​官网文档

地址：https://hudi.apache.org/cn/docs/querying_data#incremental-query

参数read.start-commit 增量查询开始时间 对于流读，如果不指定该值，默认取最新的instantTime，也就是流读默认从最新的instantTime开始读(包含最新的)。对于批读，如果不指定该参数，只指定read.end-commit，则实现时间旅行的功能，可查询历史记录read.end-commit 增量查询结束时间 不指定该参数则默认读取到最新的记录，该参数一般只适用于批读，因为流读一般的需求是查询所有的增量数据read.streaming.enabled 是否流读 默认falseread.streaming.check-interval  流读的检查时间间隔，单位秒（s）,默认值60，也就是一分钟查询范围 [BEGIN_INSTANTTIME,END_INSTANTTIME]，既包含开始时间又包含结束时间，对于默认值可参考上面的参数说明版本

建表造数：

Hudi 0.9.0Spark 2.4.5

我这里建表造数使用Hudi Spark SQL 0.9.0,目的是为了模拟项目上用Java Client和Spark SQL创建的Hudi表，以验证Hudi Flink SQL增量查询时是否兼容旧版本的Hudi表（大家没有这种需求的，可以使用任何方式正常造数）

查询

Hudi 0.13.0-SNAPSHOTFlink 1.14.3 （增量查询）Spark 3.1.2 （主要是为了使用Call Procedures命令查看commit信息）建表造数-- Spark SQL Hudi 0.9.0

create table hudi.test_flink_incremental (

id int,

name string,

price double,

ts long,

dt string

) using hudi

partitioned by (dt)

options (

primaryKey = id,

preCombineField = ts,

type = cow

);

insert into hudi.test_flink_incremental values (1,a1, 10, 1000, 2022-11-25);

insert into hudi.test_flink_incremental values (2,a2, 20, 2000, 2022-11-25);

update hudi.test_flink_incremental set name=hudi2_update where id = 2;

insert into hudi.test_flink_incremental values (3,a3, 30, 3000, 2022-11-26);

insert into hudi.test_flink_incremental values (4,a4, 40, 4000, 2022-12-26);

用show_commits看一下有哪些commits（这里查询用的是Hudi的master，因为show_commits是在0.11.0版本开始支持的，也可以通过使用hadoop命令查看.hoodie文件夹下的.commit文件）

call show_commits(table => hudi.test_flink_incremental);20221205152736

20221205152723

20221205152712

20221205152702

20221205152650Flink SQL创建Hudi内存表CREATE TABLE test_flink_incremental (

id int PRIMARY KEY NOT ENFORCED,

name VARCHAR(10),

price double,

ts bigint,

dt VARCHAR(10)

)

PARTITIONED BY (dt)

WITH (

connector = hudi,

path = hdfs://cluster1/warehouse/tablespace/managed/hive/hudi.db/test_flink_incremental

);

建表时不指定增量查询相关的参数，我们在查询时动态指定，这样比较灵活。动态指定参数方法，在查询语句后面加上如下形式的语句

/*+

options(

read.start-commit = 20221205152723,

read.end-commit=20221205152736

)

*/批读

Flink SQL读Hudi有两种模式：批读和流读。默认批读，先看一下批读的增量查询

验证是否包含起始时间和默认结束时间

select * from test_flink_incremental

/*+

options(

read.start-commit = 20221205152723 --起始时间对应id=3的记录

)

*/

结果包含起始时间，不指定结束时间默认读到最新的数据

id name price ts dt

4 a4 40.0 4000 dt=2022-12-26

3 a3 30.0 3000 dt=2022-11-26

验证是否包含结束时间

select * from test_flink_incremental

/*+

options(

read.start-commit = 20221205152712, --起始时间对应id=2的记录

read.end-commit=20221205152723 --结束时间对应id=3的记录

)

*/

结果包含结束时间

id name price ts dt

3 a3 30.0 3000 dt=2022-11-26

2 hudi2_update 20.0 2000 dt=2022-11-25

验证默认开始时间

这种情况是指定结束时间，但不指定开始时间，如果都不指定，则读表所有的最新版本的记录。

select * from test_flink_incremental

/*+

options(

read.end-commit=20221205152712 --结束时间对应id=2的更新记录

)

*/

结果：只查询end-commit对应的记录

id name price ts dt

2 hudi2_update 20.0 2000 dt=2022-11-25

时间旅行（查询历史记录）

验证是否可以查询历史记录，我们更新id为2的name，更新前name为a2，更新后为hudi2_update,我们验证一下，是否可以通过FlinkSQL查询Hudi历史记录,预期结果查出id=2，name=a2

select * from test_flink_incremental

/*+

options(

read.end-commit=20221205152702 --结束时间对应id=2的历史记录

)

*/

结果：可以正确查询历史记录

id name price ts dt

2 a2 20.0 2000 dt=2022-11-25流读

开启流读的参数：

read.streaming.enabled = true

流读不需要设置结束时间，因为一般的需求是读所有的增量数据，我们只需要验证开始时间就好了

验证默认开始时间

select * from test_flink_incremental

/*+

options(

read.streaming.enabled=true,

read.streaming.check-interval = 4

)

