目录
一、sqoop的高阶用法
1.1 增量导入
1.1.1 增量和全量的概念
在实际生产环境中,数据要源源不断的导入到数据仓库中进行分析。而增量导入是必须的,也可以避免很多重复的数据出现。
增量导入的概念:就是将数据源的新数据(旧数据已经导入过)导入到hadoop生态系统中。
订单表 : 订单号,商品ID,用户ID,时间
全量导入: 当数据变化的量相对较少时,可以重新覆盖导入。
用户信息表
商品信息表
店铺信息
1.1.2 增量导入的方式
增量导入的方式有三种
1. 使用通用参数:--append
2. 使用-e|--query,指定条件进行增量导入
3. 使用--incremental 和 --last-value --check-column 组合进行增量导入
--incremental 用来指定导入模式, append|lastmodified
--last-value 记录上一次导入的最大值,表示这一次从这个值开始导入
--check-column 用于指定要检查的字段。
1.1.3 案例演示
1)使用--query方式增量导入到hive中
# 假如昨天导入的数据是10和20号部门的数据,如下:
[root@xxx01 ~]# sqoop import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
-e "select * from emp where \$CONDITIONS and deptno in(10,20)" \
--split-by "empno" \
--target-dir "/temp/emp" \
--delete-target-dir \
--hive-import \
--hive-table "sz2103.emp_inrem" \
--fields-terminated-by "\t" \
-m 2
#今天导入新增加的30号部门的数据
[root@xxx01 ~]# sqoop import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
-e "select * from emp where \$CONDITIONS and deptno in(30)" \
--split-by "empno" \
--target-dir "/temp/emp" \
--delete-target-dir \
--hive-import \
--hive-table "sz2103.emp_inrem" \
--fields-terminated-by "\t" \
-m 2
2) 测试通用参数--append
小贴士:想要增量导入,就不能使用--delete-target-dir ,需要使用--append参数向hdfs上追加数据
如果不指定--append参数,会报目录已经存在。
# 模拟昨天的数据:
[root@xxx01 ~]# sqoop import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
--table emp \
--target-dir "/sqoop/emp_increm" \
--delete-target-dir \
--fields-terminated-by "\t" \
--where "deptno=10 or deptno = 20" \
-m 1
# 进行增量导入30号部门的数据
[root@xxx01 ~]# sqoop import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
--append \
--table emp \
--target-dir "/sqoop/emp_increm" \
--fields-terminated-by "\t" \
--where "deptno=30" \
-m 1
3)测试incremental,向hdfs上增量导入数据
--last-value: 从指定的值开始检查,如果有大于此值的数据,就认为是新数据,才会增量导入。导入后,会记录这次导入的最大值,为下一次增量导入做提示。
--check-column: 检查指定列,是否有新值,那么从意义上来说,指定的列应该具有唯一,非空,自增的特点。
# 模拟昨天的数据:
[root@xxx01 ~]# sqoop import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
--table emp \
--target-dir "/sqoop/emp_hdfs" \
--delete-target-dir \
--fields-terminated-by "\t" \
--where "empno<7700" \
-m 1
# 增量导入
[root@xxx01 ~]# sqoop import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
--table emp \
--target-dir "/sqoop/emp_hdfs" \
--fields-terminated-by "\t" \
--incremental append \
--last-value 7700 \
--check-column "empno" \
-m 1
注意:增量导入时,不要有--delete-target-dir参数
小贴士:
如果last-value的值由人来维护,那么很可能出现重复数据,人指定的值可能会出错,所以应该使用一种机制来自动维护last-value的值。
1.2 job的应用
1.2.1 job的优点
--1. 可以将导入导出语句创建到job里,然后可以重复的执行job。避免重写一堆参数,也可以使用定时器来定时执行job
--2. 如果job里封装了增量导入语句,由于job里自动维护了一堆参数,包括--last-value,因此执行job后,job会记录last-value的最新的值,以便下次导入新的行数据。
