import ChangeLog from ‘../changelog/connector-file-hadoop.md’;

Hdfs文件

Hdfs文件 数据接收器

支持的引擎

Spark
Flink
SeaTunnel Zeta

主要特性

  • [x] 多模态

    使用二进制文件格式读取和写入任何格式的文件，例如视频、图片等。简而言之，任何文件都可以同步到目标位置。

  • [x] 精确一次

  • [x] 支持多表写入

    默认情况下，我们使用2PC提交来确保“精确一次”

  • [x] 文件格式类型

    • [x] 文本
    • [x] CSV
    • [x] Parquet
    • [x] ORC
    • [x] JSON
    • [x] Excel
    • [x] canal_json
    • [x] debezium_json
    • [x] maxwell_json

  • [x] 压缩编解码器

    • [x] lzo

描述

将数据输出到Hdfs文件

支持的数据源信息

数据源支持的版本
Hdfs文件hadoop 2.x 和 3.x

接收器选项

名称类型是否必须默认值描述
fs.defaultFSstring是-以 hdfs:// 开头的 Hadoop 集群地址，例如：hdfs://hadoopcluster
pathstring是-目标目录路径是必需的。
tmp_pathstring是/tmp/seatunnel结果文件将首先写入临时路径，然后使用 mv 命令将临时目录提交到目标目录。需要一个Hdfs路径。
hdfs_site_pathstring否-hdfs-site.xml 的路径，用于加载 namenodes 的 ha 配置。
custom_filenameboolean否false是否需要自定义文件名
file_name_expressionstring否“${transactionId}”仅在 custom_filename 为 true 时使用。file_name_expression 描述将创建到 path 中的文件表达式。我们可以在 file_name_expression 中添加变量 ${now} 或 ${uuid}，例如 test_${uuid}_${now}，${now} 表示当前时间，其格式可以通过指定选项 filename_time_format 来定义。请注意，如果 is_enable_transaction 为 true，我们将在文件头部自动添加 ${transactionId}_。
filename_time_formatstring否“yyyy.MM.dd”仅在 custom_filename 为 true 时使用。当 file_name_expression 参数中的格式为 xxxx-${now} 时，filename_time_format 可以指定路径的时间格式，默认值为 yyyy.MM.dd。常用的时间格式如下所示：[y:年,M:月,d:月中的一天,H:一天中的小时（0-23），m:小时中的分钟，s:分钟中的秒]
file_format_typestring否“csv”我们支持以下文件类型：text json csv orc parquet excel canal_json debezium_json maxwell_json。请注意，最终文件名将以文件格式的后缀结束，文本文件的后缀是 txt。
filename_extensionstring否-使用自定义的文件扩展名覆盖默认的文件扩展名。 例如：.xml, .json, dat, .customtype
field_delimiterstring否‘\001’仅在 file_format 为 text 时使用，数据行中列之间的分隔符。仅需要 text 文件格式。
row_delimiterstring否“\n”仅在 file_format 为 text 时使用，文件中行之间的分隔符。仅需要 text、csv、json 文件格式。
have_partitionboolean否false是否需要处理分区。
partition_byarray否-仅在 have_partition 为 true 时使用，根据选定的字段对数据进行分区。
partition_dir_expressionstring否“${k0}=${v0}/${k1}=${v1}/.../${kn}=${vn}/”仅在 have_partition 为 true 时使用，如果指定了 partition_by，我们将根据分区信息生成相应的分区目录，并将最终文件放置在分区目录中。默认 partition_dir_expression 为 ${k0}=${v0}/${k1}=${v1}/.../${kn}=${vn}/。k0 是第一个分区字段，v0 是第一个分区字段的值。
is_partition_field_write_in_fileboolean否false仅当 have_partition 为 true 时使用。如果 is_partition_field_write_in_file 为 true，则分区字段及其值将写入数据文件中。例如，如果要写入Hive数据文件，则其值应为 false。
sink_columnsarray否当此参数为空时，所有字段都是接收器列。需要写入文件的列，默认值是从 Transform 或 Source 获取的所有列。字段的顺序确定了实际写入文件时的顺序。
is_enable_transactionboolean否true如果 is_enable_transaction 为 true，则在将数据写入目标目录时，我们将确保数据不会丢失或重复。请注意，如果 is_enable_transaction 为 true，我们将在文件头部自动添加 ${transactionId}_。目前仅支持 true。
batch_sizeint否1000000文件中的最大行数。对于 SeaTunnel Engine，文件中的行数由 batch_size 和 checkpoint.interval 共同决定。如果 checkpoint.interval 的值足够大，则接收器写入器将在文件中写入行，直到文件中的行大于 batch_size。如果 checkpoint.interval 很小，则接收器写入器将在新检查点触发时创建一个新文件。
single_file_modeboolean否false每个并行度只会输出一个文件，当此参数开启时，batch_size就不会生效。输出的文件名没有文件块后缀。
create_empty_file_when_no_databoolean否false当上游没有数据同步时，依然生成对应的数据文件。
compress_codecstring否none文件的压缩编解码器及其支持的细节如下所示：[txt: lzo none，json: lzo none，csv: lzo none，orc: lzo snappy lz4 zlib none，parquet: lzo snappy lz4 gzip brotli zstd none]。提示：excel类型不支持任何压缩格式。
krb5_pathstring否/etc/krb5.confkerberos 的 krb5 路径
kerberos_principalstring否-kerberos 的主体
kerberos_keytab_pathstring否-kerberos 的 keytab 路径
compress_codecstring否none压缩编解码器
common-optionsobject否-接收器插件通用参数，请参阅 接收器通用选项 了解详情
csv_string_quote_modeenum否MINIMAL仅在文件格式为 CSV 时使用。
enable_header_writeboolean否false仅在 file_format_type 为 text,csv 时使用。
false:不写入表头,true:写入表头。
max_rows_in_memoryint否-仅当 file_format 为 excel 时使用。当文件格式为 Excel 时，可以缓存在内存中的最大数据项数。
sheet_namestring否Sheet${Random number}仅当 file_format 为 excel 时使用。将工作簿的表写入指定的表名
remote_userstring否-Hdfs的远端用户名。
merge_update_eventboolean否false仅当file_format_type为canal_json、debezium_json、maxwell_json.

