导读：这是一篇非常完整全面的应用技术干货，手把手教你如何使用 Doris+Iceberg+Flink CDC 构建实时湖仓一体的联邦查询分析架构。按照本文中步骤一步步完成，完整体验搭建操作的完整过程。
作者｜Apache Doris PMC 成员 张家锋
1.概览
这篇教程将展示如何使用 Doris+Iceberg+Flink CDC 构建实时湖仓一体的联邦查询分析，Doris 1.1版本提供了Iceberg的支持，本文主要展示Doris和Iceberg怎么使用，同时本教程整个环境是都基于伪分布式环境搭建，大家按照步骤可以一步步完成。完整体验整个搭建操作的过程。
1.1 软件环境
本教程的演示环境如下：
- Centos7
- Apahce doris 1.1
- Hadoop 3.3.3
- hive 3.1.3
- Fink 1.14.4
- flink-sql-connector-mysql-cdc-2.2.1
- Apache Iceberg 0.13.2
- JDK 1.8.0_311
- MySQL 8.0.29
wget https://archive.apache.org/dist/hadoop/core/hadoop-3.3.3/hadoop-3.3.3.tar.gznwget https://archive.apache.org/dist/hive/hive-3.1.3/apache-hive-3.1.3-bin.tar.gznwget https://dlcdn.apache.org/flink/flink-1.14.4/flink-1.14.4-bin-scala_2.12.tgznwget https://search.maven.org/remotecontent?filepath=org/apache/iceberg/iceberg-flink-runtime-1.14/0.13.2/iceberg-flink-runtime-1.14-0.13.2.jarnwget https://repository.cloudera.com/artifactory/cloudera-repos/org/apache/flink/flink-shaded-hadoop-3-uber/3.1.1.7.2.9.0-173-9.0/flink-shaded-hadoop-3-uber-3.1.1.7.2.9.0-173-9.0.jarn
1.2 系统架构
我们整理架构图如下
- 首先我们从Mysql数据中使用Flink 通过 Binlog完成数据的实时采集
- 然后再Flink 中创建 Iceberg 表，Iceberg的元数据保存在hive里
- 最后我们在Doris中创建Iceberg外表
- 在通过Doris 统一查询入口完成对Iceberg里的数据进行查询分析，供前端应用调用，这里iceberg外表的数据可以和Doris内部数据或者Doris其他外部数据源的数据进行关联查询分析
Doris湖仓一体的联邦查询架构如下：
- Doris 通过 ODBC 方式支持：MySQL，Postgresql，Oracle ，SQLServer
- 同时支持 Elasticsearch 外表
- 1.0版本支持Hive外表
- 1.1版本支持Iceberg外表
- 1.2版本支持Hudi 外表
2.环境安装部署
2.1 安装Hadoop、Hive
tar zxvf hadoop-3.3.3.tar.gzntar zxvf apache-hive-3.1.3-bin.tar.gzn
配置系统环境变量
export HADOOP_HOME=/data/hadoop-3.3.3nexport HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoopnexport HADOOP_HDFS_HOME=$HADOOP_HOMEnexport HIVE_HOME=/data/hive-3.1.3nexport PATH=$PATH:$HADOOP_HOME/bin:$HIVE_HOME/bin:$HIVE_HOME/confn
2.2 配置hdfs
2.2.1 core-site.xml
vi etc/hadoop/core-site.xml
<configuration>n <property>n <name>fs.defaultFS</name>n <value>hdfs://localhost:9000</value>n </property>n</configuration>n
2.2.2 hdfs-site.xml
vi etc/hadoop/hdfs-site.xml
<configuration>n <property>n <name>dfs.replication</name>n <value>1</value>n </property>n <property>n <name>dfs.namenode.name.dir</name>n <value>/data/hdfs/namenode</value>n </property>n <property>n <name>dfs.datanode.data.dir</name>n <value>/data/hdfs/datanode</value>n </property>n </configuration>n
2.2.3 修改Hadoop启动脚本
sbin/start-dfs.sh
sbin/stop-dfs.sh
在文件开始加上下面的内容
HDFS_DATANODE_USER=rootnHADOOP_SECURE_DN_USER=hdfsnHDFS_NAMENODE_USER=rootnHDFS_SECONDARYNAMENODE_USER=rootn
sbin/start-yarn.sh
sbin/stop-yarn.sh
在文件开始加上下面的内容
YARN_RESOURCEMANAGER_USER=rootnHADOOP_SECURE_DN_USER=yarnnYARN_NODEMANAGER_USER=rootn
2.3 配置yarn
这里我改变了Yarn的一些端口，因为我是单机环境和Doris 的一些端口冲突。你可以不启动yarn
vi etc/hadoop/yarn-site.xml
