Hive表:
name的时间流水数据。name数据可能是一条,可能多条数据。
name | time | d1 | d2 | d3 | d4 | d5 | d6 | d7 | d8 | d9 | d10 | d11 | d12 | d13 | d14 | d15 |
1 | 1563764501 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
1 | 1563764502 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 |
MongoDB文档格式:
一年的数据一个Collection
一个Collection一个用户数据都在同一个name文档里面
{
"_id" : ObjectId("5ee839352ceb11d7b9bcddbd"),
"name" : "1",
"records" : [
{
"d1" : 1,
"d2" : "20200601",
"d3" : 1590971827,
"d4" : 1590972128,
"d5" : 65027.0,
"d6" : 65028.0,
"d7" : 13181.0,
"d8" : 13181.0,
"d9" : 0.0,
"d10" : 0.0,
"d11" : 3770.3,
"d12" : 3770.3,
"d13" : 6.4,
"d14" : 5.7,
"d15" : 8.3,
"_class" : "common.Records"
},
{
"d1" : 1,
"d2" : "20200601",
"d3" : 1590984235,
"d4" : 1590984638,
"d5" : 65028.0,
"d6" : 65030.0,
"d7" : 13181.0,
"d8" : 13181.0,
"d9" : 0.0,
"d10" : 0.0,
"d11" : 3770.3,
"d12" : 3770.3,
"d13" : 6.4,
"d14" : 5.7,
"d15" : 8.4,
"d16" : 0.3,
"_class" : "common.Records"
},
{
"d1" : 1,
"d2" : "20200601",
"d3" : 1590988562,
"d4" : 1590988864,
"d5" : 65030.0,
"d6" : 65032.0,
"d7" : 13181.0,
"d8" : 13181.0,
"d9" : 0.0,
"d10" : 0.0,
"d11" : 3770.3,
"d12" : 3770.3,
"d13" : 6.4,
"d14" : 5.7,
"d15" : 8.3,
"d16" : 0.3,
"_class" : "common.Records"
}
]
}
Hive表数据量,每天2000万条+
CDH集群26节点,单节点40核128G内存磁盘总共1PB
HBase 2.1
Hive 2.1.1
Hadoop 3.0.0
spark 2.4.0
工程:
pom
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>com.xxx</groupId>
<artifactId>scala_project_26node</artifactId>
<packaging>jar</packaging>
<version>1.0-SNAPSHOT</version>
<!--<name>A Camel Scala Route</name>-->
<parent>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-parent</artifactId>
<version>2.0.5.RELEASE</version>
</parent>
<properties>
<java.source>1.8</java.source>
<java.target>1.8</java.target>
<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
<jdk.version>1.8</jdk.version>
<geotools.version>9.4</geotools.version>
<!--<hive.version>2.3.2</hive.version>-->
<spark.version>2.4.0</spark.version>
</properties>
<dependencies>
<!-- for Hue Jar -->
<!--hadoop hbase-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.6.0</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>2.6.0</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.6.0</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.hbase</groupId>
<artifactId>hbase-server</artifactId>
<version>1.2.6</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.hbase</groupId>
<artifactId>hbase-client</artifactId>
<version>1.2.6</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>${spark.version}</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-mllib_2.11</artifactId>
<version>${spark.version}</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-graphx_2.11</artifactId>
<version>${spark.version}</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-client</artifactId>
<version>2.6.0</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.11</artifactId>
<version>${spark.version}</version>
<scope>provided</scope>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-hbase-handler</artifactId>
<version>1.2.1</version>
<scope>provided</scope>
</dependency>
<!--for Hue jar-->
<!--for local test jar -->
<!--hadoop hbase-->
<!--<dependency>-->
<!--<groupId>org.apache.hadoop</groupId>-->
<!--<artifactId>hadoop-common</artifactId>-->
<!--<version>2.6.0</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.hadoop</groupId>-->
<!--<artifactId>hadoop-hdfs</artifactId>-->
<!--<version>2.6.0</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.hadoop</groupId>-->
<!--<artifactId>hadoop-client</artifactId>-->
<!--<version>2.6.0</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.hbase</groupId>-->
<!--<artifactId>hbase-server</artifactId>-->
<!--<version>1.2.6</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.hbase</groupId>-->
<!--<artifactId>hbase-client</artifactId>-->
<!--<version>1.2.6</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.spark</groupId>-->
<!--<artifactId>spark-core_2.11</artifactId>-->
