3
#console控制台向topic 中生产数据./kafka-console-producer.sh --broker-list node1:9092,node2:9092,node3:9092 --topic testtopic
#console控制台消费topic中的数据./kafka-console-consumer.sh --bootstrap-server node1:9092,node2:9092,node3:9092  --topic testtopic

复制代码

2.8、搭建 Redis

这里选择 Redis 版本为 2.8.18 版本，Redis 安装在 node4 节点上，节点分布如下：

具体搭建步骤如下：

2.8.1、将 redis 安装包上传到 node4 节点，并解压

[root@node4 ~]# cd /software/[root@node4 software]# tar -zxvf ./redis-2.8.18.tar.gz

复制代码

2.8.2、node4 安装需要的 C 插件

[root@node4 ~]# yum -y install gcc tcl

复制代码

2.8.3、编译 Redis

进入/software/redis-2.8.18 目录中，编译 redis。

2.8.4、创建安装目录安装 Redis

#创建安装目录[root@node4 ~]# mkdir -p /software/redis
#进入redis编译目录，安装redis[root@node4 ~]# cd /software/redis-2.8.18[root@node4 redis-2.8.18]# make PREFIX=/software/redis install

复制代码

注意：现在就可以使用 redis 了，进入/software/redis/bin 下，就可以执行 redis 命令。

2.8.5、将 Redis 加入环境变量，加入系统服务，设置开机启动

#将redis-server链接到/usr/local/bin/目录下，后期加入系统服务时避免报错[root@node4 ~]# ln -sf /software/redis-2.8.18/src/redis-server /usr/local/bin/
#执行如下命令，配置redis Server，一直回车即可[root@node4 ~]# cd /software/redis-2.8.18/utils/[root@node4 utils]# ./install_server.sh
#执行完以上安装，在/etc/init.d下会修改redis_6379名称并加入系统服务[root@node4 utils]# cd /etc/init.d/[root@node4 init.d]# mv redis_6379 redisd[root@node4 init.d]# chkconfig --add redisd
#检查加入系统状态,3,4,5为开，就是开机自动启动[root@node4 init.d]# chkconfig --list

复制代码

2.8.6、配置 Redis 环境变量

# 在node4节点上编辑profile文件，vim /etc/profileexport REDIS_HOME=/software/redisexport PATH=$PATH:$REDIS_HOME/bin
#使环境变量生效source /etc/profile

复制代码

2.8.7、启动|停止 Redis 服务

后期每次开机启动都会自动启动 Redis，也可以使用以下命令手动启动|停止 redis

#启动redis[root@node4 init.d]# service redisd start
#停止redis[root@node4 init.d]# redis-cli shutdown

复制代码

2.8.8、测试 redis

#进入redis客户端[root@node4 ~]# redis-cli
#切换1号库，并插入key127.0.0.1:6379> select 1127.0.0.1:6379[1]> hset rediskey zhagnsan 100
#查看所有key并获取key值127.0.0.1:6379[1]> keys *127.0.0.1:6379[1]> hgetall rediskey
#删除指定key127.0.0.1:6379[1]> del 'rediskey'

复制代码

2.9、搭建 Flink

这里选择 Flink 的版本为 1.11.6，原因是 1.11.6 与 Iceberg 的整合比较稳定。

Flink 搭建节点分布如下：

具体搭建步骤如下：

2.9.1、上传压缩包解压

将 Flink 的安装包上传到 node1 节点/software 下并解压：

[root@node1 software]# tar -zxvf ./flink-1.11.6-bin-scala_2.11.tgz

复制代码

2.9.2、修改配置文件

在 node1 节点上进入到 Flink conf 目录下，配置 flink-conf.yaml 文件，内容如下：

#进入flink-conf.yaml目录[root@node1 conf]# cd /software/flink-1.11.6/conf/
#vim编辑flink-conf.yaml文件，配置修改内容如下jobmanager.rpc.address: node1taskmanager.numberOfTaskSlots: 3

复制代码

其中：taskmanager.numberOfTaskSlot 参数默认值为 1，修改成 3。表示数每一个 TaskManager 上有 3 个 Slot。

2.9.3、配置 TaskManager 节点

在 node1 节点上配置 $FLINK_HOME/conf/workers 文件，内容如下：

node1
node2
node3

2.9.4、分发安装包到 node2,node3,node4 节点

[root@node1 software]# scp -r ./flink-1.11.6 node2:/software/[root@node1 software]# scp -r ./flink-1.11.6 node3:/software/
#注意，这里发送到node4,node4只是客户端[root@node1 software]# scp -r ./flink-1.11.6 node4:/software/