<property> n <name>yarn.resourcemanager.address</name> n <value>jiafeng-test:50056</value> n</property> n<property> n <name>yarn.resourcemanager.scheduler.address</name> n <value>jiafeng-test:50057</value> n</property> n<property> n <name>yarn.resourcemanager.resource-tracker.address</name> n <value>jiafeng-test:50058</value> n</property> n<property>n <name>yarn.resourcemanager.admin.address</name> n <value>jiafeng-test:50059</value> n</property> n<property>n <name>yarn.resourcemanager.webapp.address</name> n <value>jiafeng-test:9090</value> n</property> n<property> n <name>yarn.nodemanager.localizer.address</name>n <value>0.0.0.0:50060</value> n</property> n<property> n <name>yarn.nodemanager.webapp.address</name> n <value>0.0.0.0:50062</value> n</property>n
vi etc/hadoop/mapred-site.xm
<property> n <name>mapreduce.jobhistory.address</name> n <value>0.0.0.0:10020</value> n</property> n<property> n <name>mapreduce.jobhistory.webapp.address</name> n <value>0.0.0.0:19888</value> n</property> n<property> n <name>mapreduce.shuffle.port</name>n <value>50061</value> n</property>n
2.2.4 启动hadoop
sbin/start-all.shn
2.4 配置Hive
2.4.1 创建hdfs目录
hdfs dfs -mkdir -p /user/hive/warehousenhdfs dfs -mkdir /tmpnhdfs dfs -chmod g+w /user/hive/warehousenhdfs dfs -chmod g+w /tmpn
2.4.2 配置hive-site.xml
<?xml version="1.0"?>n<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>nn<configuration>n <property>n <name>javax.jdo.option.ConnectionURL</name>n <value>jdbc:mysql://localhost:3306/hive?createDatabaseIfNotExist=true</value>n </property>n <property>n <name>javax.jdo.option.ConnectionDriverName</name>n <value>com.mysql.jdbc.Driver</value>n </property>n <property>n <name>javax.jdo.option.ConnectionUserName</name>n <value>root</value>n </property>n <property>n <name>javax.jdo.option.ConnectionPassword</name>n <value>MyNewPass4!</value>n </property>n <property>n <name>hive.metastore.warehouse.dir</name>n <value>/user/hive/warehouse</value>n <description>location of default database for the warehouse</description>n </property>n <property>n <name>hive.metastore.uris</name>n <value/>n <description>Thrift URI for the remote metastore. Used by metastore client to connect to remote metastore.</description>n </property>n <property>n <name>javax.jdo.PersistenceManagerFactoryClass</name>n <value>org.datanucleus.api.jdo.JDOPersistenceManagerFactory</value>n </property>n <property>n <name>hive.metastore.schema.verification</name>n <value>false</value>n </property>n <property>n <name>datanucleus.schema.autoCreateAll</name>n <value>true</value>n </property>n</configuration>n
2.4.3 配置 hive-env.sh
加入以下内容
HADOOP_HOME=/data/hadoop-3.3.3n
2.4.4 hive元数据初始化
schematool -initSchema -dbType mysqln
2.4.5 启动hive metaservice
后台运行
nohup bin/hive --service metaservice 1>/dev/null 2>&1 &n
验证
lsof -i:9083nCOMMAND PID USER FD TYPE DEVICE SIZE/OFF NODE NAMEnjava 20700 root 567u IPv6 54605348 0t0 TCP *:emc-pp-mgmtsvc (LISTEN)n
2.5 安装MySQL
具体请参照这里：
使用 Flink CDC 实现 MySQL 数据实时入 Apache Doris
2.5.1 创建MySQL数据库表并初始化数据