<!--<version>${spark.version}</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.spark</groupId>-->
<!--<artifactId>spark-mllib_2.11</artifactId>-->
<!--<version>${spark.version}</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.spark</groupId>-->
<!--<artifactId>spark-graphx_2.11</artifactId>-->
<!--<version>${spark.version}</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.spark</groupId>-->
<!--<artifactId>spark-sql_2.11</artifactId>-->
<!--<version>${spark.version}</version>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.hadoop</groupId>-->
<!--<artifactId>hadoop-client</artifactId>-->
<!--<version>2.6.0</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.apache.spark</groupId>-->
<!--<artifactId>spark-hive_2.11</artifactId>-->
<!--<version>${spark.version}</version>-->
<!--<!–<scope>provided</scope>–>-->
<!--</dependency>-->
<!--for local test jar -->
<!--kafka streaming-->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.11</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming-kafka-0-8_2.11</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>fastjson</artifactId>
<version>1.2.53</version>
</dependency>
<!--kafka streaming-->
<dependency>
<groupId>cn.common</groupId>
<artifactId>utils</artifactId>
<version>1.0-SNAPSHOT</version>
<exclusions>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>log4j-over-slf4j</artifactId>
</exclusion>
<exclusion>
<groupId>org.apache.kafka</groupId>
<artifactId>kafka_2.10</artifactId>
</exclusion>
</exclusions>
</dependency>
<!--<dependency>-->
<!--<groupId>com.xxx.i.gps</groupId>-->
<!--<artifactId>i.gps</artifactId>-->
<!--<version>1.0-SNAPSHOT</version>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>com.xxx.gis</groupId>-->
<!--<artifactId>gis-tools</artifactId>-->
<!--<version>1.1</version>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.geotools</groupId>-->
<!--<artifactId>gt-main</artifactId>-->
<!--<version>${geotools.version}</version>-->
<!--</dependency>-->
<!--<dependency>-->
<!--<groupId>org.geotools</groupId>-->
<!--<artifactId>gt-shapefile</artifactId>-->
<!--<version>${geotools.version}</version>-->
<!--</dependency>-->
<!--开发的字节等转换库-->
<!--<dependency>-->
<!--<groupId>com.xxx.i.dbcommon</groupId>-->
<!--<artifactId>i.dbcommon</artifactId>-->
<!--<version>1.0-SNAPSHOT</version>-->
<!--</dependency>-->
<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-hive_2.11 -->
<!--时间 字节转化使用工具-->
<dependency>
<groupId>cn.common</groupId>
<artifactId>utils</artifactId>
<version>1.0-SNAPSHOT</version>
<exclusions>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>log4j-over-slf4j</artifactId>
</exclusion>
<exclusion>
<groupId>org.apache.kafka</groupId>
<artifactId>kafka_2.10</artifactId>
</exclusion>
</exclusions>
<!--<scope>provided</scope>-->
</dependency>
<!--gps 工具 24HSpeedDistribution需要-->
<dependency>
<groupId>com.xxx.i.gps</groupId>
<artifactId>i.gps</artifactId>
<version>1.0-SNAPSHOT</version>
<!--<scope>provided</scope>-->
</dependency>
<dependency>
<groupId>com.xxx.gis</groupId>
<artifactId>gis-tools</artifactId>
<version>1.1</version>
<!--<scope>provided</scope>-->
</dependency>
<dependency>
<groupId>org.geotools</groupId>
<artifactId>gt-main</artifactId>
<version>${geotools.version}</version>
<!--<scope>provided</scope>-->
</dependency>
<dependency>
<groupId>org.geotools</groupId>
<artifactId>gt-shapefile</artifactId>
<version>${geotools.version}</version>
<!--<scope>provided</scope>-->
</dependency>
<!--MongoDB-->
<dependency>
<groupId>org.mongodb.spark</groupId>
<artifactId>mongo-spark-connector_2.11</artifactId>
<version>${spark.version}</version>
</dependency>
<dependency>
<groupId>org.mongodb</groupId>
<artifactId>mongo-java-driver</artifactId>
<version>3.6.3</version>
</dependency>
<dependency>
<groupId>org.mongodb</groupId>
<artifactId>bson</artifactId>
<version>3.4.0</version>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-data-mongodb</artifactId>
</dependency>
</dependencies>
<build>