复制代码

2.9.5、启动 Flink 集群

#在node1节点中，启动Flink集群[root@node1 ~]#  cd /software/flink-1.11.6/bin/[root@node1 bin]# ./start-cluster.sh

复制代码

2.9.6、访问 flink Webui

http://node1:8081,进入页面如下：

2.9.7、准备“flink-shaded-hadoop-2-uber-2.8.3-10.0.jar”包

在基于 Yarn 提交 Flink 任务时需要将 Hadoop 依赖包“flink-shaded-hadoop-2-uber-2.8.3-10.0.jar”放入 flink 各个节点的 lib 目录中(包括客户端)。

2.10、搭建 Flume

这里搭建 Flume 的版本为 1.9.0 版本，Flume 搭建使用单机模式，节点分配如下:

Flume 的搭建配置步骤如下：

2.10.1、首先将 Flume 上传到 Mynode5 节点/software/路径下,并解压，命令如下：

[root@ node5 software]# tar -zxvf ./apache-flume-1.9.0-bin.tar.gz

复制代码

2.10.2、其次配置 Flume 的环境变量，配置命令如下：

#修改 /etc/profile文件，在最后追加写入如下内容，配置环境变量：[root@node5 software]# vim /etc/profileexport FLUME_HOME=/software/apache-flume-1.9.0-binexport PATH=$FLUME_HOME/bin:$PATH
#保存以上配置文件并使用source命令使配置文件生效[root@node5 software]# source /etc/profile

复制代码

经过以上两个步骤，Flume 的搭建已经完成，至此，Flume 的搭建完成，我们可以使用 Flume 进行数据采集。

2.11、搭建 maxwell

这里搭建 Maxwell 的版本为 1.28.2 版本，节点分配如下:

2.11.1、开启 MySQL binlog 日志

此项目主要使用 Maxwell 来监控业务库 MySQL 中的数据到 Kafka，Maxwell 原理是通过同步 MySQL binlog 日志数据达到同步 MySQL 数据的目的。Maxwell 不支持高可用搭建，但是支持断点还原，可以在执行失败时重新启动继续上次位置读取数据，此外安装 Maxwell 前需要开启 MySQL binlog 日志，步骤如下：

2.11.1.1、登录 mysql 查看 MySQL 是否开启 binlog 日志

[root@node2 ~]# mysql -u root -p123456mysql> show variables like 'log_%';

复制代码

2.11.1.2、开启 MySQL binlog 日志

在/etc/my.cnf 文件中[mysqld]下写入以下内容：

[mysqld]
# 随机指定一个不能和其他集群中机器重名的字符串，配置 MySQL replaction 需要定义
server-id=123

#配置 binlog 日志目录，配置后会自动开启 binlog 日志，并写入该目录
log-bin=/var/lib/mysql/mysql-bin

# 选择 ROW 模式
binlog-format=ROW

2.11.1.3、重启 mysql 服务，重新查看 binlog 日志情况

[root@node2 ~]# service mysqld restart[root@node2 ~]# mysql -u root -p123456mysql> show variables like 'log_%';

复制代码

2.11.2、安装 Maxwell

这里 maxwell 安装版本选择 1.28.2,选择 node3 节点安装，安装 maxwell 步骤如下：

2.11.2.1、将下载好的安装包上传到 node3 并解压

[root@node3 ~]# cd /software/[root@node3 software]# tar -zxvf ./maxwell-1.28.2.tar.gz

复制代码

2.11.2.2、在 MySQL 中创建 Maxwell 的用户及赋权

Maxwell 同步 mysql 数据到 Kafka 中需要将读取的 binlog 位置文件及位置信息等数据存入 MySQL，所以这里创建 maxwell 数据库，及给 maxwell 用户赋权访问其他所有数据库。

mysql> CREATE database maxwell;mysql> CREATE USER 'maxwell'@'%' IDENTIFIED BY 'maxwell';mysql> GRANT ALL ON maxwell.* TO 'maxwell'@'%';mysql> GRANT SELECT, REPLICATION CLIENT, REPLICATION SLAVE ON *.* TO 'maxwell'@'%';mysql> flush privileges;