CREATE DATABASE demo;nUSE demo;nCREATE TABLE userinfo (n id int NOT NULL AUTO_INCREMENT,n name VARCHAR(255) NOT NULL DEFAULT 'flink',n address VARCHAR(1024),n phone_number VARCHAR(512),n email VARCHAR(255),n PRIMARY KEY (`id`)n)ENGINE=InnoDB ;nINSERT INTO userinfo VALUES (10001,'user_110','Shanghai','13347420870', NULL);nINSERT INTO userinfo VALUES (10002,'user_111','xian','13347420870', NULL);nINSERT INTO userinfo VALUES (10003,'user_112','beijing','13347420870', NULL);nINSERT INTO userinfo VALUES (10004,'user_113','shenzheng','13347420870', NULL);nINSERT INTO userinfo VALUES (10005,'user_114','hangzhou','13347420870', NULL);nINSERT INTO userinfo VALUES (10006,'user_115','guizhou','13347420870', NULL);nINSERT INTO userinfo VALUES (10007,'user_116','chengdu','13347420870', NULL);nINSERT INTO userinfo VALUES (10008,'user_117','guangzhou','13347420870', NULL);nINSERT INTO userinfo VALUES (10009,'user_118','xian','13347420870', NULL);n
2.6 安装 Flink
tar zxvf flink-1.14.4-bin-scala_2.12.tgzn
然后需要将下面的依赖拷贝到Flink安装目录下的lib目录下，具体的依赖的lib文件如下：
下面将几个Hadoop和Flink里没有的依赖下载地址放在下面
wget https://repo1.maven.org/maven2/com/ververica/flink-sql-connector-mysql-cdc/2.2.1/flink-sql-connector-mysql-cdc-2.2.1.jarnwget https://repo1.maven.org/maven2/org/apache/thrift/libfb303/0.9.3/libfb303-0.9.3.jarnwget https://search.maven.org/remotecontent?filepath=org/apache/iceberg/iceberg-flink-runtime-1.14/0.13.2/iceberg-flink-runtime-1.14-0.13.2.jarnwget https://repository.cloudera.com/artifactory/cloudera-repos/org/apache/flink/flink-shaded-hadoop-3-uber/3.1.1.7.2.9.0-173-9.0/flink-shaded-hadoop-3-uber-3.1.1.7.2.9.0-173-9.0.jarn
其他的：
hadoop-3.3.3/share/hadoop/common/lib/commons-configuration2-2.1.1.jarnhadoop-3.3.3/share/hadoop/common/lib/commons-logging-1.1.3.jarnhadoop-3.3.3/share/hadoop/tools/lib/hadoop-archive-logs-3.3.3.jarnhadoop-3.3.3/share/hadoop/common/lib/hadoop-auth-3.3.3.jarnhadoop-3.3.3/share/hadoop/common/lib/hadoop-annotations-3.3.3.jarnhadoop-3.3.3/share/hadoop/common/hadoop-common-3.3.3.jarnadoop-3.3.3/share/hadoop/hdfs/hadoop-hdfs-3.3.3.jarnhadoop-3.3.3/share/hadoop/client/hadoop-client-api-3.3.3.jarnhive-3.1.3/lib/hive-exec-3.1.3.jarnhive-3.1.3/lib/hive-metastore-3.1.3.jarnhive-3.1.3/lib/hive-hcatalog-core-3.1.3.jarn
2.6.1 启动Flink
bin/start-cluster.shn
启动后的界面如下：
2.6.2 进入 Flink SQL Client
bin/sql-client.sh embedded n
开启 checkpoint，每隔3秒做一次 checkpoint
Checkpoint 默认是不开启的，我们需要开启 Checkpoint 来让 Iceberg 可以提交事务。 并且，mysql-cdc 在 binlog 读取阶段开始前，需要等待一个完整的 checkpoint 来避免 binlog 记录乱序的情况。
注意：
这里是演示环境，checkpoint的间隔设置比较短，线上使用，建议设置为3-5分钟一次checkpoint。
Flink SQL> SET execution.checkpointing.interval = 3s;n[INFO] Session property has been set.n
2.6.3 创建Iceberg Catalog
CREATE CATALOG hive_catalog WITH (n 'type'='iceberg',n 'catalog-type'='hive',n 'uri'='thrift://localhost:9083',n 'clients'='5',n 'property-version'='1',n 'warehouse'='hdfs://localhost:8020/user/hive/warehouse'n);n
查看catalog
