Hadoop数据收集与入库系统Flume与Sqoop

        Hadoop提供了一个中央化的存储系统，其有利于进行集中式的数据分析与数据共享。 Hadoop对存储格式没有要求。可以存储用户访问日志、产品信息以及网页数据等数据。

       常见的两种数据来源。一种是分散的数据源：机器产生的数据、用户访问日志以及用户购买日志。另一种是传统系统中的数据：传统关系型数据库（MySQL、Oracle）、磁盘阵列以及磁带。

        Flume由三部分构成。Master负责负责通信及配置管理，是集群的控制器。Collector用于对数据进行聚合。往往会产生一个更大的数据流。然后加载到HDFS上。Agent负责采集数据。其是Flume中产生数据流的地方，同时Agent会将产生的数据传输到Collector.

        Agent 用于采集数据是数据流产生的地方。通常由source和sink两部分组成 。Source用于获取数据，可从文本文件，syslog，HTTP等获 取数据。 Sink将Source获得的数据进一步传输给后面的Collector。 Flume自带了很多source和sink实现。 syslogTcp(5140) | agentSink("localhost",35853) 意思是通过通信协议获取5140端口数据，然后发送到localhost主机的35853端口。 tail("/etc/services") | agentSink("localhost",35853) 意思是读取文件夹/etc/services下文件，然后发送到localhost主机的35853端口。

       Collector 用于汇总多个Agent结果 ，将汇总结果导入后端存储系统，比如HDFS，HBase。 Flume自带了很多collector实现 collectorSource(35853) | console  表示将收集结果写到控制台。CollectorSource(35853) | collectorSink("file:///tmp/flume/collected", "syslog") 表示将收集结果写到本地目录。collectorSource(35853) | collectorSink("hdfs://namenode/user/flume/ ","syslog"); 表示将收集结果写到hdfs目录。

       一般为了防止一个collector挂掉所有agent都失效可以将不同的agent连接不同的collector。同时，这样可以保证不同数据类型的agent将数据放到同一个collector。

       Master 负责管理协调 agent 和collector的配置信息，是Flume集群的控制器。其可跟踪数据流的最后确认信息，并通知agent。 通常需配置多个master以防止单点故障。借助zookeeper管理管理多Master。 

构建基于Flume的数据收集系统 

       Agent和Collector均可以动态配置。可通过命令行或Web界面配置。 命令行配置 ： 在已经启动的master节点上，依次输入”flume shell””connect localhost ”    如执行 exec config a1 ‘tailDir(“/data/logfile”)’ ‘agentSink’ 。 Web界面 ： 选中节点，填写source、sink等信息。

常用架构举例—拓扑1  

agentA : tail(“/ngnix/logs”) | agentSink("collector",35853); 

agentB : tail(“/ngnix/logs”) | agentSink("collector",35853);

agentC : tail(“/ngnix/logs”) | agentSink("collector",35853); 

agentD : tail(“/ngnix/logs”) | agentSink("collector",35853); 

agentE : tail(“/ngnix/logs”) | agentSink("collector",35853); 

agentF : tail(“/ngnix/logs”) | agentSink("collector",35853); collector : collectorSource(35853) | collectorSink("hdfs://namenode/flume/","srcdata"); 

agentA : src | agentE2ESink("collectorA",35853); 

agentB : src | agentE2ESink("collectorA",35853); 

agentC : src | agentE2ESink("collectorB",35853);

agentD : src | agentE2ESink("collectorB",35853); 

agentE : src | agentE2ESink("collectorC",35853); 

agentF : src | agentE2ESink("collectorC",35853); 

collectorA : collectorSource(35853) | collectorSink("hdfs://...","src"); 

collectorB : collectorSource(35853) | collectorSink("hdfs://...","src"); 

collectorC : collectorSource(35853) | collectorSink("hdfs://...","src"); 

agentA : src | agentE2EChain("collectorA:35853","collectorB:35853"); 

agentB : src | agentE2EChain("collectorA:35853","collectorC:35853");

agentC : src | agentE2EChain("collectorB:35853","collectorA:35853"); 

agentD : src | agentE2EChain("collectorB:35853","collectorC:35853"); 

agentE : src | agentE2EChain("collectorC:35853","collectorA:35853"); 

agentF : src | agentE2EChain("collectorC:35853","collectorB:35853"); 

collectorA : collectorSource(35853) | collectorSink("hdfs://...","src");

collectorB : collectorSource(35853) | collectorSink("hdfs://...","src"); 

collectorC : collectorSource(35853) | collectorSink("hdfs://...","src"); 

传统数据库与Hadoop间数据同步 

      Sqoop：SQL-to-Hadoop，是连接传统关系型数据库和Hadoop 的桥梁。可以把关系型数据库的数据导入到 Hadoop 系统 ( 如 HDFS HBase 和 Hive) 中或把数据从 Hadoop 系统里抽取并导出到关系型数据库里/利用MapReduce可以加快数据传输速度实现批处理方式进行数据传输。