--3. 基于要维护last-value这样的值,因此涉及到元数据的存储。默认是存储到$HOME/.sqoop/下,但是不安全,因此也可以维护到mysql里。
1.2.2 job的参数
[root@xxx01 ~]# sqoop job --help
[root@xxx01 ~]# sqoop help job
usage: sqoop job [GENERIC-ARGS] [JOB-ARGS] [-- [<tool-name>] [TOOL-ARGS]]
Job management arguments:
--create <job-id> Create a new saved job
--delete <job-id> Delete a saved job
--exec <job-id> Run a saved job
--help Print usage instructions
--list List saved jobs
--meta-connect <jdbc-uri> Specify JDBC connect string for the
metastore
--show <job-id> Show the parameters for a saved job
--verbose Print more information while working
1.2.3 案例演示1
1)创建一个job,相当于将导入语句封装到job里。可以通过执行job来进行导入功能
[root@xxx01 ~]# sqoop job --create job1 \
-- import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
--table emp \
--target-dir "/sqoop/emp_job" \
--delete-target-dir \
--fields-terminated-by "\t" \
--where "empno<7700" \
-m 1
注意事项:
--1. 创建job时,一定要添加import参数,而且要与前面的--之间有一个空格
–2. 如果报以下错误:
ERROR sqoop.Sqoop: Got exception running Sqoop: java.lang.NullPointerException java.lang.NullPointerException
at org.json.JSONObject.<init>(JSONObject.java:144)
需要将java-json.jar包导入到sqoop的lib目录下
–3. 如果第一次创建时,失败的话,可能会产生jobid. 需要删除后再执行
2)查询所有的job
[root@xxx01 ~]# sqoop job --list
3)执行job
小贴士:会提示输入mysql的密码, 虽然job里有密码。
[root@xxx01 ~]# sqoop job --exec job1
4)写一个定时脚本执行,规定中午12点整和半夜12整执行
[root@xxx01 ~]# crontab -e
0 12,0 * * * /usr/local/sqoop/bin/sqoop job --exec job1
1.2.4 案例演示2
1)创建一个带有增量导入的job
[root@xxx01 ~]# sqoop job \
--create job2 \
-- import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
--table emp \
--target-dir "/sqoop/emp_hdfs" \
--fields-terminated-by "\t" \
--incremental append \
--check-column "empno" \
-m 1
2) 查看指定job
[root@xxx01 ~]# sqoop job --show job2
3)执行job
[root@xxx01 ~]# sqoop job --exec job2
4)在mysql的emp表中插入三条新记录
insert into emp (empno,ename,job,deptno) values (10001,'zhangsan','clerk',10);
insert into emp (empno,ename,job,deptno) values (10002,'lisi','clerk',10);
insert into emp (empno,ename,job,deptno) values (10003,'wangwu','clerk',10);
5)再次执行job2
[root@xxx01 ~]# sqoop job --exec job2
会看到之导入了大于10000的三条记录。last-value变成了10003
1.3 metastore的应用
1.3.1 metastore的介绍
1. metastore服务是sqoop的元数据服务,用于存储sqoop的job相关信息
2. 默认会使用内嵌的元数据库,存储位置位于~/.sqoop/下
3. 由于安全性问题,将job信息保存于关系型数据库中是最合适的,关系型数据库可以选择mysql
1.3.2 配置metastore服务项
步骤1)修改用户自定义配置文件
[root@xxx01 conf]# vim sqoop-site.xml
<configuration>
<!-- 是否要启动客户端自动连接元数据库 -->
<property>
<name>sqoop.metastore.client.enable.autoconnect</name>
<value>true</value>
</property>
<!-- 连接元数据库的url -->
<property>
