- 博客(74)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 kettle之数据库连接-Generic database连接hive(CDH版)
是因为驱动包的版本不对，因为我们连接的是cdh的hive，所以需要导CDH集群目录下拷贝hive的驱动包，一般在CDH/jars/hive-jdbc-1.1.0-cdh5.5.0-standalone.jar。包这个错是因为缺少hadoop-common包，也是到CDH目录下拷贝hadoop-common-2.6.0-cdh5.5.0.jar即可。版本：kettle7.1、hive-common-1.1.0-cdh5.5.0。
2023-06-26 11:06:28
1097
原创 kettle文件资源库之Show hidden folders
这个功能的实际应用场景在于，例如我们的kettle资源库是用git进行版本管理的，那么git就会在根目录下生成一个.git的隐藏文件，如果没有勾选这个选项，那么kettle会把这个文件夹当做资源库目录来扫描，而这个目录文件或文件夹会很多（可能成百上千个），会导致在打开资源库的时候非常缓慢，这时候这个选项就很有用处了。通过repositories.xml文件我们可以看到，其实这个选项在配置文件中对应的标签是：<hides_hidden_files>Y</hides_hidden_files>，默认是N。
2023-06-25 15:16:48
639
原创 waterdrop1.x导入clickhouse分布式表-修改源码
接上一篇，使用fiter+sql方式进行分布式写表，存在效率低的问题，现在尝试从源码入手，制定clickhouse的分布式表本地写入方案1、目标：实现按行hash和按行随机两张写表模式，兼容之前的单机模式和分区随机模式2、思路:新增2个参数write_mode：写表方式 hash_fields：hash字段，支持多个字段，逗号分隔伪码：如果（【cluster】参数有效）： 如果（【write_mode】有效）： 如果（write_mode=‘rowhash’,且【
2022-02-22 14:05:11
849
原创 waterdrop1.x导入clickhouse分布式表-fitersql
接上一篇，最后留下的两个问题， 针对问题2：在不修改源代码的情况下，如何实现分布式表的本地hash方式写入？现在做一些尝试和验证。思路:waterdrop是可以进行多数据流程处理的，官方说明文档：配置示例3 : 一个灵活的多数据流程处理利用这个特点，可以配置多个output和多个fiter一一对应，在fiter中利用spark sql进行hash分流，注册N个临时表，然后对应N个output输出到N个shard中。下面来实际测试：在测试之前，请确保你的clickhouse分布式...
2022-02-10 16:04:26
1425
原创 waterdrop1.x导入clickhouse分布式表-默认方式
先引用一段官方output clickhouse插件中，对分布式表的说明官方文档地址：https://interestinglab.github.io/seatunnel-docs/#/zh-cn/v1/configuration/output-plugins/Clickhouse分布式表配置ClickHouse { host = "localhost:8123" database = "nginx" table = "access_msg" cluster =
2022-02-08 19:22:35
950
原创 clickhouse集群模式配置
1、分布式集群常见方案方案 特点 方案一：MergeTree + Distributed 1、无副本。2、无需zk。3、只能写本地表 方案二：MergeTree + Distributed+集群复制 1、写集群表。2、利用集群复制机制解决副本问题。3、无需使用zk 方案三：ReplicatedMergeTree + Distributed 1、写本地表，通过zk做副本分发。2、写本地表，读集群表。3、高度依赖zk 我这里因为数据是从hive表导入的，所以无需副本.
2022-02-08 18:55:09
3206
原创 复杂sql-按【地点】变化分组（【地点停留】时长问题）
示例数据如下： 序号 时间 地点 1 9：00 A 2 9：01 A 3 9：03 A 4 9：04 B 5 9：09 A 要
2021-07-12 17:21:34
349
原创 图解kafka消费者两种分区分配策略
c1 c2 c3 range策略 p0、p1 p2、p3 p4 roundrobin策略 p0、p3 p1、p4 p2 可能你会觉得两种策略差不多，两种策略都是：c1两个分区、c2两个分区、c3一个分区下面再来看多个TOPIC的情况： c1 c2 c3 range策略 p1_0、p1_1、p2_0、p2_1 p1_2、p1_3、p2_20、p2_3 p1_4、p2_4 rou......
