import与抽取框架封装

CDH Hadoop体系目录:

CDH Hadoop连串目录:

Hadoop实战(3)_虚构机搭建CDH的全布满格局

Hadoop实战(3)_虚构机搭建CDH的全遍布情势

Hadoop实战(4)_Hadoop的集群管理和能源分配

Hadoop实战(4)_Hadoop的集群管理和财富分配

Hadoop实战(5)_Hadoop的运行资历

Hadoop实战(5)_Hadoop的运营经历

Hadoop实战(8)_CDH添加Hive服务及Hive基础

Hive类别布局

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

Hadoop实战(9)_Hive进阶及UDF开发

Hive内核构造

Complier:编译器,编译hql语法。

Optimizer:优化hql代码,发生最优实行安插。通过explain select
…查看实施安插。

Executor:实施最后转变的类(M索罗德job卡塔尔(قطر‎。

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,即从关全面据库import到HDFS上。

mysql的驱动包放到sqoop/lib下。

Hive客户接口

客商接口首要有多少个: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的法子接近。

WebGUI是透过浏览器访谈Hive,丢弃效率。

案例后生可畏: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

施行opt文件,无法传参,sqoop --options-file aa.opt-m,钦定map数,固然抽取的表数据量大,则调大map数。借使-m设置为5,5个线程,则在HDFS上发出5个公文。

把sqoop写到shell脚本的低价,可以传参数。

#!/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.

扩大参数,仿效

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

追加参数后的警报,

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选择cdhmaster,HiveServer2接收cdhslave1。使用嵌入式数据库测量试验连接跳过。

案例二:数据写Hive普通表(非分区表卡塔尔(قطر‎

# 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,钦命要写入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;

字符集不精确的话,大概报错。

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,增添hive服务跳过元数据库配置即那个驱动包恐怕会找不到。

案例三:写Hive分区表,so,salesorder

注意事项:

1、用什么样字段做分区?
成立时间,并非last_modify_time

Q:
用成立时间抽出至hive分区,订单状态变化周期是45天,订单状态变化后,hive数据怎样同步?

hive不援助update,每日抽出近15天的订单到Hive的个别分区里。Hive是做总括分析,平时最关注是即日的境况。

# 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:

  • 会在该客商HDFS的home目录下,产生三个与源表同名的目录,如/user/root/so
    生机勃勃旦sqoop import至hive成功,该目录会自动删掉。
  • 在实施的目录下爆发叁个java文件,即opt转变的M奥迪Q7 Job代码。
  • sqoop import中,无论hive表是何许列分隔符,均能够自行相配。

Sqoop收取框架封装:

  • 建二个mysql配置表,配置需求抽出的表及音讯;
  • Java读取mysql配置表,动态生成opt文件;
  • Java中推行Process类调本地系统命令—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,

先举办财富管理,Hive Metastore Server的Java酒店大小,200M。Hive
Server2的Java仓库大小,200M。

Hive Metastore数据库,选拔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数据库客商,root。Hive
Metastore数据库密码,123456。自动创设和晋升Hive
Metastore数据库结构,打勾。严苛的Hive Metastore布局验证,不打勾。

接下来运行Hive服务,观察Metastore
Server是不是能连上mysql(实例点进去查看剧中人物的日志卡塔尔国。倘诺连不上,就反省grant访谈mysql的权位。

[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,指标关周详据库。

表so1的datelast_modify_time修改为varchar

长间距元数据库

元数据库能够设置在此外节点上,客商端通过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 试行全数已铺排的表收取。

Flow etl -task 1

Flow etl -task 1 2017-01-01

  • 读取mysql的extract_to_hdfsextract_db_info,依照配置消息生成.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是走访mysql数据库的布置。

extract_db_info,收取的表来自的数据库的布置。

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

要是要在施行时发出日志,须要支付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,扩张布署--driver com.mysql.jdbc.Driver,重新包装上传。

学业能够对应做校订,如sh ./so.sh

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

Flow etl -task 1 $yestoday

您恐怕还想看

数码深入解析/数据开采/机器学习

Python数据开采与机械和工具学习_通信信用危害评估实战(1卡塔尔国——读数据

Python数据发掘与机械和工具学习_通讯信用风险评估实战(2卡塔尔(英语:State of Qatar)——数据预管理

Python数据发掘与机械和工具学习_通讯信用风险评估实战(3卡塔尔——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卡塔尔国——模型训练与调优

爬虫

Python爬虫实战之爬取链家布宜诺斯艾Liss房价_01回顾的单页爬虫

Python爬虫实战之爬取链家台北房价_02把小爬虫变大

Python爬虫实战之爬取链家华盛顿房价_03存储

Python爬虫实战之爬取链家利雅得房价_04链家的模拟登入(记录卡塔尔国

搜狗词库爬虫(1):基本功爬虫架构和爬取词库分类

搜狗词库爬虫(2):底工爬虫框架的运维流程


Wechat群众号「数据深入解析」,分享数据物法学家的笔者修养,既然遇见,比不上一齐成年人。

图片 1

数据拆解深入分析

转载请注解:转发自Wechat群众号「数据深入分析」


Hive命令

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


中间表,又称托管表,drop后数据错失。

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 '';

暗许分隔符,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,非数值型的整套能够用string

Cli

hive -e “select …”

hive -f aa.sql

hive -e -i -i的意义是加载最初化命令,比如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

关系DB的分区都以预先建好,日常都以因而有些字段的限量,比如date。

Hive的分区是写多少进去的时候自动建的,分区表insert时必需钦点分区。

把贰个文件入到Hive表有第22中学艺术:

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;

分区字段名不能和多如牛毛字段重复,分区字段用起来和普通字段没差距。

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、时辰分区卡塔尔?

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

  • 专门的学问种类,sqoop用于关系db和hive/hdfs导入导出。
  • 数据文件,hive load命令,用于加载网址客商作为数据。
  • 其余数据表,insert … select
  • 音讯中间件,比方kafka离线花费写HDFS。

Q:drop后的表面表在哪些职位?

A:外界表数据还未有去除,只是删除了表的元数据音讯,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官方文书档案:

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


您可能还想看

多少剖判/数据发现/机器学习

Python数据开掘与机械和工具学习_通讯信用危机评估实战(1卡塔尔——读数据

Python数据开采与机械和工具学习_通信信用危害评估实战(2卡塔尔(قطر‎——数据预管理

Python数据发掘与机械和工具学习_通讯信用风险评估实战(3卡塔尔(قطر‎——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卡塔尔——模型练习与调优

爬虫

Python爬虫实战之爬取链家圣地亚哥房价_01差不离的单页爬虫

Python爬虫实战之爬取链家都柏林房价_02把小爬虫变大

Python爬虫实战之爬取链家华盛顿房价_03存储

Python爬虫实战之爬取链家嘉义房价_04链家的依葫芦画瓢登入(记录卡塔尔(قطر‎

搜狗词库爬虫(1):功底爬虫架交涉爬取词库分类

搜狗词库爬虫(2):底蕴爬虫框架的运转流程


Wechat民众号「数据剖判」,分享数据科学家的自家修养,既然遇见,不及一起成长。

数量解析

转发请评释:转发自Wechat大伙儿号「数据解析」


相关文章

admin

网站地图xml地图