数据摄取
Druid数据摄取分类
- Druid支持流式和批量两种方式的数据摄入,针对不同类型的数据,Druid将外部数据源分为两种形式:
- 流式数据源
- 指的是持续不断地生产数据的数据源。例如:消息队列、日志、文件等
- 静态数据源
- 指的是数据已经生产完毕,不会有新数据产生的数据源。例如:文件系统的文件
- 流式数据源
批量(离线)数据摄取
- 批量数据可以通过两种方式来摄入:
摄取本地文件
摄取HDFS文件
- Druid支持加载HDFS上的数据。它会使用 HadoopDruidIndexer 加载批量数据,将数据生成 segments 文件,存放在HDFS上,再从HDFS下载 segments 文件到本地。然后便可从Druid中查询数据。
- 需求:摄取HDFS上的wikiticker-2019-09-12-sampled.json文件到Druid中
- 操作步骤:
- 1、启动HDFS集群、YARN集群
- 2、上传 druid测试数据源\维基百科访问日志数据到任意服务器 /root/druid/data3 目录,再将 wikiticker-2019-09-12-sampled.json 文件上传到HDFS
hadoop fs -put wikiticker-2015-09-12-sampled.json /
- 3、修改 index_wikiticker-2015-9-12-sample.json 文件中配置 HDFS 的地址
- 4、使用 postman 提交索引任务
- 将index_wikiticker-2019-9-12-sample.json文件中的内容拷贝到 postman 中
- 发送post请求到http://node1:8090/druid/indexer/v1/task
- 5、到 Druid控制台中执行SQL查询
SELECT *
FROM "wikiticker"
LIMIT 1
流式(实时)数据摄取
Kafka索引服务方式摄取
- 需求:实时摄取Kafka中 metrics topic的数据到 Druid中
- 操作步骤:
- 1、启动 Kafka 集群
- 2、在Kafka集群上创建一个名为metrics的topic
bin/kafka-topics.sh --create --zookeeper node1:2181,node2:2181,node3:2181, --partitions 1 --replication-factor 1 --topic metrics
-
3、定义摄取配置文件
- 修改 druid测试数据源\kafka实时摄取数据中的 index-metrics-kafka.json 文件中的kafka服务器地址
-
4、打开postman提交索引任务
- 将 index-metrics-kafka.json 文件中的内容拷贝到 postman 中
- 发送post请求到http://node1:8090/druid/indexer/v1/supervisor
-
在Overlord中可以看到
-
5、在Kafka集群上开启一个控制台producer
/export/servers/kafka_2.11-1.0.0/bin/kafka-console-producer.sh --broker-list node1:9092,node2:9092,node3:9092 --topic metrics
- 6、在Kafka producer控制台中粘贴如下数据
{"time":"2019-07-23T17:57:58Z","url":"/foo/bar","user":"alice","latencyMs":32}
{"time":"2019-07-23T17:57:59Z","url":"/","user":"bob","latencyMs":11}
{"time":"2019-07-23T17:58:00Z","url": "/foo/bar","user":"bob","latencyMs":45}
- 7、在 Druid Console中执行以下SQL查询
SELECT *
from "metrics-kafka"
LIMIT 1
摄取配置文件结构说明
主体结构
- 摄取配置文件主要由以下几个部分组成:
- type:文件上传方式(index、index_hadoop、kafka)
- spec
- dataSchema:数据解析模式
- ioConfig:数据源
- turningConfig:优化配置(分区规则、分区大小)
{
// ① 文件上传方式
// 1.1 index - 上传本地文件
// 1.2 index_hadoop - 上传HDFS文件
// 1.3 kafka - 拉取Kafka流数据
"type": "index",
"spec": {
// ② 数据解析模式
"dataSchema": {...},
// ③ 摄取数据源
"ioConfig": {...},
// ④ 摄取过程优化配置
"tuningConfig": {...}
}
}
数据解析模式
- 数据解析模式,主要为针对数据文件,定义了一系列规则:
- 取时间戳属性
- 维度属性
- 度量属性
- 定义如何进行指标计算
- 配置粒度规则
// ② 数据摄取模式
"dataSchema": {
// 2.1 数据源(表)
"dataSource": "ad_event_local",
// 2.2 解析器
"parser": {
// 2.2.1 解析字符串文本
"type": "String",
"parseSpec": {
// 2.2.1.1 字符串文本格式为JSON
"format": "json",
// 2.2.1.2 指定维度列名,维度与时间一致,导入时聚合
"dimensionsSpec": {
"dimensions": [
"city",
"platform"
]
},
// 2.2.1.3 指定时间戳的列,以及时间戳格式化方式
"timestampSpec": {
"format": "auto",
"column": "timestamp"
}
}
},
// 2.3 指标计算规则
"metricsSpec": [
{
//name表示列名
"name": "count",
"type": "count"
},
{
// 2.3.1 聚合计算后指标的列名
"name": "click",
// 2.3.2 聚合函数:count、longSum、doubleSum、longMin、doubleMin、doubleMax
"type": "longSum",
"fieldName": "click"
}
]
// 2.4 粒度规则
"granularitySpec": {
"type": "uniform",
// 2.4.1 按天来生成 segment (每天生成一个segment)
"segmentGranularity": "day",
// 2.4.2 查询的最小粒度(最小粒度为小时)
"queryGranularity": "hour",
// 2.4.3 加载原始数据的时间范围,批量数据导入需要设置/流式导入无需设置
"intervals": [
"2018-12-01/2018-12-03"
]
},
}
数据源配置
- 数据源配置主要指定:
- 要加载数据的类型
- 从哪儿加载数据
"ioConfig": {
"type": "index",
"inputSpec": {
// 3.1 本地文件 local/ HDFS使用 hadoop
"type": "local",
// 3.2 路径
"baseDir": "/root/data/",
// 3.3 只过滤出来哪个文件
"filter": "ad_event.json"
}
}
优化配置
- 通常在优化配置中可以指定一些优化选项
"tuningConfig": {
"type": "index",
// 4.1 分区类型
"partitionsSpec": {
"type": "hashed",
// 4.2 每个分区的目标行数(这里配置每个分区500W行)
"targetPartitionSize": 5000000
}
}