import与抽取框架封装

CDH Hadoop种类目录:

CDH Hadoop类别目录:

Hadoop实战(3)_设想机搭建CDH的全布满情势

Hadoop实战(3)_虚构机搭建CDH的全遍及方式

Hadoop实战(4)_Hadoop的集群众管理理和能源分配

Hadoop实战(4)_Hadoop的集群管理和财富分配

Hadoop实战(5)_Hadoop的运转经验

Hadoop实战(5)_Hadoop的运营经验

Hadoop实战(8)_CDH添加Hive服务及Hive基础

Hive种类布局

Hive有2个服务端守护进度:Hiveserver2:支撑JDBC访谈,Thrift服务。MetaStore
Server:支撑访谈元数据库的劳务。

Hadoop实战(9)_Hive进阶及UDF开发

Hive内核结构

Complier:编译器,编译hql语法。

Optimizer:优化hql代码,发生最优实行布置。通过explain select
…查看实施布署。

Executor:实行最终转化的类(M途乐job)。

Sqoop语法表明

Sqoop官方学习文书档案:

http://archive.cloudera.com/cdh5/cdh/5/sqoop-1.4.6-cdh5.9.0/

Sqoop import是相对于HDFS来说,即从关周详据库import到HDFS上。

mysql的驱动包放到sqoop/lib下。

Hive顾客接口

客商接口重要有四个:CLI, JDBC/ODBC和WebGUI。

CLI,即hive shell命令行,Command line。

JDBC/ODBC是Hive的JAVA,与使用守旧数据库JDBC的秘技邻近。

WebGUI是通过浏览器访谈Hive,舍弃成效。

案例一:把数量导入到HDFS上

/root/project
mkdir sqoop_prj
cd sqoop_prj/
mkdir DBS
cd DBS/
touch DBS.opt

hadoop fs -mkdir /user/hive/warehouse/DBS
which sqoop

实践opt文件,无法传参,sqoop --options-file aa.opt-m,钦点map数,假使收取的表数据量大,则调大map数。假若-m设置为5,5个线程,则在HDFS上爆发5个文本。

把sqoop写到shell脚本的补益,能够传参数。

#!/bin/sh
. /etc/profile

hadoop fs -rmr /user/hive/warehouse/DBS



sqoop import  --connect "jdbc:mysql://cdhmaster:3306/hive"    \
--username root                                                          \
--password 123456                                                        \
-m    1                                                             \
--table  DBS                                                           \
--columns   "DB_ID,DESC,DB_LOCATION_URI,NAME,OWNER_NAME,OWNER_TYPE"         \
--target-dir  "/user/hive/warehouse/DBS"    

#--where "length(DESC)>0"                                               \                               
#--null-string ''

bug,驱动难点

ERROR manager.SqlManager: Error reading from database: java.sql.SQLException: Streaming result set com.mysql.jdbc.RowDataDynamic@3c1a42fa is still active. No statements may be issued when any streaming result sets are open and in use on a given connection. Ensure that you have called .close() on any active streaming result sets before attempting more queries.
java.sql.SQLException: Streaming result set com.mysql.jdbc.RowDataDynamic@3c1a42fa is still active. No statements may be issued when any streaming result sets are open and in use on a given connection. Ensure that you have called .close() on any active streaming result sets before attempting more queries.

追加参数,参考

https://stackoverflow.com/questions/29162447/sqoop-import-issue-with-mysql

https://stackoverflow.com/questions/26375269/sqoop-error-manager-sqlmanager-error-reading-from-database-java-sql-sqlexcept

--driver com.mysql.jdbc.Driver

增添参数后的警戒,

WARN sqoop.ConnFactory: Parameter --driver is set to an explicit driver however appropriate connection manager is not being set (via --connection-manager). Sqoop is going to fall back to org.apache.sqoop.manager.GenericJdbcManager. Please specify explicitly which connection manager should be used next time.

bug,sql语法难点,

Error: java.io.IOException: SQLException in nextKeyValue

去掉关键词列DESC,参考,

https://community.cloudera.com/t5/Data-Ingestion-Integration/sqoop-throws-SQLException-in-nextKeyValue/m-p/42653

添加Hive服务

拉长期服用务-Hive,Gateway空,Hive Metastore
Server选拔cdhmaster,HiveServer2选用cdhslave1。使用嵌入式数据库测验连接跳过。

