HadoopDB安装使用

由於它是在 Hadoop-0.19.x 開發的，因此我還是用 Hadoop-0.19.2 來架設，至於架設部分可以參考這篇：[Linux] 安裝 Hadoop 0.20.1 Multi-Node Cluster @ Ubuntu 9.10，其中 0.19.2 與 0.20.1 安裝上只有些微的差別，在上述文章中的 hadoop-0.20.1/conf/core-site.xml 與 hadoop-0.20.1/conf/mapred-site.xml  的內容，只需改寫在 hadoop-0.19.2/conf/hadoop-site.xml 即可。接著下面的介紹也將延續上則安裝教學，以 3-Node Cluster ，分別以 Cluster01、Cluster02 和 Cluster03 作為範例敘述，並且各台使用 hadoop 帳號來操作。

1. 首先需建立 3-Node Cluster on Hadoop 0.19.x
   
   • HadoopDB Quick Start Guide
   • JDBC Driver - Java 1.6 請使用 postgresql-8.4-701.jdbc4.jar
   • 另一個不錯的安裝文件：HadoopDB 實做
2. 以下若是用 hadoop@Cluster0X:~ 代表 Cluster01 ~ Cluster03 都要做的
3. 對各台安裝設定 PostgreSQL
   • 安裝並為資料庫建立 hadoop 帳號，假定使用密碼為 1234
   • hadoop@Cluster0X:~$ sudo apt-get install postgresql
   • hadoop@Cluster0X:~$ sudo vim /etc/postgresql/8.4/main/pg_hba.conf
     • #local   all         all                               ident
       local   all         all                               trust
       # IPv4 local connections:
       #host    all         all         127.0.0.1/32          md5
       host    all         all         127.0.0.1/32          password
       host    all         all         192.168.0.1/16          password            # 加上Cluster 機器 IP 範圍
       # IPv6 local connections:
       #host    all         all         ::1/128               md5
       host    all         all         ::1/128               password
   • hadoop@Cluster0X:~$ sudo /etc/init.d/postgresql-8.4 restart
   • hadoop@Cluster0X:~$ sudo su - postgres
   • postgres@Cluster0X:~$ createuser hadoop
     • Shall the new role be a superuser? (y/n) y
       postgres@Cluster01:~$ psql
       psql (8.4.2)
       Type "help" for help.
       
       postgres=# alter user hadoop with password '1234';
       ALTER ROLE
       postgres=# \q
   • 測試其他機器可否連線
     • hadoop@Cluster01:~$ createdb testdb
     • hadoop@Cluster02:~$ psql -h Cluster01 testdb
       • 錯誤訊息
         • psql: FATAL:  no pg_hba.conf entry for host "192.168.56.168", user "hadoop", database "testdb", SSL on
           FATAL:  no pg_hba.conf entry for host "192.168.56.168", user "hadoop", database "testdb", SSL off
       • 正確訊息
         • Password:
           psql (8.4.2)
           SSL connection (cipher: DHE-RSA-AES256-SHA, bits: 256)
           Type "help" for help.
           
           testdb=#
4. 設定 HadoopDB
   
   • hadoop@Cluster0X:~$ cp hadoopdb.jar HADOOP_HOME/lib/
   • hadoop@Cluster0X:~$ cp postgresql-8.4-701.jdbc4.jar HADOOP_HOME/lib/
   • hadoop@Cluster0X:~$ vim HADOOP_HOME/conf/hadoop-site.xml
     • 
       <property>
       <name>hadoopdb.config.file</name>
       <value>HadoopDB.xml</value>
       <description>The name of the HadoopDB cluster configuration file</description>
       </property>
       
       
       
       <property>
       <name>hadoopdb.fetch.size</name>
       <value>1000</value>
       <description>The number of records fetched from JDBC ResultSet at once</description>
       </property>
       