2021-06-28 11:41:54
270
原创 复杂sql-按【连续时间】分组（连续【登录】天数问题）
本文基于hive1.1.0-cdh5.12.1示例数据如下： userid date a 2021-01-01 a 2021-01-02 a 2021-01-03 a 2021-01-05 a 2021-01-06 b 20
2021-06-28 10:04:12
607
原创 sql技巧-滚动窗口分组
本文基于hive1.1.0-cdh5.12.1将数据按N个一组进行分组示例数据： id 0 1 2 3 4 6 7 要求：将id按一个长度为N的滚动窗口分组（N>1），并求出窗口区间(前闭后开)参考结果：N=3 id 分组 窗口区间 0
2021-06-21 17:13:04
556
原创 Type mismatch, expected: OutputTag[NotInferedX], actual: OutputTag[AnyLog]
今天在用SideOutPut写分流的时候，遇到了一个莫名其妙的错误：Type mismatch, expected: OutputTag[NotInferedX], actual: OutputTag[AnyLog]代码如下：大概的意思就是类型不匹配，经过与官网的例子进行逐行对比修改，在于发现问题，因为是网上找的java例子修改的，拷贝的时候，自动引用了错误的包之前引用的是java类org.apache.flink.util.OutputTag而正确的类应该是scala的类org.apa.
2020-11-27 16:51:41
524
原创 hive几种判断字符串开头的方法对比
select count(*) from tds_sk_his t where dt='2020-10-27' and user_num like '0086%'; --50.508 secondsselect count(*) from tds_sk_his t where dt='2020-10-27' and user_num rlike '^0086'; --46.483 secondsselect count(*) from tds_sk_his t where dt=...
2020-10-28 11:39:30
11758
原创 sparkstreaming reduceByKeyAndWindow 高效的同时带来的问题
reduceByKeyAndWindow 有一个重载reduceByKeyAndWindow(func,invFunc,windowLength,slideInterval,[numTasks])，可以实现高效计算。它的原理是维护一个中间状态（结果），然后对增量（减量）进行计算。但同时也随之带来两个问题1、必须维护中间状态，所以使用这个方法时，必须同时使用checkpiont。2、因为有中间结果的存在，所以当某个key已经完全滑出窗口后，这个key依然还会在中间结果中维护随着时间的推移，如果
2020-08-14 10:18:25
418
原创 kettle导出Excel报错：No such file or directory
明明已经指定文件对了目录和文件名，但是导出时仍然提升文件不存在。而且偶尔也能成功。2020/04/09 19:35:31 - Excel 输出:新疆.0 - ERROR (version 6.1.0.1-196, build 1 from 2016-04-07 12.08.49 by buildguy) : java.lang.RuntimeException: java.io.IOExce...
2020-04-10 14:51:39
1648
原创 scala可变集合与不可变集合的理解
var mySet=Set("a","b"); //声明一个可变的mySet变量，可以想象mySet只需的内存地址是A0001mySet.add("c"); //报错，因为mySet是一个不可变对象，它没有add方法mySet=Set("a","b","d"); //正常执行，因为用var什么，mySet指针可以改变。这时候mySet只需的内存地址是A0002val mySet=Set("...
2020-04-08 21:16:00
960
1
原创 HIVE自定义UDAF中将部分结果汇总时需要注意的一个地方
最近有些了一个UDAF，在调试时，遇到了一些奇怪的现象，明明逻辑正确，却总是得不到预期的结果。而且测试环境正确，但是放到生产环境的不正确。通过对应中间变量日志，看到以下数据：以上是map的日志输出，可以看到，两次输入的value数组，在第四行的oprations（中间缓存变量）时，变成了两个一模一样的数组。这是一个典型的引用变量问题。观察代码如下：private ArrayList&...
2020-04-01 14:37:29
311
原创 hive查询元数据得到表及字段结构注释
--hive查询元数据得到表及字段结构注释SELECT DBS.DB_ID,DBS.NAME,TBL_ID,TBL_NAME,COLUMNS_V2.CD_ID,COLUMNS_V2.COMMENT,INTEGER_IDXfrom TBLSLEFT join DBSon TBLS.DB_ID=DBS.DB_IDleft join SDSon TBLS.SD_ID=SDS.SD_ID...
2020-03-24 11:57:04
8464
原创 HIVE在UDAF中使用TreeMap的问题
由于业务需要，编写了一个自定义的聚合函数，实现一个自定义的累加器。因为其中vlues需要排序，所以就使用了一个TreeMap，根据模板及《hadoop权威指南》中的说明，merge()方法，接受一个对象作为输入。这个对象的类型必须和terminatePartial()方法的返回类型一致。我的代码片段如下：private TreeMap<Long,ArrayList<Lon...
2019-11-22 18:16:09
339
原创 grafana连接mysql时区问题
在用grafana连接mysql的一个视图展示数据时，出现grafana中的时间比数据库中的时候多8小时的问题，表现如下：视图结构：数据：grafana展示：从上两张图可以看到，数据库中1点钟的值是8，但是在grafana中展示的缺失9点钟的值是8，这是很典型的时区问题。尝试设置grafana中的时区。将时区从defualt改成第三个UTC后，展示结果如下...