Flink SQL> show catalogs;n+-----------------+n| catalog name |n+-----------------+n| default_catalog |n| hive_catalog |n+-----------------+n2 rows in setn
2.6.4 创建 Mysql CDC 表
CREATE TABLE user_source (n database_name STRING METADATA VIRTUAL,n table_name STRING METADATA VIRTUAL,n `id` DECIMAL(20, 0) NOT NULL,n name STRING,n address STRING,n phone_number STRING,n email STRING,n PRIMARY KEY (`id`) NOT ENFORCEDn ) WITH (n 'connector' = 'mysql-cdc',n 'hostname' = 'localhost',n 'port' = '3306',n 'username' = 'root',n 'password' = 'MyNewPass4!',n 'database-name' = 'demo',n 'table-name' = 'userinfo'n );n
查询CDC表:
select * from user_source;n
2.6.5 创建Iceberg表
---查看catalognshow catalogs;n---使用catalognuse catalog hive_catalog;n--创建数据库nCREATE DATABASE iceberg_hive; n--使用数据库nuse iceberg_hive;nn
2.6.5.1 创建表
CREATE TABLE all_users_info (n database_name STRING,n table_name STRING,n `id` DECIMAL(20, 0) NOT NULL,n name STRING,n address STRING,n phone_number STRING,n email STRING,n PRIMARY KEY (database_name, table_name, `id`) NOT ENFORCEDn ) WITH (n 'catalog-type'='hive'n );n
从CDC表里插入数据到Iceberg表里
use catalog default_catalog;nninsert into hive_catalog.iceberg_hive.all_users_info select * from user_source;n
在web界面可以看到任务的运行情况
然后停掉任务，我们去查询iceberg表
select * from hive_catalog.iceberg_hive.all_users_infon
可以看到下面的结果
我们去hdfs上可以看到hive目录下的数据及对应的元数据
我们也可以通过Hive建好Iceberg表，然后通过Flink将数据插入到表里
下载Iceberg Hive运行依赖
wget https://repo1.maven.org/maven2/org/apache/iceberg/iceberg-hive-runtime/0.13.2/iceberg-hive-runtime-0.13.2.jarn
在hive shell下执行：
SET engine.hive.enabled=true; nSET iceberg.engine.hive.enabled=true; nSET iceberg.mr.catalog=hive; n add jar /path/to/iiceberg-hive-runtime-0.13.2.jar;n
创建表
CREATE EXTERNAL TABLE iceberg_hive( n `id` int, n `name` string)nSTORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler' nLOCATION 'hdfs://localhost:8020/user/hive/warehouse/iceber_db/iceberg_hive'nTBLPROPERTIES (n 'iceberg.mr.catalog'='hadoop', n'iceberg.mr.catalog.hadoop.warehouse.location'='hdfs://localhost:8020/user/hive/warehouse/iceber_db/iceberg_hive'n ); n
然后再Flink SQL Client下执行下面语句将数据插入到Iceber表里
INSERT INTO hive_catalog.iceberg_hive.iceberg_hive values(2, 'c');nINSERT INTO hive_catalog.iceberg_hive.iceberg_hive values(3, 'zhangfeng');n
查询这个表
select * from hive_catalog.iceberg_hive.iceberg_hiven
可以看到下面的结果
3. Doris 查询 Iceberg
Apache Doris 提供了 Doris 直接访问 Iceberg 外部表的能力，外部表省去了繁琐的数据导入工作，并借助 Doris 本身的 OLAP 的能力来解决 Iceberg 表的数据分析问题：
- 支持 Iceberg 数据源接入Doris
- 支持 Doris 与 Iceberg 数据源中的表联合查询，进行更加复杂的分析操作
3.1安装Doris
这里我们不在详细讲解Doris的安装，如果你不知道怎么安装Doris请参照官方文档：快速入门
3.2 创建Iceberg外表
CREATE TABLE `all_users_info` nENGINE = ICEBERGnPROPERTIES (n"iceberg.database" = "iceberg_hive",n"iceberg.table" = "all_users_info",n"iceberg.hive.metastore.uris" = "thrift://localhost:9083",n"iceberg.catalog.type" = "HIVE_CATALOG"n);n
参数说明：
- ENGINE 需要指定为 ICEBERG
- PROPERTIES 属性：