案例二:数据写Hive普通表(非分区表)

# mysql
create table test (id int, pdate date);
insert into test(id, pdate) values (1, '2017-11-05');
insert into test(id, pdate) values (2, '2017-11-06');
insert into test(id, pdate) values (3, '2017-11-05');
insert into test(id, pdate) values (4, '2017-11-06');

# hive
drop table if exists test;
create table test(id int, pdate string);

--hive-import,钦赐要写入hive表,该参数无value。

--hive-overwrite

--hive-table,test。

安装MySQL

yum list | grep mysql
yum install -y mysql-server
# 启动mysql服务
chkconfig --list | grep mysql
service mysqld start
chkconfig mysqld on
chkconfig --list | grep mysql
# 创建root管理员
mysqladmin -u root password 123456
# 登录mysql
mysql -u root -p
# 设置字符集,否则会造成转码问题
create database hive;
alter database hive character set latin1;
# 设置访问权限
GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY '123456' WITH GRANT OPTION;

字符集不正确的话,恐怕报错。

FAILED: Error in metadata: MetaException(message:Got exception: org.apache.thrift.transport.TTransportException null)
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask

MySQL驱动,把mysql的驱动mysql-connector-java-5.1.18-bin.jar放在/opt/cloudera/parcels/CDH/lib/hive/lib/下。

(可选)复制mysql-connector-java-5.1.18-bin.jar/usr/share/cmf/lib/,供cm分界面用,增多hive服务跳过元数据库配置即这些驱动包只怕会找不到。

案例三:写Hive分区表,so,salesorder

注意事项:

1、用什么样字段做分区?
创造时间,并非last_modify_time

Q:
用创立时间抽出至hive分区,订单状态变化周期是45天,订单状态变化后,hive数据怎么着联合?

hive不援助update,每日收取近15天的订单到Hive的各自分区里。Hive是做总结解析,平常最关注是前几日的情事。

# cdhmaster
cd ~
mysql -uroot -p123456 < so.sql
ERROR 1046 (3D000) at line 3: No database selected

vi so.sql
use test;

mysql -uroot -p123456 < so.sql

# hive
CREATE TABLE so (
  order_id bigint,
  user_id bigint,
  order_amt double ,
  last_modify_time string
) partitioned by (date string);

Sqoop执行后,注意:

  • 会在该顾客HDFS的home目录下,产生多个与源表同名的目录,如/user/root/so
    若果sqoop import至hive成功,该目录会自动删掉。
  • 在推行的目录下产生贰个java文件,即opt转化的M卡宴 Job代码。
  • sqoop import中,无论hive表是什么列分隔符,均能够自动相配。

Sqoop抽出框架封装:

  • 建贰个mysql配置表,配置供给抽取的表及消息;
  • Java读取mysql配置表,动态生成opt文件;
  • Java中施行Process类调当地系统命令—sqoop –options-file opt文件;

Sqoop-imp -task 1 “2015-04-21”

Sqoop-imp “2015-04-21”

Hive元数据库设置

进入cm的hive服务-配置中,

先进行财富管理,Hive Metastore Server的Java仓库大小,200M。Hive
Server2的Java货仓大小,200M。

Hive Metastore数据库,采用MySQL。Hive Metastore数据库名称,hive。Hive
Metastore数据库主机,cdhmaster。Hive Metastore数据库端口,3306。Hive
Metastore数据库客户,root。Hive
Metastore数据库密码,123456。自动创建和进级换代Hive
Metastore数据库架构,打勾。严酷的Hive Metastore架构验证,不打勾。

接下来运维Hive服务,观望Metastore
Server是还是不是能连上mysql(实例点进去查看角色的日记)。若是连不上,就反省grant访问mysql的权限。

[main]: Failed initialising database.
Unable to open a test connection to the given database. JDBC url = jdbc:mysql://cdhmaster:3306/hive?useUnicode=true&characterEncoding=UTF-8, username = root. Terminating connection pool (set lazyInit to true if you expect to start your database after your app). Original Exception: ------
java.sql.SQLException: Access denied for user 'root'@'cdhmaster' (using password: YES)

GRANT ALL PRIVILEGES ON *.* TO 'root'@'cdhmaster' IDENTIFIED BY '123456' WITH GRANT OPTION;