<name>sqoop.metastore.client.autoconnect.url</name>
<value>jdbc:mysql://xxx03:3306/sqoop</value>
</property>
<!-- 连接元数据库的username -->
<property>
<name>sqoop.metastore.client.autoconnect.username</name>
<value>root</value>
</property>
<!-- 连接元数据库的密码 -->
<property>
<name>sqoop.metastore.client.autoconnect.password</name>
<value>@Mmforu45</value>
</property>
<!-- 是否要记住密码 -->
<property>
<name>sqoop.metastore.client.record.password</name>
<value>true</value>
</property>
<property>
<name>sqoop.metastore.server.location</name>
<value>/usr/local/sqoop/sqoop-metastore/shared.db</value>
</property>
<property>
<name>sqoop.metastore.server.port</name>
<value>16000</value>
</property>
</configuration>
步骤2)在mysql中创建sqoop数据库
mysql> create database sqoop;
步骤3)启动sqoop的服务项
[root@xxx01 ~]# sqoop metastore
或者后台启动
[root@xxx01 ~]# nohup sqoop metastore &
步骤4)在sqoop库中要维护一张表SQOOP_ROOT
#方式1:可以使用sqoop的某一个语句进行连接,这样就可以创建此表
执行如下语句即可
sqoop job --list --meta-connect 'jdbc:mysql://xxx03:3306/sqoop?user=root&password=@Mmforu45'
执行后,SQOOP_ROOT表创建成功, 有可能报错,但是表会创建成功。
#方式2)手动维护此表
CREATE TABLE `SQOOP_ROOT` (
`version` int(11) DEFAULT NULL,
`propname` varchar(128) NOT NULL,
`propval` varchar(256) DEFAULT NULL,
UNIQUE KEY `SQOOP_ROOT_unq` (`version`,`propname`)
) ENGINE=InnoDB DEFAULT CHARSET=latin1
步骤5)需要向SQOOP_ROOT中添加一条记录
insert into SQOOP_ROOT values (NULL, 'sqoop.hsqldb.job.storage.version', '0');
步骤6)修改两张表的存储引擎为myisam(innoDB引擎会引起事务锁超时情况)
alter table SQOOP_ROOT engine=myisam;
alter table SQOOP_SESSIONS engine=myisam;
如果执行上述语句时,报错,那么就再次执行一次:
sqoop job --list --meta-connect 'jdbc:mysql://xxx03:3306/sqoop?user=root&password=@Mmforu45'
然后再修改存储引擎
1.3.3 案例演示1
1)创建一个job
[root@xxx01 ~]# sqoop job --create job1 \
-- import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
--table emp \
--target-dir "/sqoop/emp_job" \
--delete-target-dir \
--fields-terminated-by "\t" \
--where "empno<7700" \
-m 1
2)查询metastore里保存的job
sqoop job --list \
--meta-connect 'jdbc:mysql://xxx03:3306/sqoop?user=root&password=@Mmforu45'
小贴士:由于sqoop-site.xml里的自动连接属性为true,所以可以不添加--meta-connect参数
3)执行metastore里保存的job
[root@xxx01 ~]# sqoop job --exec job1
1.3.4 案例演示2
1)创建增量导入的job
[root@xxx01 ~]# sqoop job --create job2 \
-- import \
--connect jdbc:mysql://xxx03:3306/sz2103 \
--username root \
--password @Mmforu45 \
--table emp \
--target-dir "/sqoop/emp_me" \
--fields-terminated-by "\t" \
--incremental append \
--check-column "empno" \
-m 1
注意:第一次创建增量job时,last-value参数可以不指定,默认导入全表的数据,然后会自动维护last-value的值
2)执行
sqoop job --exec job2
注意:想要使用metastore保存增量导入的job,那么SQOOP_SESSIONS的存储引擎必须是myisam。否则在执行job,想要保存last-value时,会失败