2019-08-06 10:54:30
11502
2
原创 hive on spark 内存溢出
前端时间用hive改写了一个java mapreduce查询，由于用到了grouping sets，组合比较多，同时数据也比较大（每天1700万左右），需要对当月进行统计。每到下半月时，reduce阶段就经常报内存溢出错误。错误信息如下Reducer preempted to make room for pending map attempts Container killed by the...
2019-07-31 19:01:06
1715
原创 关于hive中的with as 语法
网络上搜索到的结果，都是说with as可以有缓存数据，减少表扫描，优化速度的作业，其实并不是这样，以下通过实验分析和证明写一个很简单的语句：with t as(select regexp_replace(reflect("java.util.UUID", "randomUUID"), "-", "") AS id --生成一个随机id,'andy' as name) selec...
2019-06-20 15:42:20
7647
4
原创 hive on spark 修改application name
基于spark引擎的hive，在hive客户端中提交查询sql后，在yarn管理界面，或者8088界面，看到的作业名称都是"hive on spark"，如下图所示，如果有多个脚本同时在运行时，就不好分辨。如果是基于mapreduce引擎的，可以通过设置mapred.job.name参数来实现(笔者未验证)。而基于spark引擎的，需要设置spark.app.name。hive...
2019-04-08 12:56:31
2711
原创 使用欧元符号€作为hive表的分割符
现有一份数据，是使用欧元符€作为分隔符，现在想要将数据加载到hive中。普通的 row format delimited FIELDS TERMINATED BY '€' 并不行，百度找到一篇博客，说使用 -128作为分隔符，也不行。解决这个问题，需要使用到org.apache.hadoop.hive.contrib.serde2.MultiDelimitSerDe这个类。这个类常用于...
2019-04-03 20:12:16
2617
2
原创 kettle之param选项使用
通过命令行调用kettle的转换或者作业时，有时候需要传递一个变量参数，例如：（以下命令是在资源库环境下运行）kitchen.sh -rep:BAS2.0_TRANSFE -user:admin -pass:admin -dir / -job:test1 -param:day=20181201 这样的参数，在kettle成为命名参数，-param:day=20181201就是传递的命名...
2018-12-25 12:04:58
2258
原创 华为：无法连接远程服务器:未知插件kcptun
是需要设置关联启动因为shadowsocks需要启动kcptun开启方法：手机管家-自启管理-应用关联启动管理找到kcptun，开启可被其他应用启动 即可
2018-05-08 12:46:40
9611
5
原创 JAVA类与接口的关系
类与接口，继承、实现关系总结如下：接口 继承 接口 （可以继承多个接口）接口 不能继承、实现 类类 实现 接口 （可以实现多的接口）类 继承 类 （不可以继承多个类）因为接口中不能定义方法体，所以接口不能继承（更不能实现）类。虽然jdk1.8可以在接口中有方法实体，但接口依然不能继承类。...
2018-04-17 19:20:35
945
原创 使用jaydebeapi同时连接两个不同数据库（oracle+mysql）的问题
在使用jaydebeapi只连接一种数据库时，是没问题的，但是如果需要同时连接两种数据库，不然同时连接oracle和mysql例如以下测试代码：import jaydebeapi ##使用jdbc驱动连接数据库import pandas as pddirver='oracle.jdbc.driver.OracleDriver'jarFile='D:\\WORK\\PYScript\\Bi...
2018-04-02 11:24:35
7227
3
原创 java知识备忘
最近重新看了一遍java基础，记录了一些之前没太注意的细节，以备之后参考复习：&&和&都可以表示逻辑与，&&为短路逻辑与，如果全面的表达式为false，则不再执行后面的表达式。&为非短路逻辑与，判断两个表达式的真假。同理||和|类似&&和&都可以表示逻辑与，&&为短路逻辑与，如果全面的表达式为false，则不再...
2018-03-30 19:53:59
212
原创 java api调用Kettle作业需要引用jar包最小集
在使用java 调用Kettle作业是，需要调用一些第三方包，理论上，把Kettle_Home下的lib和libswt全都引用进去就可以了，但是作业引用的话，打包后jar巨大，100多M，所以最好是引用最小集即可。经过反复测试得到，java调用Kettle时引用第三方jar包的最小集为：kettle-engine-7.0.0.0-25.jarkettle-core-7.0.0.0-25.jarme...
