1.Hadoop3.3.5集成Hive4+Tez-0.10.2+iceberg踩坑过程
2.Flink深入浅出：JDBC Connector源码分析
3.安全方向开源项目
4.Hive MetaStore 的源码挑战及优化方案
5.spark sql源码系列 | with as 语句真的会把查询的数据存内存嘛？
Hadoop3.3.5集成Hive4+Tez-0.10.2+iceberg踩坑过程
在集成Hadoop 3.3.5、Hive 4、源码Tez 0..2以及Iceberg 1.3的源码过程中，我们面对了诸多挑战，源码并在多方寻找资料与测试后成功完成集成。源码以下为集成步骤的源码qt魔镜源码详细说明。
首先，源码确保Hadoop版本为3.3.5，源码这是源码Hive运行的前置需求。紧接着，源码安装Tez作为计算引擎。源码由于Tez 0..2的源码依赖版本为3.3.1，与当前的源码Hadoop版本不符，因此，源码我们需手动编译Tez以避免执行SELECT操作时出现的源码错误。编译前，下载官方发布的Tez源码（release-0..2），并解压以获取编译所需文件。编译过程中，注意更新pom.xml文件中的Hadoop版本号至3.3.5，同时配置protoc.path为解压后的protoc.exe路径，并添加Maven仓库源。确保只编译tez-0..2-minimal.tar.gz，避免不必要的编译耗时。完成后，将编译好的文件上传至HDFS，并在主节点hadoop配置目录下新增tez-site.xml，同步配置至所有节点后重启集群。夺宝最新源码
Hive作为基于Hadoop的数据仓库工具，提供SQL查询和数据分析能力，新版本Hive 4集成了Iceberg 1.3，无需额外配置。本次集成步骤包括下载、解压、配置环境变量及初始化元数据。下载最新的Hive 4.0.0-beta-1版本，解压并配置环境变量，删除指定jar文件以避免提示错误。修改配置文件以设置Hive环境变量，并确保连接信息正确。初始化Hive元数据后，可以使用hive执行文件启动Hive服务。编写hive_management.sh脚本以实现Hive服务的管理。
通过beeline命令进行连接，执行创建数据库和表的SQL语句，使用Hive进行数据插入和查询。值得注意的是，Hive 4.0.0-beta-1已集成Iceberg 1.3，因此无需额外加载jar包，只需将计算引擎设置为Tez。若需更新Iceberg版本，需下载Hive源码，修改依赖并编译特定包。
为了创建Iceberg分区表，使用熟悉的商品分类页面源码Hive命令语法，例如创建分区表时使用STORED BY ICEBERG。分区规范的语法也与Spark相似，可在HMS中获取Iceberg分区详细信息，并执行相应的数据转换操作。参考文档提供了从安装至配置的详细指导，确保了集成过程的顺利进行。
Flink深入浅出：JDBC Connector源码分析
大数据开发中，数据分析与报表制作是日常工作中最常遇到的任务。通常，我们通过读取Hive数据来进行计算，并将结果保存到数据库中，然后通过前端读取数据库来进行报表展示。然而，使用FlinkSQL可以简化这一过程，通过一个SQL语句即可完成整个ETL流程。
在Flink中，读取Hive数据并将数据写入数据库是常见的需求。本文将重点讲解数据如何写入数据库的过程，包括刷写数据库的机制和原理。
以下是本文将讲解的几个部分，以解答在使用过程中可能产生的疑问：
1. 表的定义
2. 定义的表如何找到具体的实现类（如何自定义第三方sink）
3. 写入数据的机制原理
（本篇基于1..0源码整理而成）
1. 表的定义
Flink官网提供了SQL中定义表的示例，以下以oracle为例：
定义好这样的表后，就可以使用insert into student执行插入操作了。接下来，我们将探讨其中的技术细节。
2. 如何找到实现类
实际上，这一过程涉及到之前分享过的优看影视源码SPI（服务提供者接口），即DriverManager去寻找Driver的过程。在Flink SQL执行时，会通过translate方法将SQL语句转换为对应的Operation，例如insert into xxx中的xxx会转换为CatalogSinkModifyOperation。这个操作会获取表的信息，从而得到Table对象。如果这个Table对象是CatalogTable，则会进入TableFactoryService.find()方法找到对应的实现类。
寻找实现类的过程就是SPI的过程。即通过查找路径下所有TableFactory.class的实现类，加载到内存中。这个SPI的定义位于resources下面的META-INFO下，定义接口以及实现类。
加载到内存后，首先判断是否是TableFactory的实现类，然后检查必要的参数是否满足（如果不满足会抛出异常，很多人在第一次使用Flink SQL注册表时，都会遇到NoMatchingTableFactoryException异常，其实都是因为配置的属性不全或者Jar报不满足找不到对应的TableFactory实现类造成的）。
找到对应的实现类后，调用对应的createTableSink方法就能创建具体的实现类了。
3. 工厂模式+创建者模式，创建TableSink
JDBCTableSourceSinkFactory是JDBC表的具体实现工厂，它实现了stream的sinkfactory。在1..0版本中，它不能在batch模式下使用，但在1.版本中据说会支持。宅豆的源码这个类使用了经典的工厂模式，其中createStreamTableSink负责创建真正的Table，基于创建者模式构建JDBCUpsertTableSink。
创建出TableSink之后，就可以使用Flink API，基于DataStream创建一个Sink，并配置对应的并行度。
4. 消费数据写入数据库
在消费数据的过程中，底层基于PreparedStatement进行批量提交。需要注意的是提交的时机和机制。
控制刷写触发的最大数量 'connector.write.flush.max-rows' = ''
