目录
首先,确保已经安装好mysql和datax。本案例实现从mysql同步数据到hive,从hive同步数据到datax。
mysql字符格式设置(可跳过)
如果mysql中数据有中文字符串,需要设置对应格式为utf-8,否则在写入数据的时候会报错。先查看以下配置的格式
show variables like 'character%';
需要将其修改为utf8,我的mysql通过rpm安装,修改目录的位置在 /etc/my.cnf
添加这一行配置,从客户端的查询结果中复制粘贴即可。
重启服务
service mysqld restart
启动mysql,再次查询
可以发现,修改成功。
mysql写入hive
创建以下student表
create database test;
use test;
create table student (id int,name varchar(20),age int);
insert into student values(1,'张三',18),(2,'李四',21),(3,'艾丽丝',20);
hiveDDL
create external table student(id int, name string, age int) row format delimited fields terminated by '\t' location '/datax_demo';
datax json文件配置
{
"job": {
"setting": {
"speed": {
"channel": 3
},
"errorLimit": {
"record": 0,
"percentage": 0.02
}
},
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"username": "root",
"password": "123456",
"column": [
"id",
"name",
"age"
],
"connection": [
{
"table": [
"student"
],
"jdbcUrl": [
"jdbc:mysql://node1:3306/test"
]
}
]
}
},
"writer": {
"name": "hdfswriter",
"parameter": {
"defaultFS": "hdfs://node1:9000",
"fileType": "text",
"path": "/datax_demo",
"fileName": "datax",
"column": [
{
"name": "id",
"type": "INT"
},
{
"name": "name",
"type": "string"
},
{
"name": "age",
"type": "int"
}
],
"writeMode": "append",
"fieldDelimiter": "\t",
"compress":"gzip"
}
}
}
]
}
}
defaultFS 填namenode通信端口
path 必须实现在hdfs中完成创建
filename 是文件前缀
直接从官网复制下来修改即可 GitHub - alibaba/DataX: DataX是阿里云DataWorks数据集成的开源版本。,不需要的配置可以删除,如下
需要注意,text的文件类型,压缩格式必须设置GZIP或者BZIP2,否则会报错。如果使用的orc则不会出现这种问题。
完成建表后,保证hadoop、mysql、hive正常运行,在datax安装目录下执行以下命令(注意,需要修改为自己相应的文件目录)
python /opt/module/datax/bin/datax.py /opt/module/datax/job/test.json
运行后查看结果
写入指定分区
上面是简单的同步案例,但是hive通常会建分区表,因此我们要考虑怎么将数据读到hive的某一个分区中去,下面我们来实现这个案例。仍然使用mysql的student表,在hive中建一个分区表student2;
create external table student2(id int, name string, age int)
partitioned by (dt string)
row format delimited fields terminated by '\t' location '/datax_demo';
insert into student2 partition(dt='2024-04-04') select 1,'lily',19;
需要注意一点,如果没有执行上面的insert语句,那么在执行datax任务前一定要收到在hdfs里建好文件。
datax的json文件配置仅需要修改hdfs中的writer的path配置
设置一个灵活的传参方式,执行示例如下
python bin/datax.py -p"-Ddt=dt=2024-04-04" job/test_pt.json
注意,-p后面传入的是参数名和参数值,而这个文件值需要与hdfs中的文件名保持一致。
运行后在hive中执行查询
hive写入mysql
hive的表就使用student2即可,建议写入前将之前insert的00000文件删掉。
mysql DDL
create table if not exists sync_student(id int, name varchar(20), age int);
json文件
{
"job": {
"setting": {
"speed": {
"channel": 3
}
},
"content": [
{
"reader": {
"name": "hdfsreader",
"parameter": {
"path": "/datax_demo/${dt}/*",
"defaultFS": "hdfs://node1:9000",
"column": [
{
"type": "string",
"index": 0
},
{
"type": "string",
"index": 1
},
{
"type": "string",
"index": 2
}
],
"fileType": "text",
"encoding": "UTF-8",
"fieldDelimiter": "\t",
"compress":"gzip"
}
},
"writer": {
"name": "mysqlwriter",
"parameter": {
"writeMode": "insert",
"username": "root",
"password": "123456",
"column": [
"id",
"name",
"age"
],
"preSql": [
"truncate table sync_student"
],
"connection": [
{
"jdbcUrl": "jdbc:mysql://node1:3306/test?useSSL=false&allowPublicKeyRetrieval=true&useUnicode=true&characterEncoding=utf-8",
"table": [
"sync_student"
]
}
]
}
}
}
]
}
}
注意一点,hdfs reader中的数据类型都设置为string,虽然id和age是int类型,但是写成int会报错脏数据,string不会。