3)在mysql的emp表中插入两条新数据
insert into emp (empno,ename,job,deptno) values (10004,'lisi','clerk',10);
insert into emp (empno,ename,job,deptno) values (10005,'wangwu','clerk',10);
4)再次执行job2
sqoop job --exec job2
验证方式:
1. 可以查看hdfs上的目录的数据文件是否新增
2. 可以去mysql的sqoop库下查看SQOOP_SESSIONS里的数据
1.4 sqoop的优化
-1. mapTask的数量不能超过yarn的Vcore的数目,默认情况下yarn的VCORE的数量是8
-2. 如果数据量比较小,在200M以内,建议使用一个MapTask
-3. split-by指定的字段最好是均分分布的数字类型或者是时间类型。
-4. --fetch-size的数目的数据总大小最好在128M以内。
二、DataX概述
2.1 DataX简介
DataX 是一个异构数据源离线同步工具,致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。
设计理念
为了解决异构数据源同步问题,DataX将复杂的网状的同步链路变成了星型数据链路,DataX作为中间传输载体负责连接各种数据源。当需要接入一个新的数据源的时候,只需要将此数据源对接到DataX,便能跟已有的数据源做到无缝数据同步。
当前使用现状
DataX在阿里巴巴集团内被广泛使用,承担了所有大数据的离线同步业务,并已持续稳定运行了6年之久。目前每天完成同步8w多道作业,每日传输数据量超过300TB。
此前已经开源DataX1.0版本,此次介绍为阿里云开源全新版本DataX3.0,有了更多更强大的功能和更好的使用体验。
Github主页地址:GitHub - alibaba/DataX: DataX是阿里云DataWorks数据集成的开源版本。
2.2 DataX的框架设计
DataX本身作为离线数据同步框架,采用Framework + plugin架构构建。将数据源读取和写入抽象成为Reader/Writer插件,纳入到整个同步框架中。
Reader:
Reader 为数据采集模块,负责采集数据源的数据,将数据发送给Framework。
Writer:
Writer为数据写入模块,负责不断向Framework取数据,并将数据写入到目的端。
Framework:
Framework用于连接reader和writer,作为两者的数据传输通道,并处理缓冲,流控,并发,数据转换等核心技术问题。
2.3 DataX3.0插件体系
经过几年积累,DataX目前已经有了比较全面的插件体系,主流的RDBMS数据库、NOSQL、大数据计算系统都已经接入。DataX目前支持数据如下:
DataX Framework提供了简单的接口与插件交互,提供简单的插件接入机制,只需要任意加上一种插件,就能无缝对接其他数据源。
详情请看:DataX数据源指南
2.4 DataX3.0核心架构
DataX 3.0 开源版本支持单机多线程模式完成同步作业运行,本小节按一个DataX作业生命周期的时序图,从整体架构设计非常简要说明DataX各个模块相互关系。
核心模块介绍:
-
DataX完成单个数据同步的作业,我们称之为Job,DataX接受到一个Job之后,将启动一个进程来完成整个作业同步过程。DataX Job模块是单个作业的中枢管理节点,承担了数据清理、子任务切分(将单一作业计算转化为多个子Task)、TaskGroup管理等功能。
-
DataXJob启动后,会根据不同的源端切分策略,将Job切分成多个小的Task(子任务),以便于并发执行。Task便是DataX作业的最小单元,每一个Task都会负责一部分数据的同步工作。
-
切分多个Task之后,DataX Job会调用Scheduler模块,根据配置的并发数据量,将拆分成的Task重新组合,组装成TaskGroup(任务组)。每一个TaskGroup负责以一定的并发运行完毕分配好的所有Task,默认单个任务组的并发数量为5。
-
每一个Task都由TaskGroup负责启动,Task启动后,会固定启动Reader—>Channel—>Writer的线程来完成任务同步工作。
-
DataX作业运行起来之后, Job监控并等待多个TaskGroup模块任务完成,等待所有TaskGroup任务完成后Job成功退出。否则,异常退出,进程退出值非0
DataX调度流程:
举例来说,用户提交了一个DataX作业,并且配置了20个并发,目的是将一个100张分表的mysql数据同步到odps里面。 DataX的调度决策思路是:
-
DataXJob根据分库分表切分成了100个Task。
-
根据20个并发,DataX计算共需要分配4个TaskGroup。
-
4个TaskGroup平分切分好的100个Task,每一个TaskGroup负责以5个并发共计运行25个Task。
2.5 六大核心优势
可靠的数据质量监控
完美解决数据传输个别类型失真问题
DataX旧版对于部分数据类型(比如时间戳)传输一直存在毫秒阶段等数据失真情况,新版本DataX3.0已经做到支持所有的强数据类型,每一种插件都有自己的数据类型转换策略,让数据可以完整无损的传输到目的端。
提供作业全链路的流量、数据量运行时监控
DataX3.0运行过程中可以将作业本身状态、数据流量、数据速度、执行进度等信息进行全面的展示,让用户可以实时了解作业状态。并可在作业执行过程中智能判断源端和目的端的速度对比情况,给予用户更多性能排查信息。
提供脏数据探测
在大量数据的传输过程中,必定会由于各种原因导致很多数据传输报错(比如类型转换错误),这种数据DataX认为就是脏数据。DataX目前可以实现脏数据精确过滤、识别、采集、展示,为用户提供多种的脏数据处理模式,让用户准确把控数据质量大关!