       
       <property>
       <name>hadoopdb.config.replication</name>
       <value>false</value>
       <description>Tells HadoopDB Catalog whether replication is enabled.
       Replica locations need to be specified in the catalog.
       False causes replica information to be ignored.</description>
       </property>
   • hadoop@Cluster01:~$ vim nodes.txt
     • 192.168.56.168
       192.168.56.169
       192.168.56.170
   • hadoop@Cluster01:~$ vim Catalog.properties
     • #Properties for Catalog Generation
       ##################################
       nodes_file=nodes.txt
       # Relations Name and Table Name are the same
       relations_unchunked=raw
       relations_chunked=poi
       catalog_file=HadoopDB.xml
       ##
       #DB Connection Parameters
       ##
       port=5432
       username=hadoop
       password=1234
       driver=org.postgresql.Driver
       url_prefix=jdbc\:postgresql\://
       ##
       #Chunking properties
       ##
       # the number of databases on a node
       chunks_per_node=3
       # for udb0 ,udb1, udb2 ( 3 nodes = 0 ~ 2 )
       unchunked_db_prefix=udb
       # for cdb0 ,cdb1, ... , cdb8 ( 3 nodes x 3 chunks = 0~8 )
       chunked_db_prefix=cdb
       ##
       #Replication Properties
       ##
       dump_script_prefix=/root/dump_
       replication_script_prefix=/root/load_replica_
       dump_file_u_prefix=/mnt/dump_udb
       dump_file_c_prefix=/mnt/dump_cdb
       ##
       #Cluster Connection
       ##
       ssh_key=id_rsa-gsg-keypair
   • hadoop@Cluster01:~$ java -cp lib/hadoopdb.jar edu.yale.cs.hadoopdb.catalog.SimpleCatalogGenerator Catalog.properties
     • 產生的 HadoopDB.xml 類似下面：
       <?xml version="1.0" encoding="UTF-8" standalone="yes"?>
       <DBClusterConfiguration xmlns="http://edu.yale.cs.db.hadoop/DBConfigurationSchema">
           <Nodes Password="1234" Username="hadoop" Driver="org.postgresql.Driver" Location="192.168.56.168">
               <Relations id="raw">
                   <Partitions url="jdbc:postgresql://192.168.56.168:5432/udb0" id="0"/>
               </Relations>
               <Relations id="poi">
                   <Partitions url="jdbc:postgresql://192.168.56.168:5432/cdb0" id="0"/>
                   <Partitions url="jdbc:postgresql://192.168.56.168:5432/cdb1" id="1"/>
                   <Partitions url="jdbc:postgresql://192.168.56.168:5432/cdb2" id="2"/>
               </Relations>
           </Nodes>
           <Nodes Password="1234" Username="hadoop" Driver="org.postgresql.Driver" Location="192.168.56.169">
               <Relations id="raw">
                   <Partitions url="jdbc:postgresql://192.168.56.169:5432/udb1" id="1"/>
               </Relations>
               <Relations id="poi">
                   <Partitions url="jdbc:postgresql://192.168.56.169:5432/cdb3" id="3"/>
                   <Partitions url="jdbc:postgresql://192.168.56.169:5432/cdb4" id="4"/>
                   <Partitions url="jdbc:postgresql://192.168.56.169:5432/cdb5" id="5"/>
               </Relations>
           </Nodes>
           <Nodes Password="1234" Username="hadoop" Driver="org.postgresql.Driver" Location="192.168.56.170">
               <Relations id="raw">
                   <Partitions url="jdbc:postgresql://192.168.56.170:5432/udb2" id="2"/>
               </Relations>
               <Relations id="poi">
                   <Partitions url="jdbc:postgresql://192.168.56.170:5432/cdb6" id="6"/>
                   <Partitions url="jdbc:postgresql://192.168.56.170:5432/cdb7" id="7"/>
                   <Partitions url="jdbc:postgresql://192.168.56.170:5432/cdb8" id="8"/>
               </Relations>
           </Nodes>
       </DBClusterConfiguration>
   • hadoop@Cluster01:~$ hadoop dfs -put HadoopDB.xml HadoopDB.xml
5. 建立資料表、測試資料匯入各台機器的資料庫中，並且在 Hive 上建立相對應的資料表
   • 在此以 raw 這個 talbe 當作範例。假設 HadoopDB.xml 對 raw 這個 table 敘述有 3 個，即上述範例的 udb0 、udb1 和 udb2，那就要分別去上頭指定的機器上建立資料庫
     • hadoop@Cluster01:~$ createdb udb0
       hadoop@Cluster02:~$ createdb udb1
       hadoop@Cluster03:~$ createdb udb2
   • 並且依輸入的資料建立資料表
     • hadoop@Cluster01:~$ psql udb0
       udb0=#
       CREATE TABLE raw (
       ID int,
       NAME varchar(300)
       );
     • 同理如 Cluster02 跟 Cluster03
   • 資料匯入
     • hadoop@Cluster01:~$ psql udb0
       udb0=# COPY RAW FROM '/home/hadoop/p0' WITH DELIMITER E'\t' ;
     • 關於 /home/hadoop/p0 的資料主要從原本依開始的大檔案，使用 HadoopDB 所提供的切割工具處理的
       • $ hadoop jar lib/hadoopdb.jar edu.yale.cs.hadoopdb.dataloader.GlobalHasher src_in_hdfs out_in_hdfs 3 '\n' 0
       • $ hadoop fs -get out_in_hdfs/part-00000 /home/hadoop/p0
     • 假設資料擺在 /home/haddop/p0 並且欄位以 tab 分隔
     • 同理也要處理 Cluster02 跟 Cluster03
   • 最後，在 Hive 上頭建立相對應的資料表 (只需用一台機器執行)
     
     • 假設 Hive 使用的資料表將儲存在 HDFS 的 /db
     • hadoop@Cluster01:~ $ hadoop dfs -mkdir /db
     • hadoop@Cluster01:~ $ SMS_dist/bin/hive
       CREATE EXTERNAL TABLE raw (
       ID int,
       NAME string
       )
       ROW FORMAT DELIMITED
       FIELDS TERMINATED BY '|'
       STORED AS
       INPUTFORMAT 'edu.yale.cs.hadoopdb.sms.connector.SMSInputFormat'
       OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
       LOCATION '/db/raw';
     • 其中 /db/raw 的 basename 要跟 table 名稱一樣(各台資料庫裡的資料表與Hive建立的資料表)，另外對於資料欄位的型別也別忘了轉換囉
6. 以上設定完後，即可在一台機器上(Ex: Cluster1) 執行 $ SMS_dist/bin/hive 看看成果
   • hadoop@Cluster01:~ $ SMS_dist/bin/hive
     hive> show tables;
     hive> select name from raw;