复制代码

2.11.2.3、修改配置“config.properties”文件

node3 节点进入“/software/maxwell-1.28.2”，修改“config.properties.example”为“config.properties”并配置：

producer=kafkakafka.bootstrap.servers=node1:9092,node2:9092,node3:9092kafka_topic=test-topic#设置根据表将binlog写入Kafka不同分区，还可指定：[database, table, primary_key, transaction_id, thread_id, column]producer_partition_by=table
#mysql 节点host=node2#连接mysql用户名和密码user=maxwellpassword=maxwell
#指定maxwell 当前连接mysql的实例id,这里用于全量同步表数据使用client_id=maxwell_first

复制代码

注意：以上参数也可以在后期启动 maxwell 时指定参数方式来设置。

2.11.2.4、启动 zookeeper 及 Kafka,创建对应 test-topic

[root@node1 bin]# ./kafka-topics.sh --zookeeper node3:2181,node4:2181,node5:2181 --create --topic test-topic --partitions 3 --replication-factor 3

复制代码

2.11.2.5、在 Kafka 中监控 test-topic

[root@node2 bin]# cd /software/kafka_2.11-0.11/[root@node2 bin]# ./kafka-console-consumer.sh --bootstrap-server node1:9092,node2:9092,node3:9092 --topic test-topic

复制代码

2.11.2.6、启动 Maxwell

[root@node3 ~]# cd /software/maxwell-1.28.2/bin[root@node3 bin]# maxwell --config ../config.properties.

复制代码

注意以上启动也可以编写脚本：

#startMaxwell.sh 脚本内容：/software/maxwell-1.28.2/bin/maxwell --config /software/maxwell-1.28.2/config.properties > ./log.txt 2>&1 &

复制代码

修改执行权限：

chmod +x ./start_maxwell.sh

复制代码

注意：这里我们可以通过 Maxwell 将 MySQL 业务库中所有 binlog 变化数据监控到 Kafka test-topic 中，在此项目中我们将 MySQL binlog 数据监控到 Kafka 中然后通过 Flink 读取对应 topic 数据进行处理。

2.11.2.7、在 mysql 中创建库 testdb,并创建表 person 插入数据

mysql> create database testdb;mysql> use testdb;mysql> create table person(id int,name varchar(255),age int);mysql> insert into person values (1,'zs',18);mysql>  insert into person values (2,'ls',19);mysql>  insert into person values (3,'ww',20);

复制代码

可以看到在监控的 kafka test-topic 中有对应的数据被同步到 topic 中：

2.11.2.8、全量同步 mysql 数据到 kafka

这里以 MySQL 表 testdb.person 为例将全量数据导入到 Kafka 中，可以通过配置 Maxwell，使用 Maxwell bootstrap 功能全量将已经存在 MySQL testdb.person 表中的数据导入到 Kafka,操作步骤如下：

#启动Maxwell[root@node3 ~]# cd /software/maxwell-1.28.2/bin[root@node3 bin]# maxwell --config ../config.properties
#启动maxwell-bootstrap全量同步数据[root@node3 ~]# cd /software/maxwell-1.28.2/bin[root@node3 bin]# ./maxwell-bootstrap --database testdb --table person --host node2 --user maxwell --password maxwell  --client_id  maxwell_first --where "id>0"

复制代码

执行之后可以看到对应的 Kafka test-topic 中将表 testdb.person 中的数据全部导入一遍

2.12、搭建 clickhouse

这里 clickhouse 的版本选择 21.9.4.35，clickhouse 选择分布式安装，clickhouse 节点分布如下：

clickhouse 详细安装步骤如下：

2.12.1、选择三台 clickhouse 节点，在每台节点上安装 clickhouse 需要的安装包

这里选择 node1、node2,node3 三台节点，上传安装包，分别在每台节点上执行如下命令安装 clickhouse:

rpm -ivh ./clickhosue-common-static-21.9.4.35-2.x86_64.rpm#注意在安装以下rpm包时，让输入密码，可以直接回车跳过rpm -ivh ./clickhouse-server-21.9.4.35-2.noarch.rpmrpm -ivh ./clickhouse-client-21.9.4.35-2.noarch.rpm

复制代码

2.12.2、安装 zookeeper 集群并启动

搭建 clickhouse 集群时，需要使用 Zookeeper 去实现集群副本之间的同步，所以这里需要 zookeeper 集群，zookeeper 集群安装后可忽略此步骤。