丰富的数据转换功能
DataX作为一个服务于大数据的ETL工具,除了提供数据快照搬迁功能之外,还提供了丰富数据转换的功能,让数据在传输过程中可以轻松完成数据脱敏,补全,过滤等数据转换功能,另外还提供了自动groovy函数,让用户自定义转换函数。详情请看DataX3的transformer详细介绍。
精准的速度控制
还在为同步过程对在线存储压力影响而担心吗?新版本DataX3.0提供了包括通道(并发)、记录流、字节流三种流控模式,可以随意控制你的作业速度,让你的作业在库可以承受的范围内达到最佳的同步速度。
"speed": {
"channel": 5,
"byte": 1048576,
"record": 10000
}
强劲的同步性能
DataX3.0每一种读插件都有一种或多种切分策略,都能将作业合理切分成多个Task并行执行,单机多线程执行模型可以让DataX速度随并发成线性增长。在源端和目的端性能都足够的情况下,单个作业一定可以打满网卡。另外,DataX团队对所有的已经接入的插件都做了极致的性能优化,并且做了完整的性能测试。性能测试相关详情可以参照每单个数据源的详细介绍:DataX数据源指南
健壮的容错机制
DataX作业是极易受外部因素的干扰,网络闪断、数据源不稳定等因素很容易让同步到一半的作业报错停止。因此稳定性是DataX的基本要求,在DataX 3.0的设计中,重点完善了框架和插件的稳定性。目前DataX3.0可以做到线程级别、进程级别(暂时未开放)、作业级别多层次局部/全局的重试,保证用户的作业稳定运行。
线程内部重试
DataX的核心插件都经过团队的全盘review,不同的网络交互方式都有不同的重试策略。
线程级别重试
目前DataX已经可以实现TaskFailover,针对于中间失败的Task,DataX框架可以做到整个Task级别的重新调度。
极简的使用体验
易用
下载即可用,支持linux和windows,只需要短短几步骤就可以完成数据的传输。请点击:Quick Start
详细
DataX在运行日志中打印了大量信息,其中包括传输速度,Reader、Writer性能,进程CPU,JVM和GC情况等等。
传输过程中打印传输速度、进度等
传输过程中会打印进程相关的CPU、JVM等
在任务结束之后,打印总体运行情况
三、DataX的快速入门
3.1 环境需求
-
Linux
-
Apache Maven 3.x (Compile DataX)
3.2 安装方式
方法1 直接下载DataX工具包
DataX下载地址:http://datax-opensource.oss-cn-hangzhou.aliyuncs.com/datax.tar.gz
下载后解压至本地某个目录,进入bin目录,即可运行同步作业:
$ cd {YOUR_DATAX_HOME}/bin
$ python datax.py {YOUR_JOB.json}
自检脚本:
$ python {YOUR_DATAX_HOME}/bin/datax.py {YOUR_DATAX_HOME}/job/job.json
如果报错
经DataX智能分析,该任务最可能的错误原因是:
com.alibaba.datax.common.exception.DataXException: Code:[Common-00], Describe:[您提供的配置文件存在错误信息,请检查您的作业配置 .] - 配置信息错误,您提供的配置文件[/usr/local/datax/plugin/reader/._drdsreader/plugin.json]不存在. 请检查您的配置文件.
