import与抽出框架封装

CDH Hadoop类别目录:

CDH Hadoop体系目录:

Hadoop实战(3)_虚拟机搭建CDH的全布满形式

Hadoop实战(3)_虚构机搭建CDH的全遍及形式

Hadoop实战(4)_Hadoop的集群管理和能源分配

Hadoop实战(4)_Hadoop的集群处理和财富分配

Hadoop实战(5)_Hadoop的运行经验

Hadoop实战(5)_Hadoop的运行经验

Hadoop实战(8)_CDH添加Hive服务及Hive基础

Hive种类布局

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

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,发生最优施行安排。通过explain select
…查看推行安插。

Executor:实践最终转变的类(M昂Corajob)。

Sqoop语法表达

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客商接口

用户接口首要有多个:CLI, JDBC/ODBC和WebGUI。

CLI,即hive shell命令行,Command line。

JDBC/ODBC是Hive的JAVA,与利用守旧数据库JDBC的秘诀临近。

WebGUI是由此浏览器访谈Hive,甩掉成效。

案例大器晚成:把多少导入到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

举办opt文件,无法传参,sqoop --options-file aa.opt-m,内定map数,借使抽出的表数据量大,则调大map数。若是-m设置为5,5个线程,则在HDFS上发生5个文件。

把sqoop写到shell脚本的好处,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,驱动难题

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.

充实参数,参照他事他说加以考察

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

日增参数后的警示,

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

加上服务-Hive,Gateway空,Hive Metastore
Server选取cdhmaster,HiveServer2选取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,钦定要写入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;

字符集不得法的话,也许报错。

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,加多hive服务跳过元数据库配置即那几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?
始建时间,实际不是last_modify_time

Q:
用创造时间收取至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不帮助update,每一日抽取近15天的订单到Hive的各自分区里。Hive是做总括分析,平常最关怀是前几日的事态。

# 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,产生八个与源表同名的目录,如/user/root/so
    只要sqoop import至hive成功,该目录会自动删掉。
  • 在实践的目录下爆发三个java文件,即opt转变的MXC60 Job代码。
  • sqoop import中,无论hive表是怎么着列分隔符,均能够自行相配。

Sqoop收取框架封装:

  • 建八个mysql配置表,配置要求抽出的表及新闻;
  • Java读取mysql配置表,动态生成opt文件;
  • Java中实施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,

先实行财富管理,Hive Metastore Server的Java货仓大小,200M。Hive
Server2的Java货仓大小,200M。

Hive Metastore数据库,选择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。自动创设和提高Hive
Metastore数据库架构,打勾。严酷的Hive Metastore架构验证,不打勾。

然后运行Hive服务,观看Metastore
Server是或不是能连上mysql(实例点进去查看剧中人物的日志)。假使连不上,就反省grant访谈mysql的权杖。

[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;

根源必需是HDFS/Hive,指标关全面据库。

表so1的datelast_modify_time修改为varchar

长途元数据库

元数据库能够安装在任何节点上,顾客端通过MetaStoreServer服务寻访元数据库。

(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 实行全部已布置的表抽出。

Flow etl -task 1

Flow etl -task 1 2017-01-01

  • 读取mysql的extract_to_hdfsextract_db_info,依照计划消息生成.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是探问mysql数据库的布局。

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

生机勃勃旦要在实行时发出生之日志,须求支出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,扩展计划--driver com.mysql.jdbc.Driver,重新打包上传。

作业能够对应做修改,如sh ./so.sh

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

Flow etl -task 1 $yestoday

您可能还想看

数码深入分析/数据开采/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数据开掘与机械和工具学习_通讯信用危害评估实战(2)——数据预管理

Python数据开掘与机械和工具学习_通讯信用危机评估实战(3)——特征工程

Python数据开采与机械和工具学习_通讯信用风险评估实战(4)——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简短的单页爬虫

Python爬虫实战之爬取链家华盛顿房价_02把小爬虫变大

Python爬虫实战之爬取链家台南房价_03存储

Python爬虫实战之爬取链家利雅得房价_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):基础爬虫框架的周转流程


微教徒人号「数据深入分析」,分享数据物教育学家的笔者修养,既然遇见,比不上一齐中年人。

图片 1

多少分析

转发请申明:转发自微信民众号「数据解析」


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表时数据不会删除。

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,非数值型的全体能够用string

Cli

hive -e “select …”

hive -f aa.sql

hive -e -i -i的功力是加载发轫化命令,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

化解办法,用hdfs帐户施行

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

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

分区

波及DB的分区都以事先建好,平日都以通过有些字段的界定,比方date。

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

把两个文本入到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;

分区字段名无法和常见字段重复,分区字段用起来和普通字段没分别。

动态分区

表1是日期分区,须求把表第11中学数量写入表2(日期、小时分区)?

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表数据的根源

  • 业务系统,sqoop用于关系db和hive/hdfs导入导出。
  • 数据文件,hive load命令,用于加载网站客商作为数据。
  • 另外数据表,insert … select
  • 新闻中间件,举例kafka离线成本写HDFS。

Q:drop后的外表表在如何岗位?

A:外界表数据尚未去除,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官方文书档案:

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


你恐怕还想看

数量深入分析/数据开掘/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数据发现与机械和工具学习_通讯信用风险评估实战(2)——数据预管理

Python数据开采与机械和工具学习_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_通信信用危机评估实战(4)——模型演练与调优

爬虫

Python爬虫实战之爬取链家利雅得房价_01归纳的单页爬虫

Python爬虫实战之爬取链家布宜诺斯艾Liss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迈阿密房价_04链家的比葫芦画瓢登陆(记录)

搜狗词库爬虫(1):基础爬虫架会谈爬取词库分类

搜狗词库爬虫(2):基础爬虫框架的运作流程


微信徒人号「数据深入分析」,分享数据地法学家的本身修养,既然遇见,比不上一齐成长。

数量深入分析

转发请注解:转发自微教徒人号「数据深入分析」