2.12.3、配置外网可访问

在每台 clickhouse 节点中配置/etc/clickhouse-server/config.xml 文件第 164 行<listen_host>，把以下对应配置注释去掉，如下：

<listen_host>::1</listen_host>#注意每台节点监听的host名称配置当前节点host，需要强制保存wq!<listen_host>node1</listen_host>

复制代码

2.12.4、在每台节点创建 metrika.xml 文件，写入以下内容

在 node1、node2、node3 节点上/etc/clickhouse-server/config.d 路径下下配置 metrika.xml 文件，默认 clickhouse 会在/etc 路径下查找 metrika.xml 文件，但是必须要求 metrika.xml 上级目录拥有者权限为 clickhouse ，所以这里我们将 metrika.xml 创建在/etc/clickhouse-server/config.d 路径下，config.d 目录的拥有者权限为 clickhouse。

在 metrika.xml 中我们配置后期使用的 clickhouse 集群中创建分布式表时使用 3 个分片，每个分片有 1 个副本，配置如下：

vim /etc/clickhouse-server/config.d/metrika.xml

复制代码

<yandex>    <remote_servers>        <clickhouse_cluster_3shards_1replicas>            <shard>                <internal_replication>true</internal_replication>                <replica>                    <host>node1</host>                    <port>9000</port>                </replica>            </shard>            <shard>                <internal_replication>true</internal_replication>                <replica>                    <host>node2</host>                    <port>9000</port>                </replica>            </shard>            <shard>                <internal_replication>true</internal_replication>                <replica>                    <host>node3</host>                    <port>9000</port>                </replica>            </shard>        </clickhouse_cluster_3shards_1replicas>    </remote_servers>         <zookeeper>        <node index="1">            <host>node3</host>            <port>2181</port>        </node>        <node index="2">            <host>node4</host>            <port>2181</port>        </node>        <node index="3">            <host>node5</host>            <port>2181</port>        </node>    </zookeeper>    <macros>        <shard>01</shard>         <replica>node1</replica>    </macros>    <networks>        <ip>::/0</ip>    </networks>    <clickhouse_compression>        <case>            <min_part_size>10000000000</min_part_size>            <min_part_size_ratio>0.01</min_part_size_ratio>            <method>lz4</method>        </case>    </clickhouse_compression></yandex>

复制代码

对以上配置文件中配置项的解释如下:

remote_servers：

clickhouse 集群配置标签，固定写法。注意：这里与之前版本不同，之前要求必须以 clickhouse 开头，新版本不再需要。

clickhouse_cluster_3shards_1replicas:

配置 clickhouse 的集群名称，可自由定义名称，注意集群名称中不能包含点号。这里代表集群中有 3 个分片，每个分片有 1 个副本。

分片是指包含部分数据的服务器，要读取所有的数据，必须访问所有的分片。

副本是指存储分片备份数据的服务器，要读取所有的数据，访问任意副本上的数据即可。

shard：

分片，一个 clickhouse 集群可以分多个分片，每个分片可以存储数据，这里分片可以理解为 clickhouse 机器中的每个节点，1 个分片只能对应 1 服务节点。这里可以配置一个或者任意多个分片，在每个分片中可以配置一个或任意多个副本，不同分片可配置不同数量的副本。如果只是配置一个分片，这种情况下查询操作应该称为远程查询，而不是分布式查询。

replica：

每个分片的副本，默认每个分片配置了一个副本。也可以配置多个，副本的数量上限是由 clickhouse 节点的数量决定的。如果配置了副本，读取操作可以从每个分片里选择一个可用的副本。如果副本不可用，会依次选择下个副本进行连接。该机制利于系统的可用性。

internal_replication：

默认为 false,写数据操作会将数据写入所有的副本，设置为 true,写操作只会选择一个正常的副本写入数据，数据的同步在后台自动进行。

zookeeper：

配置的 zookeeper 集群，注意：与之前版本不同，之前版本是“zookeeper-servers”。

macros：

区分每台 clickhouse 节点的宏配置，macros 中标签<shard>代表当前节点的分片号，标签<replica>代表当前节点的副本号，这两个名称可以随意取，后期在创建副本表时可以动态读取这两个宏变量。注意：每台 clickhouse 节点需要配置不同名称。

networks：

这里配置 ip 为“::/0”代表任意 IP 可以访问，包含 IPv4 和 IPv6。

注意：允许外网访问还需配置/etc/clickhouse-server/config.xml 参照第三步骤。

clickhouse_compression：

MergeTree 引擎表的数据压缩设置，min_part_size：代表数据部分最小大小。min_part_size_ratio：数据部分大小与表大小的比率。method：数据压缩格式。