控制定时刷写的时间 'connector.write.flush.interval' = '2s'
这两个条件先到先触发，这两个参数都是可以通过with()属性配置的。
JDBCUpsertFunction很简单，主要的工作是包装对应的Format，执行它的open和invoke方法。其中open负责开启连接，invoke方法负责消费每条数据提交。
接下来，我们来看看关键的format.open()方法：
接下来就是消费数据，执行提交了
AppendWriter很简单，只是对PreparedStatement的封装而已
5. 总结
通过研究代码，我们应该了解了以下关键问题：
1. JDBC Sink执行的机制，比如依赖哪些包？（flink-jdbc.jar，这个包提供了JDBCTableSinkFactory的实现）
2. 如何找到对应的实现？基于SPI服务发现，扫描接口实现类，通过属性过滤，最终确定对应的实现类。
3. 底层如何提交记录？目前只支持append模式，底层基于PreparedStatement的addbatch+executeBatch批量提交
4. 数据写入数据库的时机和机制？一方面定时任务定时刷新，另一方面数量超过限制也会触发刷新。
更多Flink内容参考：
安全方向开源项目
以下是一些在安全领域备受关注的开源项目，它们为安全事件响应提供强大支持和解决方案： 首先，ShoMon v2.0是一款专为TheHive设计的Golang开发工具，它旨在整合TheHive与Shodan的监控功能。TheHive是一个强大的四合一开源平台，包含TheHive本身、Cortex、TheHive4py（Python接口）和MISP，旨在简化安全事件的快速调查和响应过程，特别适合soc、csirt、cert等信息安全工作者使用。 其次，Velociraptor是一个独特的开源平台，专注于端点监测、数字取证和网络响应，为用户提供高级的网络安全监控和应对能力。 对于开源网络安全管理，OpenEDR是一个源代码公开的平台，允许研究人员共同参与产品和服务的开发。它不仅具备全面的终端安全响应系统（EDR）功能，而且以其复杂而高效的代码库著称，社区的贡献使其不断进化。 最后，flexiwan open SASE的roadmap展示了其未来规划，虽然具体细节未在文中详述，但可以预见它将在安全即服务（SASE）领域提供灵活且全面的解决方案。 这些开源项目展示了安全领域不断创新和合作的力量，为安全专业人士提供了强大的工具和资源，以应对日益复杂的网络安全挑战。Hive MetaStore 的挑战及优化方案
Hive，作为Apache Hadoop上的数据仓库工具，提供了强大的SQL查询能力，处理大规模数据。核心组件Hive MetaStore负责存储和管理Hive表、分区和数据库的元数据，如表名、列信息和存储位置。元数据的结构复杂，涉及多张关联表，如DBS、TBLS、PARTITIONS和SDS，用于细致管理。
然而，随着业务扩展，元数据量爆炸式增长，尤其是在互联网公司，Hive表的分区数可能达到百万甚至亿级，导致MetaStore和MySQL服务面临严峻挑战。查询延迟增加，并发请求过多时，MetaStore查询会阻塞，进而影响整个大数据查询性能。
针对这些挑战，有几种优化策略：首先，分库分表可以分散MetaStore的负载，但涉及到Hive源代码的大幅调整，风险和成本较高，且后期维护复杂。其次，读写分离通过创建只读MetaStore集群，降低主库压力，但无法根本解决数据量大的问题，快手等公司已实践。分布式数据库如TiDB，提供更好的扩展性和性能，但需注意兼容性和运维风险，VIVO和知乎已采用。MetaStore API的优化可以解决部分问题，但需要持续改进。WaggleDance和MetaStore Federation通过代理和路由技术，减少了元数据操作的复杂性，但可能带来配置管理和数据迁移的挑战，滴滴和腾讯已采用或类似方法。
总的来说，优化选择需权衡开发成本、运维难度、业务影响等因素，流量控制和降级也是应对高峰流量的辅助手段。在实际应用中，需要根据具体情况进行定制化解决方案，关注"大数据小百科"获取更多技术分享。
spark sql源码系列 | with as 语句真的会把查询的数据存内存嘛？
在探讨 Spark SQL 中 with...as 语句是否真的会把查询的数据存入内存之前，我们需要理清几个关键点。首先，网上诸多博客常常提及 with...as 语句会将数据存放于内存中，来提升性能。那么，实际情况究竟如何呢？
让我们以 hive-sql 的视角来解答这一问题。在 hive 中，有一个名为 `hive.optimize.cte.materialize.threshold` 的参数。默认情况下，其值为 -1，代表关闭。当值大于 0 时（如设置为 2），with...as 语句生成的表将在被引用次数达到设定值后物化，从而确保 with...as 语句仅执行一次，进而提高效率。
接下来，我们通过具体测试来验证上述结论。在不调整该参数的情况下，执行计划显示 test 表被读取了两次。此时，我们将参数调整为 `set hive.optimize.cte.materialize.threshold=1`，执行计划显示了 test 表被物化的情况，表明查询结果已被缓存。
转而观察 Spark SQL 端，我们并未发现相关优化参数。Spark 对 with...as 的操作相对较少，在源码层面，通过获取元数据时所做的参数判断（如阈值与 cte 引用次数），我们可以发现 Spark 在这个逻辑上并未提供明确的优化机制，来专门针对 with...as 语句进行高效管理。
综上所述，通过与 hive-sql 的对比以及深入源码分析，我们得出了 with...as 语句在 Spark SQL 中是否把数据存入内存的结论，答案并不是绝对的。关键在于是否通过参数调整来物化结果，以及 Spark 在自身框架层面并未提供特定优化策略来针对 with...as 语句进行内存管理。因此，正确使用 with...as 语句并结合具体业务场景，灵活调整优化参数策略，是实现性能提升的关键。
