数据转移-从MySQL到Hive

简介

Hive是Hadoop生态中非常重要的一环，可以作为数据仓库存储极大量的数据；另外，还可以实现与MySQL、NoSQL等传统数据库，HBase等大数据控件之间的数据ETL。在我的日常工作中，将使用Hive的经验总结如下。

---

打开Hive

Hive从属于Hadoop生态的一环，一般安装在Linux服务器上，我司也不例外。由于环境早已配置好了，这里只讲述hive的使用，不讲述其安装配置。

1.打开Xshell软件，建立个人Windows PC机与Linux服务器的远程连接；

2.在界面中输入su hdfs进入操作者模式，再输入hive，从Linux中进入Hive内部，启动Hive的代码如下：

[root@name01-test ~]# su hdfs
[hdfs@name01-test root]$ hive
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=512M; support was removed in 8.0
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-5.15.0-1.cdh5.15.0.p0.21/jars/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-5.15.0-1.cdh5.15.0.p0.21/jars/spark-assembly-1.6.0-cdh5.15.0-hadoop2.6.0-cdh5.15.0.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]
Java HotSpot(TM) 64-Bit Server VM warning: Using incremental CMS is deprecated and will likely be removed in a future release
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-5.15.0-1.cdh5.15.0.p0.21/jars/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-5.15.0-1.cdh5.15.0.p0.21/jars/spark-assembly-1.6.0-cdh5.15.0-hadoop2.6.0-cdh5.15.0.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=512M; support was removed in 8.0
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-5.15.0-1.cdh5.15.0.p0.21/jars/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-5.15.0-1.cdh5.15.0.p0.21/jars/spark-assembly-1.6.0-cdh5.15.0-hadoop2.6.0-cdh5.15.0.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]

Logging initialized using configuration in jar:file:/opt/cloudera/parcels/CDH-5.15.0-1.cdh5.15.0.p0.21/jars/hive-common-1.1.0-cdh5.15.0.jar!/hive-log4j.properties
WARNING: Hive CLI is deprecated and migration to Beeline is recommended.
hive> [hdfs@name01-test root]$ 

注意：这里只有第一行的[root@name01-test ~]# su hdfs中的su hdfs和第二行的hive是自己手动输入的，下面的大段代码都是系统默认给出的，不用管。接下来，在hive> [hdfs@name01-test root]$后面敲出Hive SQL即可；

注意：这里进入hive的代码，不能直接输入hive；因为我连接服务器的账号是root，而当hadoop集群加上权限管理后，即使是linux的root用户也不能拥有最高权限了，root用户很多数据库都进去不了了。因为hdfs的管理员是hdfs，因此，只能以su dhfs的方式进去；

3.Hive QL简称HQL，语法与MySQL几乎完全一样。所以说，搞数据开发，MySQL是基石，非常之重要；

---

任务描述

昨天小组组长给了一个新手任务：
我的本地电脑描述为PC-A，远程电脑PC-B上有个MySQL数据库，hadoop集群部署在测试服务器PC-C上。现在，需要把PC-B上的一些table导入到PC-C的Hive数据仓库中。怎么办？

---

解决思路

1. 利用Navicat软件连接到远程电脑PC-B的MySQL上，会发现MySQL中有很多个DataBases，每个db又有很多个Tables。选择自己需要导出的Tables，记住它的名字。假设需导出的table为数据库D_db下的E_tab；
   
   1. 利用Kettle Spoon软件，连接到D_db上；然后建立“表输入”-“文本文件输出”关系，以E-tab为输入文件，自主命名一个txt为输出文件，利用Kettle Spoon将MySQL中的目标表格转化为F_txt格式，并保存到本地；
   2. 利用Xftp软件，建立起PC-A本地电脑与hadoop PC-C的连接，再讲上述的F_txt拷贝到PC-C的Linux的某个地址下；
   3. 利用Xshell软件，再PC-A上远程操作PC-C的系统，进入hive数据库之后，新建一个新表G_tab，然后将F_txt直接加载到G_tab中，即完成了小组长所述的数据转移操作。

---

技术点

1. 将本地电脑PC-A连接到远程服务器PC-B~MySQL。这个实在太简单了，就不说了；
   
   1. Navicat、Kettle Spoon、Xftp、Xshell的基本使用方法；
   2. Linux的基本命令，MySQL和Hive的基本语句（二者很相似）；
   3. 在PC-C中新建的表格G_tab，其属性名必须与E_tab完全一致。创建G_tab的方法，需要使用到其DLL，可通过下面两种方法来得到；
      
      
   4. 得到DLL之后，还需要修改其语法，特别是属性、分隔符等，使其符合Hive语法，才能将上述语句粘贴到Hive命令行下面，新建G_tab；load data local inpath '/root/ys/ys.txt(你自己的文件名及Linux路径)' into table G_tab; 详情可参考https://www.cnblogs.com/juncaoit/p/6027977.html；
   5. 要尤其注意，使用Kettle Spoon转换MySQL为txt的时候，要设置分隔符，最好是||，这一点非常重要；相对应的，在新建G_tab时，要在其DLL末尾加上一句：ROW FORMAT DELIMITED FIELDS TERMINATED BY '（分隔符）' STORED AS TEXTFILE。否则，导入Hive的都是NULL；
      8.导入完毕之后，使用：SELECT * FROM G_tab或者SELECT * FROM G_tab LIMIT 100查看前100行数据，是否与MySQL中的一致，若不一致，则说明导入Hive出了问题。

---