有时候我们在项目中会遇到输入结果集很大,但是输出结果很小,比如一些 pv、uv 数据,然后为了实时查询的需求,或者一些 OLAP 的需求,我们需要 mapreduce 与 mysql 进行数据的交互,而这些特性正是 hbase 或者 hive 目前亟待改进的地方。
好了言归正传,简单的说说背景、原理以及需要注意的地方:
1、为了方便 MapReduce 直接访问关系型数据库(Mysql,Oracle),Hadoop提供了DBInputFormat和DBOutputFormat两个类。通过DBInputFormat类把数据库表数据读入到HDFS,根据DBOutputFormat类把MapReduce产生的结果集导入到数据库表中。
2、由于0.20版本对DBInputFormat和DBOutputFormat支持不是很好,该例用了0.19版本来说明这两个类的用法。
至少在我的 0.20.203
中的org.apache.hadoop.mapreduce.lib 下是没见到 db 包,所以本文也是以老版的 API 来为例说明的。
3、运行MapReduce时候报错:java.io.IOException:
com.mysql.jdbc.Driver,一般是由于程序找不到mysql驱动包。解决方法是让每个tasktracker运行MapReduce程序时都可以找到该驱动包。
添加包有两种方式:
(1)在每个节点下的${HADOOP_HOME}/lib下添加该包。重启集群,一般是比较原始的方法。
(2)a)把包传到集群上: hadoop fs -put mysql-connector-java-5.1.0- bin.jar /hdfsPath/
b)在mr程序提交job前,添加语句:DistributedCache.addFileToClassPath(new Path(“/hdfsPath/mysql- connector-java- 5.1.0-bin.jar”), conf);
(3)虽然API用的是0.19的,但是使用0.20的API一样可用,只是会提示方法已过时而已。
4、测试数据:
CREATE TABLE `t` (
`id` int DEFAULT NULL,
`name` varchar(10) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
CREATE TABLE `t2` (
`id` int DEFAULT NULL,
`name` varchar(10) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
insert into t values (1,"june"),(2,"decli"),(3,"hello"),
(4,"june"),(5,"decli"),(6,"hello"),(7,"june"),
(8,"decli"),(9,"hello"),(10,"june"),
(11,"june"),(12,"decli"),(13,"hello");
5、代码:
package mysql2mr;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.File;
import java.io.IOException;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.sql.SQLException;
import mapr.EJob;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.filecache.DistributedCache;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.db.DBConfiguration;
import org.apache.hadoop.mapreduce.lib.db.DBInputFormat;
import org.apache.hadoop.mapreduce.lib.db.DBOutputFormat;
import org.apache.hadoop.mapreduce.lib.db.DBWritable;
/**
* Function: 测试 mr 与 mysql 的数据交互,此测试用例将一个表中的数据复制到另一张表中 实际当中,可能只需要从 mysql 读,或者写到
* mysql 中。
*
* @author administrator
*
*/
public class Mysql2Mr {
public static class StudentinfoRecord implements Writable, DBWritable {
int id;
String name;
public StudentinfoRecord() {
}
public String toString() {
return new String(this.id + " " + this.name);
}
@Override
public void readFields(ResultSet result) throws SQLException {
this.id = result.getInt(1);
this.name = result.getString(2);
}
@Override
public void write(PreparedStatement stmt) throws SQLException {
stmt.setInt(1, this.id);
stmt.setString(2, this.name);
}
@Override
public void readFields(DataInput in) throws IOException {
this.id = in.readInt();
this.name = Text.readString(in);
}
@Override
public void write(DataOutput out) throws IOException {
out.writeInt(this.id);
Text.writeString(out, this.name);
}
}
// 记住此处是静态内部类,要不然你自己实现无参构造器,或者等着抛异常:
// Caused by: java.lang.NoSuchMethodException: DBInputMapper.<init>()
// http://stackoverflow.com/questions/7154125/custom-mapreduce-input-format-cant-find-constructor
// 网上脑残式的转帖,没见到一个写对的。。。
public static class DBInputMapper extends
Mapper<LongWritable, StudentinfoRecord, LongWritable, Text> {
@Override
public void map(LongWritable key, StudentinfoRecord value,