       Sqoop优势是高效、可控地利用资源、任务并行度，超时时间等 、数据类型映射与转换 可自动进行或用户也可自定义 。同时，其 支持多种数据库如：MySQL 、Oracle 以及PostgreSQL 。

     

       通过命令sqoop可以生成map task将传统数据库中的数据传输到HDFS、Hbase或Hive上。

Sqoop import 将数据从关系型数据库导入Hadoop中 

        步骤1：Sqoop与数据库Server通信，获取数据库表的元数据 信息； 步骤2：Sqoop启动一个MapOnly的MR作业，利用元数据信 息并行将数据写入Hadoop。

Sqoop import使用：

sqoop import \     

--connect jdbc:mysql://mysql.example.com/sqoop \    

--username sqoop \     

--password sqoop \     

--table cities 

--connnect: 指定JDBC URL 

--username/password：mysql数据库的用户名 

--table：要读取的数据库表 
bin/hadoop fs -cat cities/part-m-* 

1,USA,Palo Alto 

2,Czech Republic,Brno 

3,USA,Sunnyvale 

导入到指定目录：

sqoop import \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \    

--password sqoop \     

--table cities \     

--target-dir /etl/input/cities 

导入字段country为USA的值：

sqoop import \    

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \     

--password sqoop \     

--table cities \     

--where "country = 'USA'" 

生成顺序文件：

sqoop import \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \     

--password sqoop \     

--table cities \     

--as-sequencefile 

指定map个数：

sqoop import \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \     

--password sqoop \     

--table cities \     

--num-mappers 10

Sqoop import—导入多个表 ：

sqoop import \   

--connect jdbc:mysql://mysql.example.com/sqoop \  

--username sqoop \   

--password sqoop \   

--query 'SELECT normcities.id, \                  

countries.country, \                  

normcities.city \                  

FROM normcities \                  

JOIN countries USING(country_id) \                  

WHERE $CONDITIONS' \ 

--split-by id \ 

--target-dir cities 

Sqoop import增量导入（一）：

        适用于数据每次被追加到数据库中，而已有数据不变的情况且仅导入id这一列值大于1的记录。 

sqoop import \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \    

--password sqoop \     

--table visits \     

--incremental append \     

--check-column id \     

--last-value 1 

Sqoop import增量导入（二）

         每次成功运行后，sqoop将最后一条记录的id值保存到 metastore中，供下次使用。 

sqoop job \   

--create visits \   

--import \   

--connect jdbc:mysql://mysql.example.com/sqoop \   

--username sqoop \   

--password sqoop \   

--table visits \   

--incremental append \   

--check-column id \   

--last-value 0 

运行sqoop作业：sqoop job --exec visits 

Sqoop import增量导入（三） 

        数据库中有一列last_update_date，记录了上次修改时间。 Sqoop仅将某时刻后的数据导入Hadoop。 
sqoop import \   

--connect jdbc:mysql://mysql.example.com/sqoop \   

--username sqoop \   

--password sqoop \   

--table visits \   

--incremental lastmodified \   

--check-column last_update_date \   

--last-value “2013-05-22 01:01:01” 

Sqoop Export 将数据从Hadoop导入关系型数据库导中 

       步骤1：Sqoop与数据库Server通信，获取数据库表的元数据 信息； 步骤2：并行导入数据：将Hadoop上文件划分成若 干个split； 每个split由一个Map Task进 行数据导入。 

Sqoop Export使用方法 
sqoop export \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \     

--password sqoop \     

--table cities \     

--export-dir cities 
--connnect: 指定JDBC URL 

--username/password：mysql数据库的用户名 

--table：要导入的数据库表 

export-dir：数据在HDFS上存放目录 

Sqoop Export—保证原子性：
sqoop export \    

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \     

--password sqoop \     

--table cities \     

--staging-table staging_cities 

Sqoop Export—更新已有数据：

sqoop export \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \     

--password sqoop \     

--table cities \     

--update-key id sqoop export \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \     

--password sqoop \     

--table cities \     

--update-key id \     

--update-mode allowinsert 

Sqoop Export—选择性插入 ：
sqoop export \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \    

--password sqoop \     

--table cities \     

--columns country,city 

Sqoop与其他系统结合 

      Sqoop可以与Oozie、Hive、Hbase等系统结合；  用户需要在sqoop-env.sh中增加HBASE_HOME、 HIVE_HOME等环境变量。 

Sqoop与Hive结合： 
sqoop import \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \     

--password sqoop \     

--table cities \     

--hive-import  

Sqoop与HBase结合： 
sqoop import \     

--connect jdbc:mysql://mysql.example.com/sqoop \     

--username sqoop \     

--password sqoop \     

--table cities \     

--hbase-table cities \     

--column-family world 

      以上介绍了数据收集系统以及数据传输工具sqoop，后续将讲解Hive及Pig相关主题。