at com.alibaba.datax.common.exception.DataXException.asDataXException(DataXException.java:26)
at com.alibaba.datax.common.util.Configuration.from(Configuration.java:95)
at com.alibaba.datax.core.util.ConfigParser.parseOnePluginConfig(ConfigParser.java:153)
at com.alibaba.datax.core.util.ConfigParser.parsePluginConfig(ConfigParser.java:125)
at com.alibaba.datax.core.util.ConfigParser.parse(ConfigParser.java:63)
at com.alibaba.datax.core.Engine.entry(Engine.java:137)
at com.alibaba.datax.core.Engine.main(Engine.java:204)
要运行以下指令
$ rm -rf {YOUR_DATAX_HOME}/plugin/*/._*
方法2 下载DataX源码,自己编译(不推荐)
DataX源码 : GitHub - alibaba/DataX: DataX是阿里云DataWorks数据集成的开源版本。
(1)、下载DataX源码:
$ git clone git@github.com:alibaba/DataX.git
(2)、通过maven打包:
$ cd {DataX_source_code_home}
$ mvn -U clean package assembly:assembly -Dmaven.test.skip=true
打包成功,日志显示如下:
[INFO] BUILD SUCCESS
[INFO] -----------------------------------------------------------------
[INFO] Total time: 08:12 min
[INFO] Finished at: 2015-12-13T16:26:48+08:00
[INFO] Final Memory: 133M/960M
[INFO] -----------------------------------------------------------------
打包成功后的DataX包位于 {DataX_source_code_home}/target/datax/datax/ ,结构如下:
$ cd {DataX_source_code_home}
$ ls ./target/datax/datax/
bin conf job lib log log_perf plugin script tmp
然后 拷贝到你喜欢的目录下,像方法1一样,去使用
3.3 查看常用的Reader和Writer插件样本
第一种方式
切换到相应的plugin/reader/或者是plugin/reader/下的插件目录下查看样本
[root@xxx01 streamreader]# pwd
/usr/local/datax/plugin/reader/streamreader
[root@xxx01 streamreader]# cat plugin_job_template.json
{
"name": "streamreader",
"parameter": {
"sliceRecordCount": "",
"column": []
}
}
[root@xxx01 streamwriter]# pwd
/usr/local/datax/plugin/writer/streamwriter
[root@xxx01 streamwriter]# cat plugin_job_template.json
{
"name": "streamwriter",
"parameter": {
"encoding": "",
"print": true
}
}
第二种方式:查看datax的github上的对应的文档
第三种方式:使用命令参数-r和-w查看读写插件
[root@xxx01 streamwriter]# python {YOUR_DATAX_HOME}/bin/datax.py -r streamreader -w streamwriter
四、案例演示
4.1 Stream->Stream
获取样本并修改:
$ python /usr/local/datax/bin/datax.py -r streamreader -w streamwriter
修改如下: 目的是打印10行 hello,世界
$ vim /usr/local/datax/job/stream2Stream.json
{
"job": {
"content": [
{
"reader": {
"name": "streamreader",
"parameter": {
"column": [
{
type:"long",
value:"1024"
},{
type:"string",
value:"hello,世界"
}
],
"sliceRecordCount": "10"
}
},
"writer": {
"name": "streamwriter",
"parameter": {
"encoding": "utf-8",
"print": true
}
}
}
],
"setting": {
"speed": {
"channel": "2"
}
}
}
}
并执行job
$ python /usr/local/datax/bin/datax.py /usr/local/datax/job/stream2Stream.json
4.2 mysql -> hdfs
目的:将mysql里的emp表导入到hdfs上的/datax/mysql2hdfs/
获取样本:
$ python /usr/local/datax/bin/datax.py -r mysqlreader -w hdfswriter
修改如下
$ vim /usr/local/datax/job/mysql2Hdfs.json
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": [
"empno",
"ename",
"job",
"mgr",
"hiredate",
"deptno"
],
"connection": [
{
"jdbcUrl": ["jdbc:mysql://xxx03:3306/sz2103"],
"table": ["emp"]
}
],
"password": "@Mmforu45",
