KUDU數據導入嘗試一:TextFile數據導入Hive,Hive數據導入KUDU

来源:https://www.cnblogs.com/Imaigne/archive/2019/07/18/11206875.html
-Advertisement-
Play Games

背景 1. SQLSERVER資料庫中單表數據幾十億,分區方案也已經無法查詢出結果。故:採用導出功能,導出數據到Text文本(文本 40G)中。 2. 因上原因,所以本次的實驗樣本為:【數據量:61w條,文本大小:74M】 選擇DataX原因 1. 試圖維持統一的異構數據源同步方案。(其實行不通) ...


背景

  1. SQLSERVER資料庫中單表數據幾十億,分區方案也已經無法查詢出結果。故:採用導出功能,導出數據到Text文本(文本>40G)中。
  2. 因上原因,所以本次的實驗樣本為:【數據量:61w條,文本大小:74M】

    選擇DataX原因

  3. 試圖維持統一的異構數據源同步方案。(其實行不通)
  4. 試圖進入Hive時,已經是壓縮ORC格式,降低存儲大小,提高列式查詢效率,以便後續查詢HIVE數據導入KUDU時提高效率(其實行不通)

1. 建HIVE表

進入HIVE,必須和TextFile中的欄位類型保持一致

 create table event_hive_3(
`#auto_id` string
,`#product_id` int
,`#event_name` string
,`#part_date` int
,`#server_id` int
,`#account_id` bigint
,`#user_id` bigint
,part_time STRING
,GetItemID bigint
,ConsumeMoneyNum bigint
,Price bigint
,GetItemCnt bigint
,TaskState bigint
,TaskType bigint
,BattleLev bigint
,Level bigint
,ItemID bigint
,ItemCnt bigint
,MoneyNum bigint
,MoneyType bigint
,VIP bigint
,LogID bigint
)
ROW FORMAT DELIMITED 
FIELDS TERMINATED BY '\t'
STORED AS ORC;

2. 建Kudu表

這個過程,自行發揮~

#Idea中,執行單元測試【EventAnalysisRepositoryTest.createTable()】即可
public void createTable() throws Exception {
        repository.getClient();
        repository.createTable(Event_Sjmy.class,true);
}

3. 建立Impala表

進入Impala-shell 或者hue;

use sd_dev_sdk_mobile;
CREATE EXTERNAL TABLE `event_sjmy_datax` STORED AS KUDU
TBLPROPERTIES(
    'kudu.table_name' = 'event_sjmy_datax',
    'kudu.master_addresses' = 'sdmain:7051')

4. 編輯Datax任務

不直接load進hive的目的是為了進行一步文件壓縮,降低記憶體占用,轉為列式存儲。

# 編輯一個任務
vi /home/jobs/textToHdfs.json;
{
    "setting": {},
    "job": {
        "setting": {
            "speed": {
                "channel": 2
            }
        },
        "content": [
            {
                "reader": {
                    "name": "txtfilereader",
                    "parameter": {
                        "path": ["/home/data"],
                        "encoding": "GB2312",
                        "column": [
                            {
                                "index": 0,
                                "type": "string"
                            },
                            {
                                "index": 1,
                                "type": "int"
                            },
                            {
                                "index": 2,
                                "type": "string"
                            },
                            {
                                "index": 3,
                                "type": "int"
                            },
                            {
                                "index": 4,
                                "type": "int"
                            },
                            {
                                "index": 5,
                                "type": "long"
                            },
                            {
                                "index": 6,
                                "type": "long"
                            },
                            {
                                "index": 7,
                                "type": "string"
                            },
                            {
                                "index": 8,
                                "type": "long"
                            },
                            {
                                "index": 9,
                                "type": "long"
                            },
                            {
                                "index": 10,
                                "type": "long"
                            },{
                                "index": 11,
                                "type": "long"
                            },{
                                "index": 12,
                                "type": "long"
                            },
                            {
                                "index": 13,
                                "type": "long"
                            },
                            {
                                "index": 14,
                                "type": "long"
                            },
                            {
                                "index": 15,
                                "type": "long"
                            },
                            {
                                "index": 17,
                                "type": "long"
                            },
                            {
                                "index": 18,
                                "type": "long"
                            },
                            {
                                "index": 19,
                                "type": "long"
                            },
                            {
                                "index": 20,
                                "type": "long"
                            },
                            {
                                "index": 21,
                                "type": "long"
                            }
                            