<finalName>xxx6_0</finalName>
<resources>
<resource>
<directory>src/main/resources</directory>
<filtering>true</filtering>
</resource>
<resource>
<directory>src/main/config</directory>
<!--<filtering>true</filtering>-->
</resource>
</resources>
<!--<pluginManagement><!– lock down plugins versions to avoid using Maven defaults (may be moved to parent pom) –>-->
<plugins>
<!--<plugin>-->
<!--<artifactId>maven-clean-plugin</artifactId>-->
<!--<version>3.0.0</version>-->
<!--</plugin>-->
<!-- see http://maven.apache.org/ref/current/maven-core/default-bindings.html#Plugin_bindings_for_jar_packaging -->
<plugin>
<artifactId>maven-resources-plugin</artifactId>
<version>3.0.2</version>
<configuration>
<encoding>${project.build.sourceEncoding}</encoding>
</configuration>
</plugin>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>3.7.0</version>
<configuration>
<source>${java.source}</source>
<target>${java.target}</target>
<encoding>${project.build.sourceEncoding}</encoding>
<compilerArguments>
<extdirs>lib/</extdirs>
</compilerArguments>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<version>2.5.1</version>
<configuration>
<archive>
<manifest>
<mainClass>
com.xxx.HiveToMongoDB
</mainClass>
</manifest>
</archive>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
<!--<plugin>-->
<!--<artifactId>maven-surefire-plugin</artifactId>-->
<!--<version>2.20.1</version>-->
<!--</plugin>-->
<!--<plugin>-->
<!--<artifactId>maven-jar-plugin</artifactId>-->
<!--<version>3.0.2</version>-->
<!--</plugin>-->
<!--<plugin>-->
<!--<artifactId>maven-install-plugin</artifactId>-->
<!--<version>2.5.2</version>-->
<!--</plugin>-->
<!--<plugin>-->
<!--<artifactId>maven-deploy-plugin</artifactId>-->
<!--<version>2.8.2</version>-->
<!--</plugin>-->
</plugins>
<!--</pluginManagement>-->
</build>
</project>
common
public class DataItem {//
public String name;
public Records records;
//.....此处省略构造函数、以及get、set函数
}
public class Records {
public int d1;
public String d2;
public int d3;
public int d4;
public double d5;
//......此处省略数据名、已经构造函数、set、get函数
}
HiveToMongoDB
package com.xxx
import com.mongodb
import com.mongodb.{MongoClient, MongoClientURI}
import com.mongodb.client.MongoCollection
import com.mongodb.spark.MongoSpark
import com.mongodb.spark.config.{WriteConcernConfig, WriteConfig}
import common.{DataItem, Records}
import org.apache.spark.sql.SparkSession
import org.bson.Document
import org.springframework.data.mongodb.core.MongoTemplate
import org.springframework.data.mongodb.core.query.{Criteria, Query, Update}
object HiveToMongoDB {
def main(args: Array[String]): Unit = {
//打包到集群运行定时任务
val excutors=args(0).toInt //容器个数
val cores=args(1).toInt //核心个数
val years = args(2) //年 Hive数据表分区以及 mongoDB 的集合(collection)名称
val months = args(3) //月 Hive数据表分区
val days = args(4) //日 Hive数据表分区
val mongoDBName = args(5)//mongoDB 名字
val mongoDBKeyFieldName =args(6)//存于mongoDB的数据的Key的列名
val url = s"mongodb://yonghuming:123456@10.9.43.217/"+mongoDBName+"."+years
//本地调试
// val uri = s"mongodb://yonghuming:123456@10.9.43.217/mongo-test.2048"
// val excutors=10
// val cores=4
// val years = "2020"
// val months = "06"
// val days = "01"
//本地模式
// System.setProperty("hadoop.home.dir", "D:\\D\\softs\\hadoop-2.8.1\\hadoop-common-2.2.0-bin-master")
// warehouseLocation points to the default location for managed databases and tables
// val warehouseLocation = "D:\\warehouse"
// val spark = SparkSession.builder()
// .appName("charge_pile")
// // .config("spark.sql.warehouse.dir", "C:/Users/tmp/hive")
// .config("hadoop.home.dir", "D:\\D\\softs\\hadoop-2.8.1\\hadoop-2.8.1")
// .config("spark.sql.warehouse.dir", warehouseLocation) //本地Hive使用调试
.enableHiveSupport() //orc file must be hive support 本地Hive使用调试
// .master("local[*]")
// .getOrCreate()
//集群调试
val spark = SparkSession.builder()
.appName("App_xxx_data_to_MongoDB")
//The number of executors for static allocation. With spark.dynamicAllocation.enabled, the initial set of executors will be at least this large.
