1. DataX 简介:
DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具/平台,实现包括 MySQL、Oracle、SQLServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、DRDS 等各种异构数据源之间高效的数据同步功能。本例中将使用 DataX 实现 Hive 与MySQL之间的数据传输。
本例中所使用的资源为三台 2 核 4G 内存,40G SSD 硬盘的 DC2,EIP 带宽为 1M。
DataC:10.254.125.48
Hive:10.254.237.61
MySQL:10.254.116.249
此处 IP 为云主机内网 IP,方便三台主机之间内网通信,而下载文件或外部访问则需 EIP,即外网 IP 或弹性 IP。有关
滴滴云
EIP 的使用请参考以下链接:https://help.didiyun.com/hc/kb/section/1035272/
2. 在 Hive 节点安装 Hadoop 2.7.7+Hive 2.3.4
滴滴云
主机出于安全考虑,默认不能通过 root 用户直接登录,需要先用 dc2-user 登录,让后用 sudo su 切换至 root。本例中默认全部以 dc2-user 用户运行命令,Hadoop 默认用户同样为 dc2-user。
设置免密登录,为 dc2-user 生成公钥。
输入以下命令将生成的公钥复制到本机:
ssh
-
copy
-
id
-
i
$
HOME
/
.
ssh
/
id_rsa
.
pub
dc2
-
user
@
localhost
配置 Java 环境
下载 JDK
配置 Java 变量
使环境变量生效
source
/
etc
/
profile
查看 Java 版本
出现以上输出,说明 Java 环境已经配置成功。
安装 Hadoop
节点下载 Hadoop 2.7.7 并解压
在 /home/dc2-user/hadoop-2.7.7/etc/hadoop 下需要配置的5个文件分别是 hadoop-env.sh、core-site.xml、hdfs-site.xml、yarn-site.xml、mapred-site.xml
hadoop-env.sh添加如下内容
core-site.xml
hdfs-site.xml
yarn-site.xml
mapred-site.xml
配置 Hadoop 环境变量
使环境变量生效
source
/
etc
/
profile
输入 haoop version 看是否有输出,验证环境变量是否生效
格式化 HDFS
/
home
/
dc2
-
user
/
hadoop
-
2.7.7
/
bin
/
hdfs
namenode
-
format
testCluster
开启服务
/
home
/
dc2
-
user
/
hadoop
-
2.7.7
/
sbin
/
start
-
dfs
.
sh
/
home
/
dc2
-
user
/
hadoop
-
2.7.7
/
sbin
/
start
-
yarn
.
sh
查看服务是否已启动
出现以上输出,说明服务已经正常启动,可以通过 Hive 的公网 IP 访问 DFS 的 web 页面,注意要打开安全组的 50070 端口,关于滴滴云安全组的使用请参考以下链接:https://help.didiyun.com/hc/kb/article/1091031/
注:公网开放 50070 端口可能会被黑客利用植入木马,因此建议在安全组中限制可访问的来源 IP,或者不在安全组中开放此端口。
3. Hive 2.3.4 安装和配置
Hive 是基于 Hadoop 的一个数据仓库,可以将结构化的数据文件映射为一张表,并提供类 SQL 查询功能,Hive 底层将SQL 语句转化为 MapReduce 任务运行。
– 下载 Hive 2.3.4 到 Master 的 /home/dc2-user 并解压
wget
http
:
//mirror.bit.edu.cn/apache/hive/hive-2.3.4/apache-hive-2.3.4-bin.tar.gz
tar
zxvf
apache
-
hive
-
2.3.4
-
bin
.
tar
.
gz
设置 Hive 环境变量
编辑 /etc/profile.d/hive.sh 文件, 在其中添加以下内容:
使环境变量生效:
source
/
etc
/
profile
配置 Hive
重命名以下配置文件:
修改 hive-env.sh:
修改 hive-site.xml
修改对应属性的 value 值
配置 Hive Metastore
Hive Metastore 是用来获取 Hive 表和分区的元数据,本例中使用 MariaDB 来存储此类元数据。
下载 mysql-connector-java-5.1.40-bin.jar 放入 $HIVE_HOME/lib 下并在 hive-site.xml 中添加 MySQL 数据库连接信息。
安装 MySQL,本例中使用的是 MariaDB。
sudo
yum
install
-
y
mariadb
-
server
sudo
systemctl
start
mariadb
登录 MySQL,初始无密码,创建 Hive 用户并设置密码。
运行 Hive
运行 Hive 之前必须保证 HDFS 已经启动,可以使用 start-dfs.sh 来启动,如果之前安装 Hadoop 已启动,此步骤可略过。
从 Hive 2.1 版本开始, 在启动 Hive 之前需运行 SchemaTool 命令来执行初始化操作。
启动 Hive,输入命令 Hive
测试 Hive
在 Hive中创建一个数据库并在数据库中创建一个表:
可以看到表已经创建成功,向表中输入数据。
查看表中数据:
可以看到数据插入成功并且可以正常查询。
4. 在 MySQL 节点安装 MariaDB
MySQL 的安装可以参照 Hive 节点中安装 MariaDB 的步骤,启动完成后,设置 root 密码并开启远程登录:
接下来在创建数据库和将要导入数据的表:
5. DataX 数据同步
在 DataX 节点的操作比较简单,首先要配置 Java 环境变量,可参照前文中的介绍,然后下载 DataX 并解压。
Hive 到 MySQL 的数据同步,编辑 job 文件:
运行 DataX 开始同步数据
如果输出结尾为以上内容,说明数据同步完成,查看 MySQL 中是否有数据。
说明数据同步成功。
MySQL 到 Hive 的数据同步
首先在 MySQL 节点的 mysql_datax 表插入一条新记录:
在 DataX 节点编辑 mysql2hive
运行 DataX 同步数据:
如果输出结尾与以上内容一样,说明同步成功,注意这里读出 2 条记录,会把第一条记录再同步一遍。
查看 Hive 表中的内容:
可以看到新记录与旧记录都被写入。
参考链接:https://github.com/alibaba/DataX