数据采集引擎

福利：Kettle: http://www.kettle.net.cn/
一、搭建实验环境：Oracle数据库
测试数据：用户sh 表：sales（订单表） —-> 自带大概92万条订单数据
二、Sqoop: 采集关系型数据库中数据
项目：每天晚上12点，采集Oracle数据库中的数据
（1）写一个sqoop命令脚本: mysqoop.sh

 sqoop import --connect jdbc:oracle:thin:@192.168.157.163:1521/orcl --username SCOTT --password tiger --table EMP --target-dir /sqoop/import/emp1

（2）crontab是linux定时器（定时任务）
1、采集关系型数据库中数据，一般Sqoop用于离线计算（批量）
2、数据交换：Oracle <—> Sqoop <—> HDFS、HBase、Hive
3、基于JDBC
4、安装配置

tar -zxvf sqoop-1.4.5.bin__hadoop-0.23.tar.gz -C ~/training/

设置环境变量

SQOOP_HOME=/root/training/sqoop-1.4.5.bin__hadoop-0.23
export SQOOP_HOME

PATH=$SQOOP_HOME/bin:$PATH
export PATH

将oracle的驱动jar放到sqoop的lib目录
5、注意：如果是Oracle，大写：用户名、表名、列名
6、使用sqoop
（*）codegen——>Generate code to interact with database records
根据数据块中的表结构生成对应的Java Bean

sqoop codegen --connect jdbc:oracle:thin:@192.168.157.163:1521/orcl --username SCOTT --password tiger --table EMP --outdir /root/sqoop

（*）create-hive-table——>Import a table definition into Hive
根据Oracle的表结构创建Hive的表结构
（*）eval——>Evaluate a SQL statement and display the results
在Sqoop执行SQL

sqoop eval --connect jdbc:oracle:thin:@192.168.157.163:1521/orcl --username SCOTT --password tiger --query 'select * from emp where deptno=10'

（*）export——>Export an HDFS directory to a database table
（*）help——>List available commands
（*）import——>Import a table from a database to HDFS
sqoop import –help —-> 本质是：就是MR程序
导入数据到HDFS
（1）导入EMP表 员工表

sqoop import --connect jdbc:oracle:thin:@192.168.157.163:1521/orcl --username SCOTT --password tiger --table EMP --target-dir /sqoop/import/emp1

（2）导入EMP表，指定导入列

sqoop import --connect jdbc:oracle:thin:@192.168.157.163:1521/orcl --username SCOTT --password tiger --table EMP --columns ENAME,SAL --target-dir /sqoop/import/emp2

（3）导入订单表：sh用户 sales表（订单表：92万）

sqoop import --connect jdbc:oracle:thin:@192.168.157.163:1521/orcl --username SH --password sh --table SALES --target-dir /sqoop/import/sales -m 1

错误
ERROR tool.ImportTool: Error during import: No primary key could be found for table SALES. Please specify one with --split-by or perform a sequential import with '-m 1'

（*）import-all-tables——>Import tables from a database to HDFS
导入某个用户下所有的表 —-> 默认导入到: /user/root

sqoop import-all-tables --connect jdbc:oracle:thin:@192.168.157.163:1521/orcl --username SCOTT --password tiger 

（*）job——>Work with saved jobs
（*）list-databases——>List available databases on a server

（1）针对Oracle：当前数据库中所有的用户名
（2）针对MySQL： 所有的数据库的名字
sqoop list-databases --connect jdbc:oracle:thin:@192.168.157.163:1521/orcl --username SYSTEM --password password

（*）list-tables——>List available tables in a database
（*）merge——>Merge results of incremental imports
（*）metastore——>Run a standalone Sqoop metastore
（*）version——>Display version information
将数据导入HBase（需要事先将表创建）

sqoop import --connect jdbc:oracle:thin:@192.168.137.129:1521:orcl --username SCOTT --password tiger --table EMP --columns empno,ename,sal,deptno --hbase-table emp --hbase-row-key empno --column-family empinfo 

flume

#bin/flume-ng agent -n a4 -f myagent/a4.conf -c conf -Dflume.root.logger=INFO,console
#定义agent名， source、channel、sink的名称
a4.sources = r1
a4.channels = c1
a4.sinks = k1

#具体定义source
a4.sources.r1.type = spooldir
a4.sources.r1.spoolDir = /root/training/logs

#具体定义channel
a4.channels.c1.type = memory
a4.channels.c1.capacity = 10000
a4.channels.c1.transactionCapacity = 100

#定义拦截器，为消息添加时间戳
a4.sources.r1.interceptors = i1
a4.sources.r1.interceptors.i1.type = org.apache.flume.interceptor.TimestampInterceptor$Builder

#具体定义sink
a4.sinks.k1.type = hdfs
a4.sinks.k1.hdfs.path = hdfs://192.168.157.111:9000/flume/%Y%m%d
a4.sinks.k1.hdfs.filePrefix = events-
a4.sinks.k1.hdfs.fileType = DataStream

#不按照条数生成文件
a4.sinks.k1.hdfs.rollCount = 0
#HDFS上的文件达到128M时生成一个文件
a4.sinks.k1.hdfs.rollSize = 134217728
#HDFS上的文件达到60秒生成一个文件
a4.sinks.k1.hdfs.rollInterval = 60

#组装source、channel、sink
a4.sources.r1.channels = c1
a4.sinks.k1.channel = c1