提示

如果您使用 spark/flink，为了使用此连接器，您必须确保您的 spark/flink 集群已经集成了 hadoop。测试过的 hadoop 版本是 2.x。如果您使用 SeaTunnel Engine，则在下载和安装 SeaTunnel Engine 时会自动集成 hadoop jar。您可以检查 ${SEATUNNEL_HOME}/lib 下的 jar 包来确认这一点。

merge_update_event [boolean]

仅当file_format_type为canal_json、debezium_json、maxwell_json时使用. 设置成true,序列化数据时,UPDATE_AFTER 和 UPDATE_BEFORE 会合并成 UPDATE; 设置成false,序列化数据时,UPDATE_AFTER 和 UPDATE_BEFORE 不会合并;

任务示例

简单示例

此示例定义了一个 SeaTunnel 同步任务，通过 FakeSource 自动生成数据并将其发送到 Hdfs。

# 定义运行时环境
env {
  parallelism = 1
  job.mode = "BATCH"
}

source {
  # 这是一个示例源插件 **仅用于测试和演示功能源插件**
  FakeSource {
    parallelism = 1
    plugin_output = "fake"
    row.num = 16
    schema = {
      fields {
        c_map = "map<string, smallint>"
        c_array = "array<int>"
        c_string = string
        c_boolean = boolean
        c_tinyint = tinyint
        c_smallint = smallint
        c_int = int
        c_bigint = bigint
        c_float = float
        c_double = double
        c_decimal = "decimal(30, 8)"
        c_bytes = bytes
        c_date = date
        c_timestamp = timestamp
      }
    }
  }
  # 如果您想获取有关如何配置 seatunnel 的更多信息和查看完整的源端插件列表，
  # 请访问 https://seatunnel.apache.org/docs/connector-v2/source
}

transform {
  # 如果您想获取有关如何配置 seatunnel 的更多信息和查看完整的转换插件列表，
    # 请访问 https://seatunnel.apache.org/docs/transform-v2
}

sink {
    HdfsFile {
      fs.defaultFS = "hdfs://hadoopcluster"
      path = "/tmp/hive/warehouse/test2"
      file_format_type = "orc"
    }
  # 如果您想获取有关如何配置 seatunnel 的更多信息和查看完整的接收器插件列表，
  # 请访问 https://seatunnel.apache.org/docs/connector-v2/sink
}

orc 文件格式的简单配置

HdfsFile {
    fs.defaultFS = "hdfs://hadoopcluster"
    path = "/tmp/hive/warehouse/test2"
    file_format_type = "orc"
}

text 文件格式的配置，包括 have_partition、custom_filename 和 sink_columns

HdfsFile {
    fs.defaultFS = "hdfs://hadoopcluster"
    path = "/tmp/hive/warehouse/test2"
    file_format_type = "text"
    field_delimiter = "\t"
    row_delimiter = "\n"
    have_partition = true
    partition_by = ["age"]
    partition_dir_expression = "${k0}=${v0}"
    is_partition_field_write_in_file = true
    custom_filename = true
    file_name_expression = "${transactionId}_${now}"
    filename_time_format = "yyyy.MM.dd"
    sink_columns = ["name","age"]
    is_enable_transaction = true
}

parquet 文件格式的配置，包括 have_partition、custom_filename 和 sink_columns

HdfsFile {
    fs.defaultFS = "hdfs://hadoopcluster"
    path = "/tmp/hive/warehouse/test2"
    have_partition = true
    partition_by = ["age"]
    partition_dir_expression = "${k0}=${v0}"
    is_partition_field_write_in_file = true
    custom_filename = true
    file_name_expression = "${transactionId}_${now}"
    filename_time_format = "yyyy.MM.dd"
    file_format_type = "parquet"
    sink_columns = ["name","age"]
    is_enable_transaction = true
}

enable_header_write [boolean]

仅在 file_format_type 为 text,csv 时使用。false:不写入表头,true:写入表头。

csv_string_quote_mode [string]

当文件格式为 CSV 时，CSV 的字符串引号模式。

  • ALL：所有字符串字段都会加引号。
  • MINIMAL：仅为包含特殊字符（如字段分隔符、引号字符或行分隔符字符串中的任何字符）的字段加引号。
  • NONE：从不为字段加引号。当数据中包含分隔符时，输出会在前面加上转义字符。如果未设置转义字符，则格式验证会抛出异常。

kerberos 的简单配置

HdfsFile {
    fs.defaultFS = "hdfs://hadoopcluster"
    path = "/tmp/hive/warehouse/test2"
    hdfs_site_path = "/path/to/your/hdfs_site_path"
    kerberos_principal = "your_principal@EXAMPLE.COM"
    kerberos_keytab_path = "/path/to/your/keytab/file.keytab"
}

压缩的简单配置

HdfsFile {
    fs.defaultFS = "hdfs://hadoopcluster"
    path = "/tmp/hive/warehouse/test2"
    compress_codec = "lzo"
}

变更日志