Sqoop export

# mysql test
create table so1 as 
select * from so where 1=0;

源头必需是HDFS/Hive,目的关周到据库。

表so1的datelast_modify_time修改为varchar

远程元数据库

元数据库能够安装在别的节点上,顾客端通过MetaStoreServer服务会见元数据库。

(Meta Store Client/Hive CLI)-MetaStore Server(thrift)-MySQL Server

属性 默认值
hive.metastore.local true false
hive.metastore.uris 如thrift://192.168.1.110:9083

Sqoop工具打包

Flow etl 施行全部已安排的表抽取。

Flow etl -task 1

Flow etl -task 1 2017-01-01

  • 读取mysql的extract_to_hdfsextract_db_info,依照安插音信生成.opt文件。
  • 通过Java的Process类调Linux命令:sqoop --options-file opt文件

idea打包Flow.jar,'D:/Java/idea/IdeaProjects/Hive_Prj/src/META-INF/MANIFEST.MF' already exists in VFS,删掉文件夹META-INF

db.properties是访问mysql数据库的布署。

extract_db_info,收取的表来自的数据库的配置。

Flow.jar上传至/root/project/lib

/root/project/bin,创建Flow命令。

配置FLOW_HOME

vi /etc/profile

export FLOW_HOME=/root/project

source /etc/profile

配置db.properties

# FLOW_HOME
mkdir conf

vi db.properties

db.driver=com.mysql.jdbc.Driver
db.url=jdbc:mysql://cdhmaster:3306/test
db.user=root
db.password=123456

配置sqoop option目录sqoop/opts

# FLOW_HOME
mkdir -p sqoop/opts

比如要在实施时发出日志,要求支付jar时配置log4j。

ERROR manager.SqlManager: Error reading from database: java.sql.SQLException: Streaming result set com.mysql.jdbc.RowDataDynamic@310d117d is still active. No statements may be issued when any streaming result sets are open and in use on a given connection. Ensure that you have called .close() on any active streaming result sets before attempting more queries.
java.sql.SQLException: Streaming result set com.mysql.jdbc.RowDataDynamic@310d117d is still active. No statements may be issued when any streaming result sets are open and in use on a given connection. Ensure that you have called .close() on any active streaming result sets before attempting more queries.

HDFSExtract.java,扩充安排--driver com.mysql.jdbc.Driver,重新包装上传。

学业能够对应做修改,如sh ./so.sh

# /root/project/sqoop_prj/DBS
vi so.sh

Flow etl -task 1 $yestoday

您可能还想看

数量分析/数据开掘/机器学习

Python数据开掘与机械和工具学习_通讯信用风险评估实战(1)——读数据

Python数据开采与机具学习_通讯信用危害评估实战(2)——数据预处理

Python数据发掘与机械和工具学习_通信信用风险评估实战(3)——特征工程

Python数据发现与机械和工具学习_通讯信用风险评估实战(4)——模型磨炼与调优

爬虫

Python爬虫实战之爬取链家华盛顿房价_01简练的单页爬虫

Python爬虫实战之爬取链家斯德哥尔摩房价_02把小爬虫变大

Python爬虫实战之爬取链家苏黎世房价_03存储

Python爬虫实战之爬取链家苏黎世房价_04链家的效仿登陆(记录)

搜狗词库爬虫(1):基础爬虫架议和爬取词库分类

搜狗词库爬虫(2):基础爬虫框架的运维流程


微信大伙儿号「数据深入分析」,分享数据地文学家的自个儿修养,既然遇见,不比一同成年人。

图片 1

数据剖析

转载请评释:转发自微信公众号「数据分析」


Hive命令

show databases;
use default;
create table test(id int, name string);
desc test;


其间表,又称托管表,drop后数据遗失。

外表表:create external table tableName,drop表时数据不会去除。

alter table set location '';
alter table add partition(date='') location '';

暗中认可分隔符,列为\001,行为\n。

create external table page_view_stg
(userid bigint,
 url string,
 ip string comment 'IP Address of the User')
row format delimited fields terminated by '\t'
partitioned by (ds string, type string)
lines terminated by '\n'
stored as textfile
location '/user/hive/external/city';

字段类型

  • int
  • bigint,长整型
  • double,金额类
  • string,字符串,日期,非数值型的全方位能够用string

Cli

hive -e “select …”

hive -f aa.sql

hive -e -i -i的效劳是加载开端化命令,比方UDF

create database dw location '/user/hive/dw';

FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. MetaException(message:Got exception: org.apache.hadoop.security.AccessControlException Permission denied: user=root, access=WRITE, inode="/user/hive":hive:hive:drwxrwxr-t

消除办法,用hdfs帐户试行

su - hdfs
hadoop fs -chmod 777 /user/hive

hive
use dw;
create table aa(name string);

分区

涉嫌DB的分区都是预先建好,一般都是透过有个别字段的限量,比方date。

Hive的分区是写多少进去的时候自动建的,分区表insert时必需内定分区。

把一个文件入到Hive表有第22中学方法:

方式1:通过load命令

方式2:首先hadoop fs -put至HDFS,然后alter location。

Hive的insert有2种,insert overwrite(覆盖),insert into(追加)。

create table track_log (
id                         string ,
url                        string ,
referer                    string ,
keyword                    string ,
type                       string ,
guid                       string ,
pageId                     string ,
moduleId                   string ,
linkId                     string ,
attachedInfo               string ,
sessionId                  string ,
trackerU                   string ,
trackerType                string ,
ip                         string ,
trackerSrc                 string ,
cookie                     string ,
orderCode                  string ,
trackTime                  string ,
endUserId                  string ,
firstLink                  string ,
sessionViewNo              string ,
productId                  string ,
curMerchantId              string ,
provinceId                 string ,
cityId                     string )  
PARTITIONED BY (date string,hour string)  
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

hive -e "LOAD DATA LOCAL INPATH '/root/data/2015082818' OVERWRITE INTO TABLE track_log PARTITION (date='2015-08-28',hour='18');"

hive -e "LOAD DATA LOCAL INPATH '/root/data/2015082819' OVERWRITE INTO TABLE track_log PARTITION (date='2015-08-28',hour='19');"

select date,count(url) as pv, count(distinct guid) as uv from track_log where date='2015-08-28' group by date;

分区字段名不能和一般字段重复,分区字段用起来和平时字段没分化。

动态分区

表1是日期分区,供给把表1中多少写入表2(日期、时辰分区)?

insert overwrite table table2 partition(date='', hour='00') 
select 
from table1 
 where hour(time)=0;

create table rpt_visit_daily_hour 
(
    pv bigint,
    uv bigint
) partitioned by (date string, hour string);

insert overwrite table rpt_visit_daily_hour partition (date='2015-08-28', hour) 
select count(url) as pv, 
count(distinct guid) as uv, 
hour 
from track_log 
where date='2015-08-28' group by date,hour;

Hive表数据的来自

  • 工作系统,sqoop用于关系db和hive/hdfs导入导出。
  • 数据文件,hive load命令,用于加载网址客户作为数据。
  • 任何数据表,insert … select
  • 音讯中间件,比方kafka离线花费写HDFS。

Q:drop后的外表表在怎样岗位?

A:外界表数据未有删除,只是删除了表的元数据消息,手工业把HDFS目录映射到hive表分区:
hive -e “alter table tt add partition (date=”,hour=”) location
‘/user/hive/warehouse/track_log/date=2015-08-28/hour=18′”

Hive官方文档:

https://cwiki.apache.org/confluence/display/Hive/Tutorial


您恐怕还想看

数码剖判/数据发现/机器学习

Python数据发现与机械和工具学习_通讯信用风险评估实战(1)——读数据

Python数据开采与机械和工具学习_通讯信用风险评估实战(2)——数据预管理

Python数据发现与机械和工具学习_通讯信用风险评估实战(3)——特征工程

Python数据发掘与机械和工具学习_通讯信用风险评估实战(4)——模型磨练与调优

爬虫

Python爬虫实战之爬取链家新德里房价_01简便的单页爬虫

Python爬虫实战之爬取链家新德里房价_02把小爬虫变大

Python爬虫实战之爬取链家新德里房价_03存储

Python爬虫实战之爬取链家新德里房价_04链家的效仿登入(记录)

搜狗词库爬虫(1):基础爬虫架商谈爬取词库分类

搜狗词库爬虫(2):基础爬虫框架的周转流程


微信公众号「数据分析」,分享数据地艺术学家的自作者修养,既然遇见,不比一同成长。

多少分析

转发请评释:转发自微教徒人号「数据深入分析」


相关文章

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图