.config("spark.dynamicAllocation.enabled",false)
.config("spark.executor.instances", excutors) //excutor数量
.config("spark.executor.cores", cores) //是指每个executor需要的核数
.config("spark.default.parallelism", 10 * excutors * cores) //设置每个stage的默认task数量,num-executors * executor-cores的2~3倍较为合适
// .config("spark.mongodb.output.uri",uri)
// .config("spark.mongodb.input.uri",uri)
.config("spark.some.config.option", "some-value")
.enableHiveSupport()
.getOrCreate()
spark.sparkContext.setLogLevel("ERROR")
import spark.implicits._
val sql =
"""
|SELECT name,d1,regexp_replace(d2,"/","") as ymd ,d3,d4,d5,d6,d7,d8,d9,d10,
|d11,d12,d13,d14,d15,d16
|from xxx_dwd.user_data_di
|where years='%1$s' and months='%2$s' and days='%3$s'
""".stripMargin.format(years,months,days)
val df = spark.sql(sql)
df.show()
val broadCastDBName= spark.sparkContext.broadcast(mongoDBName)
val broadCastUrl = spark.sparkContext.broadcast(url)
val broadCastCollectionName = spark.sparkContext.broadcast(years)
val broadCastKeyFieldName = spark.sparkContext.broadcast(mongoDBKeyFieldName)
//方式三:Client方式文档内嵌新增更新插入
//注:这种方式根据partition建立多个连接写mongoDB,导致同一个key数据没有保存在同一个文档下,需要改进:见方式四
val rddDoc = df.map(e =>(e.getString(0),(e.getInt(1),e.getString(2),e.getInt(3),e.getInt(4),
e.getDouble(5),e.getDouble(6),e.getDouble(7),e.getDouble(8),e.getDouble(9),
e.getDouble(10),e.getDouble(11),e.getDouble(12),e.getDouble(13),e.getDouble(14),e.getDouble(15),e.getDouble(16))
))
// .repartition(10)//设置partition个数为6,这个与MongoDB的连接数有关,连接数多时可以设置更大一点
// .foreachPartition(e =>{
// //val url = s"mongodb://dilink:123456@10.9.43.217/mongo-test.2048"
// // 配置MongoClientURI
// val urls:MongoClientURI = new MongoClientURI(broadCastUrl.value)
// // 连接mongoclient
// val mongoClient = new MongoClient(urls)
// val mongoTemplate = new MongoTemplate(mongoClient,broadCastDBName.value)
// val driveDataRecordsItem = e.foreach(t => {
// val query = Query.query(Criteria.where(broadCastKeyFieldName.value).is(t._1))
// val update = new Update()
// val ddr = new DriveDataItem(t._1,new Records(t._2._1,t._2._2,t._2._3,t._2._4,t._2._5,t._2._6,t._2._7,t._2._8,t._2._9,t._2._10,t._2._11,t._2._12,t._2._13,t._2._14,t._2._15,t._2._16))
// update.push("records", ddr.getRecords)
// mongoTemplate.upsert(query, update, broadCastCollectionName.value)
// })
// mongoClient.close()//释放连接
// })
//方式四:改进方式三存在多个相同key的文档,所有RDD数据分组之后再插入
// .groupByKey(e => e._1)
// .mapGroups((k,v)=>{
// //创建连接太多,导致失败
