MySQL 数据同步至 S3file,并接入 Hive 访问:SeaTunnel 实践指南

作者 | 番兄

如何借助 Apache SeaTunnel 将 MySQL 数据高效同步至 S3file?本文详述的步骤已全部通过测试验证,适用于构建基于对象存储的数据中台场景,具备部署灵活、扩展性强等优势,对有 MySQL 到 S3 数据集成需求的用户具有较高的参考价值,点赞、收藏学习吧!

第一步:创建Hive表

sql 复制代码
CREATE EXTERNAL TABLE ods_ekp.`ods_sys_notify_todo_bak` (
  `fd_id` STRING,
  `fd_app_name` STRING,
  `fd_model_name` STRING,
  `fd_model_id` STRING,
  `fd_key` STRING,
  `fd_parameter1` STRING,
  `fd_parameter2` STRING,
  `fd_create_time` TIMESTAMP,
  `fd_subject` STRING,
  `fd_type` INT,
  `fd_link` STRING,
  `fd_mobile_link` STRING,
  `fd_pad_link` STRING,
  `fd_bundle` STRING,
  `fd_replace_text` STRING,
  `fd_md5` STRING,
  `fd_del_flag` STRING,
  `fd_level` INT,
  `doc_creator_id` STRING,
  `fd_extend_content` STRING,
  `fd_lang` STRING,
  `fd_cate_name` STRING,
  `fd_cate_id` STRING,
  `fd_template_name` STRING,
  `fd_template_id` STRING,
  `fd_hierarchy_id` STRING
)
COMMENT 'sys_notify_todo_bak data'
PARTITIONED BY (
  `dctime` STRING COMMENT '分区年月日'
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\001'
STORED AS PARQUET
LOCATION 's3a://seatunnel/doris/warehouse/ods_ekp/ods_sys_notify_todo_bak'
TBLPROPERTIES (
  'parquet.compression'='ZSTD'
);

注意:

  1. ROW FORMAT DELIMITED FIELDS TERMINATED BY '\001' 这个分隔符设置需要在后面SeaTunnel里面配置一样的,不然格式错误;
  2. 'parquet.compression'='ZSTD' 压缩算法也是需要在后面SeaTunnel里面配置一样的;
  3. STORED AS PARQUET parquet文件格式,也是需要在后面SeaTunnel里面配置一样的.

是用之前把注释删除

json 复制代码
env {
  job.mode = "BATCH"
  parallelism = 2
}

source {
    Jdbc {
        url = "jdbc:mysql://[服务器ip]:3306/[数据库]?serverTimezone=GMT%2b8&useUnicode=true&characterEncoding=UTF-8&rewriteBatchedStatements=true"
		driver = "com.mysql.cj.jdbc.Driver"
		user = "[账户]"
		password = "[密码]",
        # dctime要转换成字符串,因为hive建表的时候,这个字段是字符串;分区字段也要加到查询里面,后面SeaTunnel sink的时候会自动处理
		query = "select fd_id, fd_app_name, fd_model_name, fd_model_id, fd_key, fd_parameter1, fd_parameter2, fd_create_time, fd_subject, fd_type, fd_link, fd_mobile_link, fd_pad_link, fd_bundle, fd_replace_text, fd_md5, fd_del_flag, fd_level, doc_creator_id, fd_extend_content, fd_lang, fd_cate_name, fd_cate_id, fd_template_name, fd_template_id, fd_hierarchy_id, cast(date_format(fd_create_time, '%Y-%m-%d') as char) as dctime from sys_notify_todo_bak 
	  }
}