- iceberg.hive.metastore.uris：Hive Metastore 服务地址
- iceberg.database：挂载 Iceberg 对应的数据库名
- iceberg.table：挂载 Iceberg 对应的表名，挂载 Iceberg database 时无需指定。
- iceberg.catalog.type：Iceberg 中使用的 catalog 方式，默认为 HIVE_CATALOG，当前仅支持该方式，后续会支持更多的 Iceberg catalog 接入方式。
mysql> CREATE TABLE `all_users_info`n -> ENGINE = ICEBERGn -> PROPERTIES (n -> "iceberg.database" = "iceberg_hive",n -> "iceberg.table" = "all_users_info",n -> "iceberg.hive.metastore.uris" = "thrift://localhost:9083",n -> "iceberg.catalog.type" = "HIVE_CATALOG"n -> );nQuery OK, 0 rows affected (0.23 sec)nnmysql> select * from all_users_info;n+---------------+------------+-------+----------+-----------+--------------+-------+n| database_name | table_name | id | name | address | phone_number | email |n+---------------+------------+-------+----------+-----------+--------------+-------+n| demo | userinfo | 10004 | user_113 | shenzheng | 13347420870 | NULL |n| demo | userinfo | 10005 | user_114 | hangzhou | 13347420870 | NULL |n| demo | userinfo | 10002 | user_111 | xian | 13347420870 | NULL |n| demo | userinfo | 10003 | user_112 | beijing | 13347420870 | NULL |n| demo | userinfo | 10001 | user_110 | Shanghai | 13347420870 | NULL |n| demo | userinfo | 10008 | user_117 | guangzhou | 13347420870 | NULL |n| demo | userinfo | 10009 | user_118 | xian | 13347420870 | NULL |n| demo | userinfo | 10006 | user_115 | guizhou | 13347420870 | NULL |n| demo | userinfo | 10007 | user_116 | chengdu | 13347420870 | NULL |n+---------------+------------+-------+----------+-----------+--------------+-------+n9 rows in set (0.18 sec)n
3.3 同步挂载
当 Iceberg 表 Schema 发生变更时，可以通过 REFRESH 命令手动同步，该命令会将 Doris 中的 Iceberg 外表删除重建。
-- 同步 Iceberg 表nREFRESH TABLE t_iceberg;nn-- 同步 Iceberg 数据库nREFRESH DATABASE iceberg_test_db;n
3.4 Doris 和 Iceberg 数据类型对应关系
支持的 Iceberg 列类型与 Doris 对应关系如下表：
ICEBERG
DORIS
描述
BOOLEAN
BOOLEAN
INTEGER
INT
LONG
BIGINT
FLOAT
FLOAT
DOUBLE
DOUBLE
DATE
DATE
TIMESTAMP
DATETIME
Timestamp 转成 Datetime 会损失精度
STRING
STRING
UUID
VARCHAR
使用 VARCHAR 来代替
DECIMAL
DECIMAL
TIME
-
不支持
FIXED
-
不支持
BINARY
-
不支持
STRUCT
-
不支持
LIST
-
不支持
MAP
-
不支持
3.5 注意事项
- Iceberg 表 Schema 变更不会自动同步，需要在 Doris 中通过 REFRESH 命令同步 Iceberg 外表或数据库。
- 当前默认支持的 Iceberg 版本为 0.12.0，0.13.x，未在其他版本进行测试。后续后支持更多版本。
3.6 Doris FE 配置
下面几个配置属于 Iceberg 外表系统级别的配置，可以通过修改 fe.conf 来配置，也可以通过 ADMIN SET CONFIG 来配置。
- iceberg_table_creation_strict_mode
- 创建 Iceberg 表默认开启 strict mode。 strict mode 是指对 Iceberg 表的列类型进行严格过滤，如果有 Doris 目前不支持的数据类型，则创建外表失败。
- iceberg_table_creation_interval_second
- 自动创建 Iceberg 表的后台任务执行间隔，默认为 10s。
- max_iceberg_table_creation_record_size
- Iceberg 表创建记录保留的最大值，默认为 2000. 仅针对创建 Iceberg 数据库记录。
4. 总结
这里Doris On Iceberg我们只演示了Iceberg单表的查询，你还可以联合Doris的表，或者其他的ODBC外表，Hive外表，ES外表等进行联合查询分析，通过Doris对外提供统一的查询分析入口。
自此我们完整从搭建Hadoop，hive、flink 、Mysql、Doris 及Doris On Iceberg的使用全部介绍完了，Doris朝着数据仓库和数据融合的架构演进，支持湖仓一体的联邦查询，给我们的开发带来更多的便利，更高效的开发，省去了很多数据同步的繁琐工作，快快来体验吧。