// // val url = s"mongodb://dilink:123456@10.9.43.217/mongo-test.2048"
// // 配置MongoClientURI
// val urls: MongoClientURI = new MongoClientURI(broadCastUrl.value)
// // 连接mongoclient
// val mongoClient = new MongoClient(urls)
// val mongoTemplate = new MongoTemplate(mongoClient, broadCastDBName.value)
// v.toList.foreach(t =>{
// val query = Query.query(Criteria.where(broadCastKeyFieldName.value).is(t._1))
// val update = new Update()
// val ddr = new DriveDataItem(t._1, new Records(t._2._1, t._2._2, t._2._3, t._2._4, t._2._5, t._2._6, t._2._7, t._2._8, t._2._9, t._2._10, t._2._11, t._2._12, t._2._13, t._2._14, t._2._15, t._2._16))
// update.push("records", ddr.getRecords)
// mongoTemplate.upsert(query, update, broadCastCollectionName.value)
// })
// mongoClient.close() //释放连接
// (k,1)
// })
// rddDoc.count()
.groupByKey(key=>key._1)
.mapGroups((k,v)=>(k,v.toList))//保证相同Key数据在一起
.repartition(10)
.foreachPartition(kvl=>{
// val url = s"mongodb://dilink:123456@10.9.43.217/mongo-test.2048"
// 配置MongoClientURI
val urls: MongoClientURI = new MongoClientURI(broadCastUrl.value)
// 连接mongoclient
val mongoClient = new MongoClient(urls)
val mongoTemplate = new MongoTemplate(mongoClient, broadCastDBName.value)
kvl.foreach(e =>{
e._2.foreach(t=>{
val query = Query.query(Criteria.where(broadCastKeyFieldName.value).is(t._1))
val update = new Update()
val ddr = new DriveDataItem(t._1, new Records(t._2._1, t._2._2, t._2._3, t._2._4, t._2._5, t._2._6, t._2._7, t._2._8, t._2._9, t._2._10, t._2._11, t._2._12, t._2._13, t._2._14, t._2._15, t._2._16))
update.push("records", ddr.getRecords)
mongoTemplate.upsert(query, update, broadCastCollectionName.value)
})
})
mongoClient.close() //释放连接
})
// val wdf = df.toDF("name","d1","d2","d3","d4",
// "d5","d6","d7","d8","d9",
// "d10","d11","d12","d13","d14",
// "d15","d16")
//方式一手动配置WriteConfig
// val writeConfig = new WriteConfig(databaseName="mongo-test",
// collectionName="2048",
// connectionString = Some(uri),
// replaceDocument= false,
// maxBatchSize= 512,
// localThreshold= 15,
// writeConcernConfig = WriteConcernConfig.Default,
// shardKey= None,
// forceInsert= true,
// ordered= true)
// MongoSpark.save(wdf,writeConfig)
//方式二
// wdf.write
// .mode("append")
// .format("com.mongodb.spark.sql.DefaultSource")
// .options(
// Map(
// "uri" -> uri,
// "database" -> "mongo-test",
// "collection" -> "2048",
// "updateFields" -> "name",
// "forceInsert" -> "true",
// "replaceDocument"->"true")