                        ],
                        "fieldDelimiter": "/t"
                    }
                },
                 "writer": {
                    "name": "hdfswriter", 
                    "parameter": {
                        "column": [{"name":"#auto_id","type":" STRING"},{"name":"#product_id","type":" int"},{"name":"#event_name","type":" STRING"},{"name":"#part_date","type":"int"},{"name":"#server_id","type":"int"},{"name":"#account_id","type":"bigint"},{"name":"#user_id","type":" bigint"},{"name":"part_time","type":" STRING"},{"name":"GetItemID","type":" bigint"},{"name":"ConsumeMoneyNum","type":"bigint"},{"name":"Price ","type":"bigint"},{"name":"GetItemCnt ","type":"bigint"},{"name":"TaskState ","type":"bigint"},{"name":"TaskType ","type":"bigint"},{"name":"BattleLev ","type":"bigint"},{"name":"Level","type":"bigint"},{"name":"ItemID ","type":"bigint"},{"name":"ItemCnt ","type":"bigint"},{"name":"MoneyNum ","type":"bigint"},{"name":"MoneyType ","type":"bigint"},{"name":"VIP ","type":"bigint"},{"name":"LogID ","type":"bigint"}], 
                        "compress": "NONE", 
                        "defaultFS": "hdfs://sdmain:8020", 
                        "fieldDelimiter": "\t", 
                        "fileName": "event_hive_3", 
                        "fileType": "orc", 
                        "path": "/user/hive/warehouse/dataxtest.db/event_hive_3", 
                        "writeMode": "append"
                    }
                }
            }
        ]
    }
}

4.1 執行datax任務

註意哦,數據源文件,先放在/home/data下哦。數據源文件必須是個數據二維表。

#textfile中數據例子如下:
{432297B4-CA5F-4116-901E-E19DF3170880}  701 獲得籌碼    201906  2   4974481 1344825 00:01:06    0   0   0   0   0   0   0   0   0   0   100 2   3   31640
{CAAF09C6-037D-43B9-901F-4CB5918FB774}  701 獲得籌碼    201906  2   5605253 1392330 00:02:25    0   0   0   0   0   0   0   0   0   0   390 2   10  33865

cd $DATAX_HOME/bin
python datax.py /home/job/textToHdfs.json

效果圖:

使用Kudu從HIVE讀取寫入到Kudu表中

進入shell

#進入shell:
impala-shell;
#選中庫--如果表名有指定庫名,可省略
use sd_dev_sdk_mobile;
輸入SQL:
    INSERT INTO sd_dev_sdk_mobile.event_sjmy_datax 
    SELECT `#auto_id`,`#event_name`,`#part_date`,`#product_id`,`#server_id`,`#account_id`,`#user_id`,part_time,GetItemID,ConsumeMoneyNum,Price,GetItemCnt,TaskState,TaskType,BattleLev,Level,ItemID,ItemCnt,MoneyNum,MoneyType,VIP,LogID
    FROM event_hive_3 ;

效果圖:

看看這可憐的結果

這速度難以接受,我選擇放棄。

打臉環節-原因分析:
  1. DataX讀取TextFile到HIVE中的速度慢: DataX對TextFile的讀取是單線程的,(2.0版本後可能會提供多線程ReaderTextFile的能力),這直接浪費了集群能力和12核的CPU。且,文件還沒法手動切割任務分節點執行。
  2. Hive到KUDU的數據慢:insert into xxx select * 這個【*】一定要註意,如果讀取所有列,那列式查詢的優勢就沒多少了,所以,轉ORC多此一舉。
  3. Impala讀取HIVE數據時,記憶體消耗大!
    唯一的好處: 降低硬碟資源的消耗(74M文件寫到HDFS,壓縮後只有15M),但是!!!這有何用?我要的是導入速度!如果只是為了壓縮,應該Load進Hive,然後啟用Hive的Insert到ORC新表,充分利用集群資源!

代碼如下

//1. 數據載入到textfile表中
load data inpath '/home/data/event-19-201906.txt' into table event_hive_3normal;
//2. 數據查詢出來寫入到ORC表中。
insert into event_hive_3orc
select * from event_hive_3normal

實驗失敗~

優化思路:1.充分使用集群的CPU資源
2.避免大批量數據查詢寫入
優化方案:掏出我的老家伙,單Flume讀取本地數據文件sink到Kafka, 集群中多Flume消費KAFKA集群,sink到Kudu !下午見!