*/

结果：从最新的instantTime开始增量读取，也就是默认的read.start-commit为最新的instantTime

id name price ts dt

4 a4 40.0 4000 dt=2022-12-26

验证指定开始时间

select * from test_flink_incremental

/*+

options(

read.streaming.enabled=true,

read.streaming.check-interval = 4,

read.start-commit = 20221205152712

)

*/

结果：

id name price ts dt

2 hudi2_update 20.0 2000 dt=2022-11-25

3 a3 30.0 3000 dt=2022-11-26

4 a4 40.0 4000 dt=2022-11-26

如果想第一次查询全部的历史数据，可以将start-commit设置的早一点，比如设置到去年：read.start-commit = 20211205152712

select * from test_flink_incremental

/*+

options(

read.streaming.enabled=true,

read.streaming.check-interval = 4,

read.start-commit = 20211205152712

)

*/id name price ts dt

1 a1 10.0 1000 dt=2022-11-25

2 hudi2_update 20.0 2000 dt=2022-11-25

3 a3 30.0 3000 dt=2022-11-26

4 a4 40.0 4000 dt=2022-11-26

验证流读的连续性

验证新的增量数据进来，是否可以持续消费Hudi增量数据，验证数据的准确一致性，为了方便验证，我可以使用Flink SQL增量流读Hudi表然后Sink到MySQL表中，最后通过读取MySQL表中的数据验证数据的准确性

Flink SQL读写MySQL需要配置jar包，将flink-connector-jdbc_2.12-1.14.3.jar​放到lib​下即可,下载地址：https://repo1.maven.org/maven2/org/apache/flink/flink-connector-jdbc_2.12/1.14.3/flink-connector-jdbc_2.12-1.14.3.jar

先在MySQL中创建一张Sink表

-- MySQL

CREATE TABLE `test_sink` (

`id` int(11),

`name` text DEFAULT NULL,

`price` int(11),

`ts` int(11),

`dt` text DEFAULT NULL

) ENGINE=InnoDB DEFAULT CHARSET=utf8;

Flink中创建对应的sink表

create table test_sink (

id int,

name string,

price double,

ts bigint,

dt string

) with (

connector = jdbc,

url = jdbc:mysql://192.468.44.128:3306/hudi?useSSL=false&useUnicode=true&characterEncoding=UTF-8&characterSetResults=UTF-8,

username = root,

password = root-123,

table-name = test_sink,

sink.buffer-flush.max-rows = 1

);

然后流式增量读取Hudi表Sink Mysql

insert into test_sink

select * from test_flink_incremental

/*+

options(

read.streaming.enabled=true,

read.streaming.check-interval = 4,

read.start-commit = 20221205152712

)

*/

这样会起一个长任务，一直处于running状态，我们可以在yarn-session界面上验证这一点

然后先在MySQL中验证一下历史数据的准确性

再利用Spark SQL往source表插入两条数据

-- Spark SQL

insert into hudi.test_flink_incremental values (5,a5, 50, 5000, 2022-12-07);

insert into hudi.test_flink_incremental values (6,a6, 60, 6000, 2022-12-07);

我们增量读取的间隔设置的4s，成功插入数据等待4s后，再在MySQL表中验证一下数据

发现新增的数据已经成功Sink到MySQL中了，并且数据没有重复

最后验证一下更新的增量数据，Spark SQL更新Hudi source表

-- Spark SQL

update hudi.test_flink_incremental set name=hudi5_update where id = 5;

继续验证结果

结果是更新的增量数据也会insert到MySQL中的sink表，但是不会更新原来的数据

那如果想实现更新的效果呢？我们需要在MySQL和Flink的sink表中加上主键字段，两者缺一不可，如下：

-- MySQL

CREATE TABLE `test_sink` (

`id` int(11),

`name` text DEFAULT NULL,

`price` int(11),

`ts` int(11),

`dt` text DEFAULT NULL,

PRIMARY KEY (`id`)

) ENGINE=InnoDB DEFAULT CHARSET=utf8;-- Flink SQL

create table test_sink (

id int PRIMARY KEY NOT ENFORCED,

name string,

price double,

ts bigint,

dt string

) with (

connector = jdbc,

url = jdbc:mysql://192.468.44.128:3306/hudi?useSSL=false&useUnicode=true&characterEncoding=UTF-8&characterSetResults=UTF-8,

username = root,

password = root-123,

table-name = test_sink,

sink.buffer-flush.max-rows = 1

);

将刚才起的长任务关掉，重新执行刚才的insert语句，先跑一下历史数据，最后再验证一下增量效果

-- Spark SQL

update hudi.test_flink_incremental set name=hudi6_update where id = 6;

insert into hudi.test_flink_incremental values (7,a7, 70, 7000, 2022-12-07);

可以看到，达到了预期效果，对于id=6的执行更新操作，对于id=7的执行插入操作。