// ).save()
spark.stop()
}
}
本地打包到CDH平台运行:
HiveToMongoDB.bat文件
mvn install & spark-submit --principal xxx.wangnengjie@xxx.COM --keytab xxx.xxx.keytab --class com.xxx.HiveToMongoDB --conf spark.sql.shuffle.partitions=400 --conf spark.default.parallelism=200 --conf spark.network.timeout=1200 --master yarn --deploy-mode client --driver-memory 7g --executor-memory 7g --executor-cores 4 --queue thequeue target/xxx6_0-jar-with-dependencies.jar 5 4 2020 06 01 mongo-test name
CDH集群 Workflow的shell方式提交:
spark-submit --principal xxx.xx@XXX.COM \
--keytab xxx.xx.keytab \
--class com.xxx.HiveToMongoDB \
--master yarn \
--deploy-mode cluster \
--driver-memory 7g \
--executor-memory 7g \
--queue thequeue \
--conf spark.driver.extraClassPath=/etc/hbase/conf/ \
--conf spark.sql.shuffle.partitions=400 \
--conf spark.default.parallelism=200 \
--conf spark.network.timeout=1200 \
App6_0-jar-with-dependencies.jar \
$1 $2 $3 $4 $5 $6 $7
CDH界面:
MongoDB相关插入新能问题:
upsert会遇到的问题 原文链接:https://blog.csdn.net/jeffrey11223/article/details/80366368
新服务已经上线跑了差不多两周,暴露出一个问题,我们发现db进行upsert的速度越来越慢,以前两个小时就能消费完队列里的数据,现在需要四五个小时,并且消耗时间是呈现不断上升的趋势。所以我觉得应该是和upsert这个操作有关。
问题定位:
1,由于是写多读少的场景,所以我们并没有对集合加入索引。并且经查阅资料发现,mongodb索引的存储机制和mysql不同,mysql的索引是存储在硬盘中,需要时会调用部分到内存中。而mongodb的索引则是直接存储在内存和临时文件中,并且和内存大小限制有很直接的关系,如果超过内存限制,则从硬盘加载索引。所以mongodb索引的使用,在大数据集合面前,会面临内存耗尽的风险。
下面这个链接是官方对索引使用限制的说明:
https://docs.mongodb.com/manual/reference/limits/#index-limitations
这里写图片描述
2,upsert操作会先在集合中进行数据查找,如果数据已经存在,则更新,否则才插入。数据的查找那就势必会使用索引,mongo索引用的是B树,时间复杂度为Olog(n),而没有索引的情况下则时间复杂度是O(n),差别见下图:
这里写图片描述
问题显而易见了,随着数据日益增多,upsert性能是线性下滑的,所以后来决定使用insert,因为确实队列中重复数据的概率是比较小的,为了这个概率而损失性能和时间,划不来。
Mongodb亿级数据量的性能测试 原文链接:https://blog.csdn.net/zrjdds/article/details/52159936
进行了一下Mongodb亿级数据量的性能测试,分别测试如下几个项目:
(所有插入都是单线程进行,所有读取都是多线程进行)
1) 普通插入性能 (插入的数据每条大约在1KB左右)
2) 批量插入性能 (使用的是官方C#客户端的InsertBatch),这个测的是批量插入性能能有多少提高
3) 安全插入功能 (确保插入成功,使用的是SafeMode.True开关),这个测的是安全插入性能会差多少
4) 查询一个索引后的数字列,返回10条记录(也就是10KB)的性能,这个测的是索引查询的性能
5) 查询两个索引后的数字列,返回10条记录(每条记录只返回20字节左右的2个小字段)的性能,这个测的是返回小数据量以及多一个查询条件对性能的影响
6) 查询一个索引后的数字列,按照另一个索引的日期字段排序(索引建立的时候是倒序,排序也是倒序),并且Skip100条记录后返回10条记录的性能,这个测的是Skip和Order对性能的影响
7) 查询100条记录(也就是100KB)的性能(没有排序,没有条件),这个测的是大数据量的查询结果对性能的影响
8) 统计随着测试的进行,总磁盘占用,索引磁盘占用以及数据磁盘占用的数量
并且每一种测试都使用单进程的Mongodb和同一台服务器开三个Mongodb进程作为Sharding(每一个进程大概只能用7GB左右的内存)两种方案
其实对于Sharding,虽然是一台机器放3个进程,但是在查询的时候每一个并行进程查询部分数据,再有运行于另外一个机器的mongos来汇总数据,理论上来说在某些情况下性能会有点提高
基于以上的种种假设,猜测某些情况性能会下降,某些情况性能会提高,那么来看一下最后的测试结果怎么样?