"username": "root",
"where": "deptno = 10 or deptno = 20"
}
},
"writer": {
"name": "hdfswriter",
"parameter": {
"column": [
{
type:"int",
name:"empno"
},{
type:"string",
name:"ename"
},{
type:"string",
name:"job"
},{
type:"int",
name:"mgr"
},{
name:"hiredate",
type:"date"
},{
name:"dept",
type:"int"
}
],
"defaultFS": "hdfs://xxx01:8020",
"fieldDelimiter": "\t",
"fileName": "mysqlToHdfs",
"fileType": "orc",
"path": "/datax/mysql2hdfs",
"writeMode": "append"
}
}
}
],
"setting": {
"speed": {
"channel": "2"
}
}
}
}
运行测试
$ python /usr/local/datax/bin/datax.py /usr/local/datax/job/mysql2Hdfs.json
4.3 mysql->hive
说明:用的其实就是hdfs的写插件
$ vim /usr/local/datax/job/mysql2Hive.json
由于没有在hive中创建表,因此要提前创建相应的目录
hdfs dfs -mkdir /user/hive/warehouse/sz2103.db/orc_emp
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": [
"empno",
"ename",
"job",
"mgr",
"hiredate",
"sal",
"comm",
"deptno"
],
"connection": [
{
"jdbcUrl": ["jdbc:mysql://xxx03:3306/sz2103"],
"table": ["emp"]
}
],
"password": "@Mmforu45",
"username": "root"
}
},
"writer": {
"name": "hdfswriter",
"parameter": {
"column": [
{
type:"int",
name:"empno"
},{
type:"string",
name:"ename"
},{
type:"string",
name:"job"
},{
type:"int",
name:"mgr"
},{
name:"hiredate",
type:"date"
},{
type:"double",
name:"salary"
},{
type:"double",
name:"comm"
},{
name:"deptno",
type:"int"
}
],
"defaultFS": "hdfs://xxx01:8020",
"fieldDelimiter": "\t",
"fileName": "mysqlToHdfs",
"fileType": "orc",
"path": "/user/hive/warehouse/sz2103.db/orc_emp",
"writeMode": "append"
}
}
}
],
"setting": {
"speed": {
"channel": "2"
}
}
}
}
运行测试:
$ python /usr/local/datax/bin/datax.py /usr/local/datax/job/mysql2Hive.json
由于之前没有创建hive表,所以最后要把hive参考配置的字段来设计hive表并创建
create table if not exists orc_emp(
empno int,
ename string,
job string,
mgr int,
hiredate date,
salary double,
comm double,
deptno int
)
row format delimited
fields terminated by "\t"
stored as orc;
4.4 hdfs -> mysql
注意:mysql要提前创建表
获取样本:
$ python /usr/local/datax/bin/datax.py -r hdfsreader -w mysqlwriter
修改如下
$ vim /usr/local/datax/job/hdfs2mysql.json
小贴士:
datax读取的hdfs上的文件: 文件里的数据都应该被当成字符串读取,然后进入到datax里转成datax自己的类型
{
"job": {
"content": [
{
"reader": {
"name": "hdfsreader",
"parameter": {
"column": [
{
index:0,
type:"long"
},{
index:1,
type:"string"
},{
index:2,
type:"string"
},{
index:3,
type:"long"
},{
index:4,
type:"date"
},{
index:5,
type:"long"
}
],
"defaultFS": "hdfs://xxx01",
"encoding": "UTF-8",
"fieldDelimiter": "\t",
"fileType": "orc",
"path": "/datax/mysql2hdfs/*"
}
},
"writer": {
"name": "mysqlwriter",
"parameter": {
"column": [
"empno",
"ename",
"job",
"mgr",
"hiredate",
"deptno"
],
"connection": [
{
"jdbcUrl": "jdbc:mysql://xxx03:3306/sz2103",
"table": ["hdfs2mysql"]
}
],
"password": "@Mmforu45",
"username": "root",
"writeMode": "insert"
}
}
}
],
"setting": {
"speed": {
"channel": "2"
}
}
}
}
$ python /usr/local/datax/bin/datax.py /usr/local/datax/job/hdfs2mysql.json
4.5 hive->mysql
提前在mysql里创建表
修改如下
$ vim /usr/local/datax/job/hive2mysql.json