Context context) throws IOException, InterruptedException {
context.write(new LongWritable(value.id), new Text(value.toString()));
}
}
public static class MyReducer extends Reducer<LongWritable, Text, StudentinfoRecord, Text> {
@Override
public void reduce(LongWritable key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
String[] splits = values.iterator().next().toString().split(" ");
StudentinfoRecord r = new StudentinfoRecord();
r.id = Integer.parseInt(splits[0]);
r.name = splits[1];
context.write(r, new Text(r.name));
}
}
@SuppressWarnings("deprecation")
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
File jarfile = EJob.createTempJar("bin");
EJob.addClasspath("usr/hadoop/conf");
ClassLoader classLoader = EJob.getClassLoader();
Thread.currentThread().setContextClassLoader(classLoader);
Configuration conf = new Configuration();
// 这句话很关键
conf.set("mapred.job.tracker", "172.30.1.245:9001");
DistributedCache.addFileToClassPath(new Path(
"hdfs://172.30.1.245:9000/user/hadoop/jar/mysql-connector-java-5.1.6-bin.jar"), conf);
DBConfiguration.configureDB(conf, "com.mysql.jdbc.Driver", "jdbc:mysql://172.30.1.245:3306/sqooptest", "sqoop", "sqoop");
Job job = new Job(conf, "Mysql2Mr");
// job.setJarByClass(Mysql2Mr.class);
((JobConf)job.getConfiguration()).setJar(jarfile.toString());
job.setMapOutputKeyClass(LongWritable.class);
job.setMapOutputValueClass(Text.class);
job.setMapperClass(DBInputMapper.class);
job.setReducerClass(MyReducer.class);
job.setOutputKeyClass(LongWritable.class);
job.setOutputValueClass(Text.class);
job.setOutputFormatClass(DBOutputFormat.class);
job.setInputFormatClass(DBInputFormat.class);
String[] fields = {"id","name"};
// 从 t 表读数据
DBInputFormat.setInput(job, StudentinfoRecord.class, "t", null, "id", fields);
// mapreduce 将数据输出到 t2 表
DBOutputFormat.setOutput(job, "t2", "id", "name");
System.exit(job.waitForCompletion(true)? 0:1);
}
}
6、结果:
执行两次后,你可以看到mysql结果:
mysql> select * from t2;
+------+-------+
| id | name |
+------+-------+
| 1 | june |
| 2 | decli |
| 3 | hello |
| 4 | june |
| 5 | decli |
| 6 | hello |
| 7 | june |
| 8 | decli |
| 9 | hello |
| 10 | june |
| 11 | june |
| 12 | decli |
| 13 | hello |
| 1 | june |
| 2 | decli |
| 3 | hello |
| 4 | june |
| 5 | decli |
| 6 | hello |
| 7 | june |
| 8 | decli |
| 9 | hello |
| 10 | june |
| 11 | june |
| 12 | decli |
| 13 | hello |
+------+-------+
26 rows in set (0.00 sec)
mysql>
分享到:
相关推荐
在实际业务中,将MySQL中的数据迁移到Hive进行分析和挖掘是一个常见的需求。本教程主要围绕“mysql数据抽取,自动生成hive建表语句”这一主题展开,讲解如何高效地实现这一过程。 首先,我们需要理解MySQL与Hive...
在ETL过程中,"提取"(Extract)阶段涉及从MySQL中读取数据。这通常需要编写一个MapReduce作业,该作业使用JDBC(Java Database Connectivity)API连接到MySQL服务器,查询需要的数据,并将结果作为键值对输出,其中...
在大数据场景下,有时需要将MapReduce处理的结果存储到关系型数据库中,或者从数据库中读取数据进行处理。Hadoop提供了JDBC(Java Database Connectivity)接口,使得MapReduce作业能够与数据库进行连接和操作。 要...
基于Hadoop的云盘系统是一种分布式存储解决方案,利用Hadoop的可扩展性和高容错性来处理大规模数据。Hadoop是Apache软件基金会的一个开源项目,主要由HDFS(Hadoop Distributed File System)和MapReduce两部分组成...
这个示例,"MR_HBase-Hadoop中的MapReduce使用示例,输入(DBInputFormat),输出(DBOutputFormat)",主要展示了如何利用MapReduce与HBase进行交互,进行数据的读取和写入。下面将详细介绍相关的知识点。 1. **...
