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
  • 示例項目結構 在 Visual Studio 中創建一個 WinForms 應用程式後,項目結構如下所示: MyWinFormsApp/ │ ├───Properties/ │ └───Settings.settings │ ├───bin/ │ ├───Debug/ │ └───Release/ ...
  • [STAThread] 特性用於需要與 COM 組件交互的應用程式,尤其是依賴單線程模型(如 Windows Forms 應用程式)的組件。在 STA 模式下,線程擁有自己的消息迴圈,這對於處理用戶界面和某些 COM 組件是必要的。 [STAThread] static void Main(stri ...
  • 在WinForm中使用全局異常捕獲處理 在WinForm應用程式中,全局異常捕獲是確保程式穩定性的關鍵。通過在Program類的Main方法中設置全局異常處理,可以有效地捕獲並處理未預見的異常,從而避免程式崩潰。 註冊全局異常事件 [STAThread] static void Main() { / ...
  • 前言 給大家推薦一款開源的 Winform 控制項庫,可以幫助我們開發更加美觀、漂亮的 WinForm 界面。 項目介紹 SunnyUI.NET 是一個基於 .NET Framework 4.0+、.NET 6、.NET 7 和 .NET 8 的 WinForm 開源控制項庫,同時也提供了工具類庫、擴展 ...
  • 說明 該文章是屬於OverallAuth2.0系列文章,每周更新一篇該系列文章(從0到1完成系統開發)。 該系統文章,我會儘量說的非常詳細,做到不管新手、老手都能看懂。 說明:OverallAuth2.0 是一個簡單、易懂、功能強大的許可權+可視化流程管理系統。 有興趣的朋友,請關註我吧(*^▽^*) ...
  • 一、下載安裝 1.下載git 必須先下載並安裝git,再TortoiseGit下載安裝 git安裝參考教程:https://blog.csdn.net/mukes/article/details/115693833 2.TortoiseGit下載與安裝 TortoiseGit,Git客戶端,32/6 ...
  • 前言 在項目開發過程中,理解數據結構和演算法如同掌握蓋房子的秘訣。演算法不僅能幫助我們編寫高效、優質的代碼,還能解決項目中遇到的各種難題。 給大家推薦一個支持C#的開源免費、新手友好的數據結構與演算法入門教程:Hello演算法。 項目介紹 《Hello Algo》是一本開源免費、新手友好的數據結構與演算法入門 ...
  • 1.生成單個Proto.bat內容 @rem Copyright 2016, Google Inc. @rem All rights reserved. @rem @rem Redistribution and use in source and binary forms, with or with ...
  • 一:背景 1. 講故事 前段時間有位朋友找到我,說他的窗體程式在客戶這邊出現了卡死,讓我幫忙看下怎麼回事?dump也生成了,既然有dump了那就上 windbg 分析吧。 二:WinDbg 分析 1. 為什麼會卡死 窗體程式的卡死,入口門檻很低,後續往下分析就不一定了,不管怎麼說先用 !clrsta ...
  • 前言 人工智慧時代,人臉識別技術已成為安全驗證、身份識別和用戶交互的關鍵工具。 給大家推薦一款.NET 開源提供了強大的人臉識別 API,工具不僅易於集成,還具備高效處理能力。 本文將介紹一款如何利用這些API,為我們的項目添加智能識別的亮點。 項目介紹 GitHub 上擁有 1.2k 星標的 C# ...