注意：需要在每台 clickhouse 节点上配置 metrika.xml 文件，并且修改每个节点的 macros 配置名称。

#node2节点修改metrika.xml中的宏变量如下：    <macros>        <shard>02</replica>         <replica>node2</replica>    </macros>
#node3节点修改metrika.xml中的宏变量如下:    <macros>        <shard>03</replica>         <replica>node3</replica>    </macros>

复制代码

2.12.5、在每台节点上启动/查看/重启/停止 clickhouse 服务

首先启动 zookeeper 集群，然后分别在 node1、node2、node3 节点上启动 clickhouse 服务，这里每台节点和单节点启动一样。启动之后，clickhouse 集群配置完成。

#每台节点启动Clickchouse服务service clickhouse-server start
#每台节点查看clickhouse服务状态service clickhouse-server status
#每台节点重启clickhouse服务service clickhouse-server restart
#每台节点关闭Clikchouse服务service clickhouse-server stop

复制代码

2.12.6、检查集群配置是否完成

在 node1、node2、node3 任意一台节点进入 clickhouse 客户端，查询集群配置：

#选择三台clickhouse任意一台节点，进入客户端clickhouse-client #查询集群信息，看到下图所示即代表集群配置成功。node1 :) select * from system.clusters;

复制代码

查询集群信息，也可以使用如下命令

node1 :) select cluster,host_name from system.clusters;

复制代码

2.12.7、测试 clickhouse

#在clickhouse node1节点创建mergeTree表 mtcreate table mt(id UInt8,name String,age UInt8) engine = MergeTree() order by (id);
#向表 mt 中插入数据insert into table mt values(1,'zs',18),(2,'ls',19),(3,'ww',20);
#查询表mt中的数据select * from mt;