在IT行业中,Hadoop是一个广泛使用的开源框架,主要用于大数据处理和分析。这个“hadoop组件tar.gz安装包”集合了多个关键的组件,为搭建一个完整的大数据处理环境提供了便利。让我们详细了解一下这些组件以及它们...
元数据存储通常在关系型数据库如MySQL中,记录表结构、分区信息等。Hive服务器处理客户端的请求,驱动器解析SQL语句并生成执行计划,执行器则负责运行MapReduce任务。 **Hive的优化**: Hive可以通过设置各种配置...
总的来说,这个实例展示了如何利用Hbase的分布式存储,结合MapReduce的并行计算能力,对海量数据进行处理,并将结果存储到传统的关系型数据库MySQL中。这个流程体现了大数据处理的典型应用,即从NoSQL数据库中获取...
与之相比,传统关系型数据库(如Oracle、MySQL等)在企业级应用中被广泛用于在线事务处理(OLTP)系统,支持高并发的读写操作,并且提供了强大的统计分析和即席查询功能。然而,关系型数据库在处理大规模数据集时,...
例如,Bash Shell环境下的脚本可以使用grep、awk、sed等工具进行数据过滤、格式化和修改,或者调用Hadoop的命令行工具如hadoop fs、hadoop jar等进行数据的读写和MapReduce作业的提交。 具体来说,ETL流程可能包括...
2. **HDFS原理**:讲解HDFS的数据存储模型,命名空间,副本策略,以及数据块的读写过程。 3. **MapReduce编程模型**:详细介绍Map阶段和Reduce阶段的工作机制,Mapper和Reducer类的编写,以及中间键值对的分区、...
- 在MySQL中更新或添加数据后,使用Sqoop连接到MySQL并指定要导入的表。 - 设置HBase的连接信息,包括Zookeeper地址、表名等。 - 使用Sqoop的`--create-hbase-table`选项指定HBase表的列族和列。 - 运行Sqoop...
在这个名为“离线数据分析项目-电商网站日志项目”的实践中,我们将重点探讨如何利用Hadoop、Hive、HBase以及MapReduce(MR)技术进行大规模数据的处理和分析,并最终将结果存储到MySQL数据库中。 首先,Hadoop是...
在这个过程中,HDFS作为Hadoop的基础,用于存储海量数据,而HBase则提供快速的随机读写能力,适用于基因组数据的高效存取。Zookeeper确保集群的稳定运行,Hive则提供了SQL-like查询语言,简化了对大数据的分析工作。...
- 从测试结果来看,Hadoop集群在数据读写和排序方面表现出色,但在大规模数据处理时,map和reduce任务的分配、执行时间以及资源利用率等方面可能需要进一步优化,以提升整体性能。 - 考虑到硬件配置和软件版本,...
2. **MapReduce编程**:Hadoop的数据处理框架,通过“映射”和“化简”两个阶段来处理大规模数据。开发者需要能够根据业务需求编写Map和Reduce函数。 3. **Hive数据仓库**:基于Hadoop的数据仓库工具,用于结构化...
- **Hive**: 数据仓库工具,提供SQL-like查询语言“HiveQL”,使用户能够更轻松地处理存储在Hadoop中的数据。 - **HBase**: 面向列的分布式数据库,用于存储大量稀疏数据。 - **ZooKeeper**: 分布式协调服务,用于...
8. **数据处理流程**: 在Hadoop中,数据处理通常涉及数据摄入(如Flume、Nifi)、预处理(如Pig、Hive)、存储(HDFS)、处理(MapReduce、Spark)和分析(如Impala、Hue)。这些工具共同构建了一个完整的数据生命...
同时,也会讲解Hadoop生态中的其他重要组件,如HBase(分布式数据库)、Hive(数据仓库工具)、Pig(数据分析平台)和YARN(资源管理系统)等。 《MyCat》是针对MySQL的集群中间件,它的目标是替代高昂的Oracle...
Hadoop 的核心组件包括 HDFS(Hadoop Distributed File System)和 MapReduce,它们分别负责数据存储和并行计算。 【HBase】是构建在 Hadoop 文件系统之上的分布式、列族式的非关系型数据库(NoSQL)。HBase 提供了...