{
"job": {
"content": [
{
"reader": {
"name": "hdfsreader",
"parameter": {
"column": [
{
index:0,
type:"long"
},{
index:1,
type:"string"
},{
index:2,
type:"string"
},{
index:3,
type:"long"
},{
index:4,
type:"date"
},{
index:5,
type:"double"
},{
index:6,
type:"double"
},{
index:7,
type:"long"
}
],
"defaultFS": "hdfs://xxx01",
"encoding": "UTF-8",
"fieldDelimiter": "\t",
"fileType": "orc",
"path": "/user/hive/warehouse/sz2103.db/orc_emp/*"
}
},
"writer": {
"name": "mysqlwriter",
"parameter": {
"column": ["*"],
"connection": [
{
"jdbcUrl": "jdbc:mysql://xxx03:3306/sz2103",
"table": ["hive2mysql"]
}
],
"password": "@Mmforu45",
"username": "root",
"writeMode": "insert"
}
}
}
],
"setting": {
"speed": {
"channel": "2"
}
}
}
}
$ python /usr/local/datax/bin/datax.py /usr/local/datax/job/hive2mysql.json
4.6 增量导入
使用table和where两个参数或者querySql参数进行增量导入
$ vim /usr/local/datax/job/mysql2hdfs_increment.json
{
"job": {
"content": [
{
"reader": {
"name": "mysqlreader",
"parameter": {
"column": [
"empno",
"ename",
"job",
"mgr",
"hiredate",
"deptno"
],
"connection": [
{
"jdbcUrl": ["jdbc:mysql://xxx03:3306/sz2103"],
"querySql":["select empno,ename,job,mgr,hiredate,deptno from emp where deptno > '${deptno}'"]
}
],
"password": "@Mmforu45",
"username": "root"
}
},
"writer": {
"name": "hdfswriter",
"parameter": {
"column": [
{
type:"int",
name:"empno"
},{
type:"string",
name:"ename"
},{
type:"string",
name:"job"
},{
type:"int",
name:"mgr"
},{
name:"hiredate",
type:"date"
},{
name:"dept",
type:"int"
}
],
"defaultFS": "hdfs://xxx01:8020",
"fieldDelimiter": "\t",
"fileName": "mysqlToHdfs",
"fileType": "text",
"path": "/datax/mysql2hdfs",
"writeMode": "append",
}
}
}
],
"setting": {
"speed": {
"channel": "2"
}
}
}
}
给形参赋值
赋值格式: -p "-DpropertyName=propertyValue -D........"
$ python /usr/local/datax/bin/datax.py /usr/local/datax/job/mysql2hdfs_increment.json -p "-Dstart_value=20 -D"
五、DataX调优方案
1,网络本身的带宽等硬件因素造成的影响; 2,DataX本身的参数; 3,从源端到任务机; 4,从任务机到目的端; 即当觉得DataX传输速度慢时,需要从上述四个方面着手开始排查。
此部分主要需要了解网络本身的情况,即从源端到目的端的带宽是多少(实际带宽计算公式),平时使用量和繁忙程度的情况,从而分析是否是本部分造成的速度缓慢。以下提供几个思路。
1,可使用从源端到目的端scp,python http,nethogs等观察实际网络及网卡速度; 2,结合监控观察任务运行时间段时,网络整体的繁忙情况,来判断是否应将任务避开网络高峰运行; 3,观察任务机的负载情况,尤其是网络和磁盘IO,观察其是否成为瓶颈,影响了速度;
全局
{
"core":{
"transport":{
"channel":{
"speed":{
"channel": 2, ## 此处为数据导入的并发度,建议根据服务器硬件进行调优
"record":-1, ##此处解除对读取行数的限制
"byte":-1, ##此处解除对字节的限制
"batchSize":2048 ##每次读取batch的大小
}
}
}
},
"job":{
...
}
}
局部
"setting": {
"speed": {
"channel": 2,
"record":-1,
"byte":-1,
"batchSize":2048
}
}
}
}
# channel增大,为防止OOM,需要修改datax工具的datax.py文件。
# 如下所示,可根据任务机的实际配置,提升-Xms与-Xmx,来防止OOM。
# tunnel并不是越大越好,过分大反而会影响宿主机的性能。
DEFAULT_JVM = "-Xms1g -Xmx1g -XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=%s/log" % (DATAX_HOME)
Jvm 调优
python datax.py --jvm="-Xms3G -Xmx3G" ../job/test.json
此处根据服务器配置进行调优,切记不可太大!否则直接Exception 以上为调优,应该是可以针对每个json文件都可以进行调优。
官方调优:DataX使用指南——ODPS to ODPS-阿里云开发者社区
(>_<距离挥手告别2021还有三天,回首望月,今年可以说成长了很多,有失落也有惊喜,希望能在2021的最后几天做出点成绩来!祝大家在年末都能得偿所愿~~~)