备注:测试的存储服务器是 E5620 @ 2.40GHz,24GB内存,CentOs操作系统,打压机器是E5504 @ 2.0GHz,4GB内存,Windows Server 2003操作系统,两者千兆网卡直连。
从这个测试可以看出,对于单进程的方式:
1) Mongodb的非安全插入方式,在一开始插入性能是非常高的,但是在达到了两千万条数据之后性能骤减,这个时候恰巧是服务器24G内存基本占满的时候(随着测试的进行mongodb不断占据内存,一直到操作系统的内存全部占满),也就是说Mongodb的内存映射方式,使得数据全部在内存中的时候速度飞快,当部分数据需要换出到磁盘上之后,性能下降很厉害。(这个性能其实也不算太差,因为我们对三个列的数据做了索引,即使在内存满了之后每秒也能插入2MB的数据,在一开始更是每秒插入25MB数据)。Foursquare其实也是把Mongodb当作带持久化的内存数据库使用的,只是在查不到达到内存瓶颈的时候Sharding没处理好。
2) 对于批量插入功能,其实是一次提交一批数据,但是相比一次一条插入性能并没有提高多少,一来是因为网络带宽已经成为了瓶颈,二来我想写锁也会是一个原因。
3) 对于安全插入功能,相对来说比较稳定,不会波动很大,我想可能是因为安全插入是确保数据直接持久化到磁盘的,而不是插入内存就完事。
4) 对于一列条件的查询,性能一直比较稳定,别小看,每秒能有8000-9000的查询次数,每次返回10KB,相当于每秒查询80MB数据,而且数据库记录是2亿之后还能维持这个水平,性能惊人。
5) 对于二列条件返回小数据的查询,总体上性能会比4)好一点,可能返回的数据量小对性能提高比较大,但是相对来说性能波动也厉害一点,可能多了一个条件就多了一个从磁盘换页的机会。
6) 对于一列数据外加Sort和Skip的查询,在数据量大了之后性能明显就变差了(此时是索引数据量超过内存大小的时候,不知道是否有联系),我猜想是Skip比较消耗性能,不过和4)相比性能也不是差距特别大。
7) 对于返回大数据的查询,一秒瓶颈也有800次左右,也就是80M数据,这就进一步说明了在有索引的情况下,顺序查询和按条件搜索性能是相差无几的,这个时候是IO和网络的瓶颈。
8) 在整个过程中索引占的数据量已经占到了总数据量的相当大比例,在达到1亿4千万数据量的时候,光索引就可以占据整个内存,此时查询性能还是非常高,插入性能也不算太差,mongodb的性能确实很牛。
那么在来看看Sharding模式有什么亮点:
1) 非安全插入和单进程的配置一样,在内存满了之后性能急剧下降。安全插入性能和单进程相比慢不少,但是非常稳定。
2) 对于一个条件和两个条件的查询,性能都比较稳定,但条件查询性能相当于单进程的一半,但是在多条件下有的时候甚至会比单进程高一点。我想这可能是某些时候数据块位于两个Sharding,这样Mongos会并行在两个Sharding查询,然后在把数据进行合并汇总,由于查询返回的数据量小,网络不太可能成为瓶颈了,使得Sharding才有出头的机会。
3) 对于Order和Skip的查询,Sharding方式的差距就出来了,我想主要性能损失可能在Order,因为我们并没有按照排序字段作为Sharding的Key,使用的是_id作为Key,这样排序就比较难进行。
4) 对于返回大数据量的查询,Sharding方式其实和单进程差距不是很大,我想数据的转发可能是一个性能损耗的原因(虽然mongos位于打压机本机,但是数据始终是转手了一次)。
5) 对于磁盘空间的占用,两者其实是差不多的,其中的一些差距可能是因为多个进程都会多分配一点空间,加起来有的时候会比单进程多占用点磁盘(而那些占用比单进程少的地方其实是开始的编码错误,把实际数据大小和磁盘文件占用大小搞错了)。
测试最后的各个Sharding分布情况如下:
{
"sharded" : true,
"ns" : "testdb.test",
"count" : 209766143,
"size" : 214800530672,
"avgObjSize" : 1024.0000011441311,
"storageSize" : 222462757776,
"nindexes" : 4,
"nchunks" : 823,
"shards" : {
"shard0000" : {
"ns" : "testdb.test",
"count" : 69474248,
"size" : 71141630032,
"avgObjSize" : 1024.0000011515058,
