hadoop - 基于时间的桶记录(kafka-hdfs-connector)

Question

我正在尝试使用 Confluent 平台提供的 kafka-hdfs-connector 将数据从 Kafka 复制到 Hive 表中。虽然我能够成功完成，但我想知道如何根据时间间隔对传入数据进行存储。例如，我希望每 5 分钟创建一个新分区。

我尝试使用 io.confluent.connect.hdfs.partitioner.TimeBasedPartitioner 和 partition.duration.ms 但我认为我做错了。我在 Hive 表中只看到一个分区，所有数据都进入该特定分区。像这样:

hive> show partitions test;
OK
partition
year=2016/month=03/day=15/hour=19/minute=03

并且所有 avro 对象都被复制到这个分区中。

相反，我想要这样的东西:

hive> show partitions test;
OK
partition
year=2016/month=03/day=15/hour=19/minute=03
year=2016/month=03/day=15/hour=19/minute=08
year=2016/month=03/day=15/hour=19/minute=13

最初连接器将创建路径 year=2016/month=03/day=15/hour=19/minute=03 并将在接下来的 5 天内继续将所有传入数据复制到此目录中分钟，在第 6 分钟开始时，它应该创建一个新路径，即 year=2016/month=03/day=15/hour=19/minute=08 并复制接下来 5 分钟的数据分钟进入此目录，依此类推。

这是我的配置文件的样子:

name=hdfs-sink
connector.class=io.confluent.connect.hdfs.HdfsSinkConnector
tasks.max=1
topics=test
hdfs.url=hdfs://localhost:9000
flush.size=3
partitioner.class=io.confluent.connect.hdfs.partitioner.TimeBasedPartitioner
partition.duration.ms=300000
path.format='year'=YYYY/'month'=MM/'day'=dd/'hour'=HH/'minute'=MM/
locale=en
timezone=GMT
logs.dir=/kafka-connect/logs
topics.dir=/kafka-connect/topics
hive.integration=true
hive.metastore.uris=thrift://localhost:9083
schema.compatibility=BACKWARD

如果有人能指出正确的方向，那将非常有帮助。如果需要，我很乐意分享更多详细信息。不想让这个问题看起来像一个永无止境的问题。

非常感谢!

Answer 1

你在 path.format 中的分钟字段是错误的:

path.format='year'=YYYY/'month'=MM/'day'=dd/'hour'=HH/'minute'=MM/

应该是:

path.format='year'=YYYY/'month'=MM/'day'=dd/'hour'=HH/'minute'=mm/