复制代码

以上就是湖仓一体电商项目所有基础环境的搭建，希望对大家有帮助，下期会带来项目开发和实操，敬请期待吧

发布于: 刚刚阅读数: 4

原文链接:【http://xie.infoq.cn/article/6b6e41cd9f44f0ae64ba6752b】。文章转载请联系作者。

Lansonli

关注

微信公众号：三帮大数据 2022.07.12 加入

CSDN大数据领域博客专家，华为云享专家、阿里云专家博主、腾云先锋（TDP）核心成员、51CTO专家博主，全网六万多粉丝，知名互联网公司大数据高级开发工程师

发布

暂无评论

创作场景

湖仓一体电商项目背景与架构介绍及基础环境准备

一、项目背景和架构介绍

1、项目背景介绍

2、​​​​​​​​​​​​​​项目架构

2.1、实时数仓现状

2.2、项目架构及数据分层

2.3、​​​​​​​​​​​​​​项目可视化效果

二、基础环境准备

1、项目使用技术及版本

2、项目基础环境准备

2.1、搭建 Zookeeper

2.1.1、上传 zookeeper 并解压,配置环境变量

2.1.2、在 node3 节点配置 zookeeper

2.1.3、将配置好的 zookeeper 发送到 node4,node5 节点

2.1.4、各个节点上创建数据目录，并配置 zookeeper 环境变量

2.1.5、各个节点创建节点 ID

2.1.6、各个节点启动 zookeeper,并检查进程状态

2.2、搭建 HDFS

2.2.1、各个节点安装 HDFS HA 自动切换必须的依赖

2.2.2、上传下载好的 Hadoop 安装包到 node1 节点上，并解压

2.2.3、在 node1 节点上配置 Hadoop 的环境变量

2.2.4、配置 $HADOOP_HOME/etc/hadoop 下的 hadoop-env.sh 文件

2.2.5、配置 $HADOOP_HOME/etc/hadoop 下的 hdfs-site.xml 文件

2.2.6、配置 $HADOOP_HOME/ect/hadoop/core-site.xml

2.2.7、配置 $HADOOP_HOME/etc/hadoop/yarn-site.xml

2.2.8、HADOOP_HOME/etc/hadoop/mapred-site.xml

2.2.9、配置 $HADOOP_HOME/etc/hadoop/workers 文件

2.2.10、配置 $HADOOP_HOME/sbin/start-dfs.sh 和 stop-dfs.sh 两个文件中顶部添加以下参数，防止启动错误

2.2.11、配置 $HADOOP_HOME/sbin/start-yarn.sh 和 stop-yarn.sh 两个文件顶部添加以下参数，防止启动错误

2.2.12、将配置好的 Hadoop 安装包发送到其他 4 个节点

2.2.13、在 node2、node3、node4、node5 节点上配置 HADOOP_HOME

2.2.14、启动 HDFS 和 Yarn

2.2.15、访问 WebUI

2.2.16、停止集群

2.3、​​​​​​​搭建 Hive

2.3.1、将下载好的 Hive 安装包上传到 node1 节点上,并修改名称

2.3.2、将解压好的 Hive 安装包发送到 node3 节点上

2.3.3、配置 node1、node3 两台节点的 Hive 环境变量

2.3.4、在 node1 节点 $HIVE_HOME/conf 下创建 hive-site.xml 并配置

2.3.5、在 node3 节点 $HIVE_HOME/conf/中创建 hive-site.xml 并配置

2.3.6、node1、node3 节点删除 $HIVE_HOME/lib 下“guava”包，使用 Hadoop 下的包替换

2.3.7、将“mysql-connector-java-5.1.47.jar”驱动包上传到 node1 节点的 $HIVE_HOME/lib 目录下

2.3.8、在 node1 节点中初始化 Hive

2.3.9、在服务端和客户端操作 Hive

2.4、Hive 与 Iceberg 整合

2.4.1、开启 Hive 支持 Iceberg

2.4.1.1、下载 iceberg-hive-runtime.jar

2.4.1.2、配置 hive-site.xml

2.4.2、​​​​​​​Hive 中操作 Iceberg 格式表

2.4.2.1、如果没有设置 iceberg.catalog 属性，默认使用 HiveCatalog 来加载

2.4.2.2、如果设置了 iceberg.catalog 对应的 catalog 名字，就用对应类型的 catalog 加载

2.4.2.3、如果 iceberg.catalog 属性设置为“location_based_table”,可以从指定的根路径下加载 Iceberg 表

2.5、​​​​​​​搭建 HBase

2.5.1、将下载好的安装包发送到 node4 节点上,并解压,配置环境变量

2.5.2、配置 $HBASE_HOME/conf/hbase-env.sh

2.5.3、配置 $HBASE_HOME/conf/hbase-site.xml

2.5.4、配置 $HBASE_HOME/conf/regionservers，配置 RegionServer 节点

2.5.5、配置 backup-masters 文件

2.5.6、复制 hdfs-site.xml 到 $HBASE_HOME/conf/下

2.5.7、将 HBase 安装包发送到 node3，node5 节点上，并在 node3，node5 节点上配置 HBase 环境变量

2.5.8、重启 Zookeeper、重启 HDFS 及启动 HBase 集群

2.5.9、测试 HBase 集群

2.6、搭建 Phoenix

2.6.1、下载 Phoenix

2.6.2、上传解压

2.6.3、拷贝 Phoenix 整合 HBase 需要的 jar 包

2.6.4、复制 core-site.xml、hdfs-site.xml、hbase-site.xml 到 Phoenix

2.6.5、启动 HDFS,Hbase 集群，启动 Phoenix

2.6.6、测试 Phoenix

2.7、搭建 Kafka

2.7.1、上传解压

2.7.2、配置 Kafka

2.7.3、将以上配置发送到 node2，node3 节点上

2.7.4、修改 node2,node3 节点上的 server.properties 文件

2.7.5、创建 Kafka 启动脚本

2.7.6、启动 Kafka 集群

2.7.7、Kafka 命令测试

2.8、搭建 Redis

2.8.1、将 redis 安装包上传到 node4 节点，并解压

2、项目架构

2.3、项目可视化效果

2.3、搭建 Hive

2.4.2、Hive 中操作 Iceberg 格式表

2.5、搭建 HBase

2.9、搭建 Flink

2.10、搭建 Flume

2.11、搭建 maxwell

2.11.1.2、开启 MySQL binlog 日志

2.11.2、安装 Maxwell

2.12、搭建 clickhouse