Flink 消费kafka ，写ORC文件

Mon, 22 Mar 2021 19:02:28 -0700 

【现状如下】

Flink Job消费kafka消息，每半个小时将消费到的消息进行一系列聚合操作（flink 窗口聚合），然后写入一个orc文件。
据了解，flink写orc的桶分配策略[1]，有两种：

一种是基于时间，即按时间为目录创建orc文件。[test/realtime/ : 为根目录]

test/realtime/
└── 2021-03-23--07
    ├── part-0-0.orc
    ├── part-0-1.orc
└── 2021-03-23--08
    ├── part-0-0.orc
    ├── part-0-1.orc

一种是将所有部分文件放在一个目录下：

test/realtime/
    ├── part-0-0.orc
    ├── part-0-1.orc
    ├── part-0-2.orc
    ├── part-0-3.orc

【问题】

最终需求是想按照partition将每半个小时的orc文件load到hive，hive表dt为分区字段，值为时间戳，如：

hive> show partitions table_demo;
OK
dt=1616455800000
dt=1616457600000
dt=1616459400000
dt=1616461200001
dt=1616463000001
Time taken: 0.134 seconds, Fetched: 5 row(s)

因此希望每个orc文件的所在目录名都是dt=`时间戳`的格式：

<http://apache-flink.147419.n8.nabble.com/file/t1162/dir.png> 

用flink实现这些功能后，发现这两种桶分配策略都不能实现上述需求。

不知如何实现？之前一直是自己写代码实现聚合、写orc的操作，目录文件名一切东西完全可控，现在用flink自带的功能实现，发现不太容易实现上述需求了

[1].https://ci.apache.org/projects/flink/flink-docs-release-1.12/zh/dev/connectors/file_sink.html#%E6%A1%B6%E5%88%86%E9%85%8D



-----
Thanks!
Jacob
--
Sent from: http://apache-flink.147419.n8.nabble.com/

回复