2018-02-08 17:07:11
5133
4
原创 equals及hashCode的一点理解
最近在学习mapreduce时，自定义了一个AppUidKey类作为自定义key。AppUidKey类需要重写equals方法，重写equals方法就必须重写hashCode方法，所以找了些资料学习，对hashcode有了一点点理解，也不一定全都准确，权当学习笔记 我们知道，两个String对象比较是否相等时，是判断其内容是否相等,而String的父类Object中的equals只有在两个引用
2018-02-02 09:47:12
257
原创 Hadoop HDSF并行复制数据
在HDFS中复制数据，最普通的命令是Hadoop fs -cp，但是这是一个单线程的复制方式，如果需要复制一个很大的目录和文件，需要时间将比较长。其实Hadoop还提供了一个更加高效的复制数据命令 Hadoop distcp 源目录 目标目录测试在10个节点的集群上复制一个24G的目录，使用Hadoop fs -cp用了7分钟，而用Hadoop distcp只用了不到1分钟，速度快了将近1
2018-01-22 19:50:46
1034
原创 python DataFrame转换成柱状图html代码
之前写了个服务器磁盘监控的脚本，每天将磁盘的使用情况通过电子邮件发送出来，通过paramiko.SSHClient()将磁盘使用情况报错到一个DataFrame对象中，然后通过DataFrame的实例方法to_html直接转换成html，最后通过MIMEText发送html到邮箱中。 通过以上方法，在邮件正文中看到的是表格，在服务器较多时，不够直观。所以想改造成直接显示柱状图。但是邮
2018-01-20 15:57:00
2426
原创 python使用jdbc连接oracle数据库
想将一个python项目部署到生产服务器上运行，但是服务器上没有装oracle客户端，无法使用cx_Oracle包，所以想要使用jdbc来连接数据库，遂有了一下测试。python版本： C:\Users\Administrator>pythonPython 3.5.2 |Anaconda 4.2.0 (64-bit)| (default, Jul 5 2016, 11:41...
2018-01-16 13:45:48
21744
8
原创 networkx 画图中文方块
今天在使用networkx画网络社交图时，画出来的节点名称中文显示全是方块，经过多次百度和尝试，最终解决版本：Python 3.5 （Anaconda3）操作系统：win71、下载一个中文字体，比如微软雅黑msyh.ttf2、找到python安装目录下的字体文件目录，比如我的是：F:\Program Files\Anaconda3\Lib\site-pack
2017-12-26 19:53:26
2875
2
原创 使用sqoop2实现hdfs与Oracle数据相互导入
上一篇已经完成了sqoop2的安装，本篇文章介绍sqoop2将数据从Oracle导入hdfs已经从hdfs导入Oracle1、连接sqoop2服务sqoop2是c/s模式，之前安装并启动的是sqoop的服务端，如果想要使用和操作sqoop2，需要通过客户端连接到服务端，然后使用。只要保证服务端正常处于运行状态，客户端可以从任意终端发起。也就是说，客户端可以是一台只解压了sqoop2安装包的
2017-10-14 10:31:43
8375
原创 zookeeper管理数据库连接信息
zookeeper管理数据库连接信息本文将讲解如何利用zookeeper来管理项目中的数据库连接信息，即将数据库的IP、账号密码等信息存储在zookeeper中，这样的好处是可以将多个工程的数据库连接集中管理，而zookeeper本事又是分布式的，所以可靠性又有保障。一、安装zookeeper1、下载zookeeper可以通过官方网站或者国内镜像下载：官方网站：ht...
2017-10-06 16:08:26
3080
原创 Kettle之【执行SQL脚本】控件用法
版本：kettle6.1控件：执行SQL脚本该控件可以执行一个update语句，用来更新某个表中的数据，如果不带条件，就很简单，把SQL语句粘贴到控件中，设置好数据库连接即可如果需要带条件执行，则需要进行一些设置。入下图，是一种常用的设置方法需要设置的地方有：1、勾选“变量替换”2、勾选“执行每一行?”3、勾选“Bind parmaters?”4、在wh
2017-07-20 11:44:40
18726
4
原创 KETTLE大批量提交数据时出现丢失问题
之前在做ETL是，表输入控件中，设置批量提交，并且将【提交记录数】设置为10万，脚本正常执行完，没有报然后错误，但是目标表的数据行数只有源表的三分之一左右，出现了数据莫名丢失的情况，在交流群中求助，也没有谁能解答，百思不得其解。一次偶然的机会，在网上看到关于oracle的jdbc驱动，比较ojdbc6.jar与ojdbc14.jar的区别。提到ojdbc14.jar存在的一些bug，批量插入1
2017-07-18 15:45:45
7173
1
waterdrop1.x output clickhouse classes
2022-02-22
py4j源码安装包源码
2018-08-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人