transform {
}

sink {
    S3File {
      bucket = "s3a://seatunnel"
      fs.s3a.endpoint = "[minio服务器域名/ip]:9000"
      access_key = "[账户]"
      secret_key = "[密码]"
      fs.s3a.aws.credentials.provider="org.apache.hadoop.fs.s3a.SimpleAWSCredentialsProvider"
      # 目录地址
      path = "/doris/warehouse/ods_ekp/ods_sys_notify_todo_bak"
      tmp_path = "/data/tmp/seatunnel"
      # 必须填写的不然会出现问题,因为本人的minio没有做ssl处理,所以要这么设置
      hadoop_s3_properties {
        "fs.s3a.connection.ssl.enabled" = "false"
        "fs.s3a.path.style.access" = "true"
      }
      # parquet文件格式
      file_format_type = "parquet"
      # 必须用\\代表\
      field_delimiter = "\\001"
      # parquet格式必须要加,否则会出问题
      parquet_avro_write_timestamp_as_int96 = true
      # 压缩算法
      compress_codec = "zstd"
      have_partition = true
      partition_by = ["dctime"]
      partition_dir_expression = "${k0}=${v0}"
      is_partition_field_write_in_file = false
      schema_save_mode = "CREATE_SCHEMA_WHEN_NOT_EXIST"
      data_save_mode="APPEND_DATA"
      custom_filename = true
      file_name_expression = "${transactionId}_${now}"
      filename_time_format = "yyyy.MM.dd"
  }
}

第二步:执行SeaTunnel同步,并在Hive查询里执行下列操作

sql 复制代码
-- 刷新物理目录分析
MSCK REPAIR TABLE ods_ekp.ods_sys_notify_todo_bak;

-- 查询hive表确认是否有数据
SELECT * from ods_ekp.ods_sys_notify_todo_bak limit 100;

第三步:创建Doris Hive catalog外部库

sql 复制代码
CREATE CATALOG hive PROPERTIES (
    'type'='hms',
    'hive.metastore.uris' = 'thrift://[hive metastore server的ip]:9083',
    "s3.endpoint" = "http://[minio服务器域名/ip]:9000",
    "s3.region" = "us-east-1",
    "s3.access_key" = "[账户]",
    "s3.secret_key" = "[密码]",
    "s3.connection.ssl.enabled" = "false",
    "use_path_style" = "true",
    "hive.version" = '2.1.1'
);

REFRESH CATALOG hive;

show databases from hive;

SELECT * from hive.ods_ekp.ods_sys_notify_todo_bak limit 100

说明:

  1. 因为本人用的CDH6.3.2版本,Hive是2.1.1版本,所以建立catalog的时候,需要指定"hive.version" = '2.1.1'
  2. 因为本人设置的minio没有ssl,所以配置的时候需要加上"s3.connection.ssl.enabled" = "false"
  3. Minio用的是path风格,所以需要配置"use_path_style" = "true"
  4. SeaTunnel版本: 2.3.11
  5. Doris版本:2.0.15
相关推荐
字节跳动数据平台21 小时前
5000 字技术向拆解 | 火山引擎多模态数据湖如何释放模思智能的算法生产力
大数据
随风飘的云1 天前
mysql的innodb引擎对可重复读做了那些优化,可以避免幻读
mysql
卡尔AI工坊1 天前
2026年3月,我实操后最推荐的3个AI开源项目
人工智能·开源·ai编程
武子康1 天前
大数据-239 离线数仓 - 广告业务实战:Flume 导入日志到 HDFS,并完成 Hive ODS/DWD 分层加载
大数据·后端·apache hive
Jahzo2 天前
openclaw本地化部署体验与踩坑记录--飞书机器人配置
人工智能·开源
Jahzo2 天前
openclaw本地化部署体验与踩坑记录--windows
开源·全栈
字节跳动数据平台2 天前
代码量减少 70%、GPU 利用率达 95%:火山引擎多模态数据湖如何释放模思智能的算法生产力
大数据
得物技术2 天前
深入剖析Spark UI界面:参数与界面详解|得物技术
大数据·后端·spark
冬奇Lab2 天前
一天一个开源项目(第39篇):PandaWiki - AI 驱动的开源知识库搭建系统
人工智能·开源·资讯
武子康2 天前
大数据-238 离线数仓 - 广告业务 Hive分析实战:ADS 点击率、购买率与 Top100 排名避坑
大数据·后端·apache hive