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • 原因是這樣的,有一次我更新我的IDEA之後,程式圖標就不見了。 怎麼說呢,就是以下顯示的這樣。 在Frequent中顯示正常, 在All中卻沒有!!! 是的,它就是在一邊有一邊沒有。。。 奇了怪了。 查了資料,說應用圖標是在這個目錄 看了一下發現幾個點。 第一 文件夾打開顯示的文件跟終端顯示的文件並 ...
  • 在此篇文章中主要介紹Linux系統的安裝,以及學習大數據過程中Linux中常用的命令有哪些. 一.Linux(CentOs6.8)的安裝 1.安裝VMware虛擬機 虛擬機下載地址:https://pan.baidu.com/s/1siu4Pst0srLlbzpKdfKAPA 提取碼:684o 這個 ...
  • 1.什麼是資料庫? 簡單的說,資料庫(Database)就是一種存放數據的倉庫,只是這個廠庫比較特別,這個廠庫是按照一定的數據結構來組織儲存的,我們可以通過資料庫提供的多種方法來管理資料庫里的數據. 2.資料庫的分類: 資料庫按照早期的數據理論分為:層次式資料庫、網路式資料庫和關係型資料庫;然而當今 ...
  • 工作案例: 大數據開發用系統腳本自動在kafka建topic,檢查後才發現副本數只有1個,存在數據丟失的風險。需要立刻把副本數改為3個。 開始幹活,首先想到的是下麵的命令: ${BIN_PATH}/kafka-topics.sh --zookeeper ${ZOOKEEPER_ADDR} --top ...
  • 作為測試人員最常用的資料庫查詢語句,本篇博文做了一個具體的總結,以下只是為了概述查詢方法而舉的例子,並不一定是最好的查詢方式。 紅色標記的地方是該查詢語句中重點想要表達的查詢方法。 一. 新建一個資料庫test: create database test; 二. 依次創建三個表:學生表Student ...
  • Oracle中分頁查詢因為存在偽列rownum,sql語句寫起來較為複雜,現在介紹一種通過使用MyBatis中的RowBounds進行分頁查詢,非常方便。 使用MyBatis中的RowBounds進行分頁查詢時,不需要在 sql 語句中寫 offset,limit,mybatis 會自動拼接 分頁s ...
  • Oracle中分頁和MySql中的分頁不同,MySql中的分頁使用關鍵字limit即可,相對簡單一點,Oracle中分頁使用rownum ,相對複雜一點。 sql語句如下: Oracle中rownum是虛擬列,是得出結果後,再進行計算的。所以,只能是小於的,無法大於,要使用的大於,就必須使用別名,如 ...
  • 對於oracle資料庫下的企業級應用開發,經常會使用到新建用戶,新建表空間以及數據的遷移工作。雖然目前互聯網存在很多單個問題的解決方案,但是比較零散,本博文結合研發兄弟們的實際現狀,提供一套完整初始研發資料庫環境的搭建手段,免得導出搜素。 登錄相關操作 預設有以下2個超級用戶: sys:超級管理員用 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發(一):使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說,近來想嘗試開發一款安卓APP,考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP,畢竟是使用Visual Studio開發工具,使用起來也比較的順手,結合微軟官方的教程進行了安卓 ...
  • 前言 QuestPDF 是一個開源 .NET 庫,用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫,它徹底改變了我們生成 PDF 文檔的方 ...
  • 項目地址 項目後端地址: https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址: ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址: http://tree ...
  • 話不多說,直接開乾 一.下載 1.官方鏈接下載: https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe,運行開始下載SQL server; 二. ...
  • 前言 隨著物聯網(IoT)技術的迅猛發展,MQTT(消息隊列遙測傳輸)協議憑藉其輕量級和高效性,已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫,為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog支持多種接收器用於日誌存儲,增強器用於添加屬性,LogContext管理動態屬性,支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項,適用於不同需求。 ...
  • 目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據,爬取信息時需要模擬瀏覽器行為,否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下: 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • 1.前言 什麼是熱更新 游戲或者軟體更新時,無需重新下載客戶端進行安裝,而是在應用程式啟動的情況下,在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR,Xlua,ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles,Addressable, ...
  • 本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺,其實像阿裡雲,騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後,它會送 ...
  • 通過以下方式可以高效,並保證數據同步的可靠性 1.API設計 使用RESTful設計,確保API端點明確,並使用適當的HTTP方法(如POST用於創建,PUT用於更新)。 設計清晰的請求和響應模型,以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證,確保接收到的數據符合預期格 ...