"storageSize" : 74154252592,
"numExtents" : 65,
"nindexes" : 4,
"lastExtentSize" : 2146426864,
"paddingFactor" : 1,
"flags" : 1,
"totalIndexSize" : 11294125824,
"indexSizes" : {
"_id_" : 2928157632,
"Number_1" : 2832745408,
"Number1_1" : 2833974208,
"Date_-1" : 2699248576
},
"ok" : 1
},
"shard0001" : {
"ns" : "testdb.test",
"count" : 70446092,
"size" : 72136798288,
"avgObjSize" : 1024.00000113562,
"storageSize" : 74154252592,
"numExtents" : 65,
"nindexes" : 4,
"lastExtentSize" : 2146426864,
"paddingFactor" : 1,
"flags" : 1,
"totalIndexSize" : 11394068224,
"indexSizes" : {
"_id_" : 2969355200,
"Number_1" : 2826453952,
"Number1_1" : 2828403648,
"Date_-1" : 2769855424
},
"ok" : 1
},
"shard0002" : {
"ns" : "testdb.test",
"count" : 69845803,
"size" : 71522102352,
"avgObjSize" : 1024.00000114538,
"storageSize" : 74154252592,
"numExtents" : 65,
"nindexes" : 4,
"lastExtentSize" : 2146426864,
"paddingFactor" : 1,
"flags" : 1,
"totalIndexSize" : 11300515584,
"indexSizes" : {
"_id_" : 2930942912,
"Number_1" : 2835243968,
"Number1_1" : 2835907520,
"Date_-1" : 2698421184
},
"ok" : 1
}
},
"ok" : 1
}
虽然在最后由于时间的关系,没有测到10亿级别的数据量,但是通过这些数据已经可以证明Mongodb的性能是多么强劲了。另外一个原因是,在很多时候可能数据只达到千万我们就会对库进行拆分,不会让一个库的索引非常庞大。在测试的过程中还发现几个问题需要值得注意:
1) 在数据量很大的情况下,对服务进行重启,那么服务启动的初始化阶段,虽然可以接受数据的查询和修改,但是此时性能很差,因为mongodb会不断把数据从磁盘换入内存,此时的IO压力非常大。
2) 在数据量很大的情况下,如果服务没有正常关闭,那么Mongodb启动修复数据库的时间非常可观,在1.8中退出的-dur貌似可以解决这个问题,据官方说对读取没影响,写入速度会稍稍降低,有空我也会再进行下测试。
3) 在使用Sharding的时候,Mongodb时不时会对数据拆分搬迁,这个时候性能下降很厉害,虽然从测试图中看不出(因为我每一次测试都会测试比较多的迭代次数),但是我在实际观察中可以发现,在搬迁数据的时候每秒插入性能可能会低到几百条。其实我觉得能手动切分数据库就手动切分或者手动做历史库,不要依赖这种自动化的Sharding,因为一开始数据就放到正确的位置比分隔再搬迁效率不知道高多少。个人认为Mongodb单数据库存储不超过1亿的数据比较合适,再大还是手动分库吧。
4) 对于数据的插入,如果使用多线程并不会带来性能的提高,反而还会下降一点性能(并且可以在http接口上看到,有大量的线程处于等待)。
5) 在整个测试过程中,批量插入的时候遇到过几次连接被远程计算机关闭的错误,怀疑是有的时候Mongodb不稳定关闭了连接,或是官方的C#客户端有BUG,但是也仅仅是在数据量特别大的时候遇到几次。
最新补充:在之后我又进行了几天测试,把测试数据量进一步加大到5亿,总磁盘占用超过500G,发现和2亿数据量相比,所有性能都差不多,只是测试6和测试7在超过2亿级别数据之后,每400万记录作为一个循环,上下波动30%的性能,非常有规律。