Hive的表创建为外部分区表,例如:
USE mydb;
CREATE EXTERNAL TABLE mytable
(
c1 String,
c2 INT,
c3 INT,
create_time String
)
PARTITIONED BY (dt STRING)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|||';
然后创建分区,如:
ALTER TABLE mytable ADD PARTITION (dt = '2013-09-25') LOCATION '/data/mytable/2013-09-25/';
ALTER TABLE mytable ADD PARTITION (dt = '2013-09-26') LOCATION '/data/mytable/2013-09-26/';
ALTER TABLE mytable ADD PARTITION (dt = '2013-09-27') LOCATION '/data/mytable/2013-09-27/';
即Hive的表按天进行分区。指定到相应目录。
删除分区
alter table mytable drop partition (dt='2012-03-06')
注意hdfs的起始路径,从hdfs的根目录开始,不然会加载不到数据。
分区可以写成脚本每天自动执行。处理昨天的数据
yesterday=$(date -d '-1 day' '+%Y-%m-%d') $HIVE_HOME/bin/hive -e "use mydb;ALTER TABLE mytable ADD PARTITION (dt = '$yesterday') LOCATION '/user/hive/warehouse/tail/$yesterday/';"
而Flume中配置将数据保存到HDFS中,即HDFS sink。计划每天一个文件,进行日切。如2013-09-25对应的文件就保存在:
hdfs://<hive.metastore.warehouse.dir>/data/mytable/2013-09-25/FlumeData.xxx
这样,只要文件生成,就能直接通过操作Hive的mytable表来对文件进行统计了。
业务上要求统计工作是按照小时进行,考虑到按照小时进行分区过于细化,而且会导致过多的文件给NameNode造成内存压力,所以如上Hive层面按天进行划分。
统计执行时首先指定天分区,然后根据create_time(mm:hh:ss)指定统计时间段,如:
SELECT c1,
SUM(c2),
SUM(c3)
FROM mytable
WHERE dt = ’2013-09-25′
AND create_time BETWEEN ’22:00:00′ AND ’22:59:59′
GROUP BY c1;
在实践的过程中遇到如下两个问题:
1.对于正在写入的文件,通过hadoop fs -ls 命令查看,其大小始终是0,即使通过hadoop fs -cat可以看到实际已经有内容存在!通过hive处理的话也看不到其中的数据。
2.Flume正在写入的文件,默认会有.tmp后缀。如果Hive在执行过程中,Flume切换文件,即将xxx.tmp重命名为xxx,这时Hive会报错如file not found xxx.tmp。
针对问题1
首先了解HDFS的特点:
HDFS中所有文件都是由块BLOCK组成,默认块大小为64MB。在我们的测试中由于数据量小,始终在写入文件的第一个BLOCK。而HDFS与一般的POSIX要求的文件系统不太一样,其文件数据的可见性是这样的:
如果创建了文件,这个文件可以立即可见;
写入文件的数据则不被保证可见了,哪怕是执行了刷新操作(flush/sync)。只有数据量大于1个BLOCK时,第一个BLOCK的数据才会被看到,后续的BLOCK也同样的特性。正在写入的BLOCK始终不会被其他用户看到!
HDFS中的sync()保证数据持久化到了datanode上,然后可以被其他用户看到。
针对HDFS的特点,可以解释问题1中的现象,正在写入无法查看。但是使用Hive统计时Flume还在写入那个BLOCK(数据量小的时候),那岂不是统计不到信息?
解决方案:
每天再按小时切分文件——这样虽然每天文件较多,但是能够保证统计时数据可见!Flume上的配置项为hdfs.rollInterval。
如果文件数多,那么还可以考虑对以前的每天的小时文件合并为每天一个文件!
针对问题2
原因比较明显,Hive处理前获取了对应分区下的所有文件信息,其中包含xxx.tmp文件,而传递给MapReduce处理时,由于Flume进行了切换,导致原来的xxx.tmp变成了xxx,新的.tmp名称又变成了yyy.tmp,这样自然找不到xxx.tmp了。
解决方案:
解决这个问题想法之一是想控制Hive的处理时机,但是显然不是那么好控制。
进一步了解到HDFS的Java API读取HDFS文件时,会忽略以”.”和”_”开头的文件!类似于Linux中默认.xx是隐藏的一样,应用程序读取HDFS文件时默认也不读取.xxx和_xxx这样名称的文件!
这样就产生了针对问题2的处理方案一)配置Flume,针对正在写入的文件,以.号开头。涉及Flume配置项hdfs.inUsePrefix。
# The configuration file needs to define the sources, # the channels and the sinks. # Sources, channels and sinks are defined per agent, # in this case called 'a #agent section producer.sources = s producer.channels = c producer.sinks = r #producer.sources.s.type = seq producer.sources.s.channels = c producer.sources.s.type = exec producer.sources.s.command=tail -n 0 -F /usr/local/nginx/nginxlog/access.log producer.sources.s.deletePolicy=never #producer.sources.s.type = avro #producer.sources.s.bind = localhost #producer.sources.s.port = 10000 # Each sink's type must be defined(给谁了) #producer.sinks.r.type = avro #producer.sinks.r.hostname = 10.1.1.100 #producer.sinks.r.port = 20000 producer.sources.source1.interceptors = i1 producer.sources.source1.interceptors.i1.type = timestamp producer.sinks.r.type = hdfs producer.sinks.r.hdfs.path = hdfs://localhost:8010/user/hive/warehouse/tail/%Y-%m-%d producer.sinks.r.hdfs.inUsePrefix = . producer.sinks.r.hdfs.maxOpenFiles = 5000 producer.sinks.r.hdfs.batchSize= 1000 producer.sinks.r.hdfs.fileType = DataStream producer.sinks.r.hdfs.writeFormat =Text producer.sinks.r.hdfs.rollSize = 128000000 producer.sinks.r.hdfs.rollCount = 0 producer.sinks.r.hdfs.rollInterval = 3600 producer.sinks.r.hdfs.useLocalTimeStamp = true producer.sinks.r.request.required.acks=1 producer.sinks.r.max.message.size=1000000 producer.sinks.r.producer.type=sync producer.sinks.r.custom.encoding=UTF-8 #Specify the channel the sink should use producer.sinks.r.channel = c # Each channel's type is defined. producer.channels.c.type = memory producer.channels.c.capacity = 1000000 producer.channels.c.transactionCapacity = 1000 #producer.channels.c.type=file #producer.channels.c.checkpointDir=/usr/local/flumeng/checkpointdir/tcpdir/example_agent #producer.channels.c.dataDirs=/usr/local/flumeng/datadirs/tddirs/example_agen
相关推荐
Flume可以将MySQL的数据写入HDFS,以便进行后续的批处理分析或者作为其他Hadoop服务(如Hive、Pig等)的数据源。 4. **Kafka**: Kafka是一个高吞吐量的分布式消息系统,通常用作实时数据管道,将数据从一个位置传输...
二、Flume写入到HDFS Flume是一个分布式、可靠、高吞吐量的日志收集系统,能够实时地从Kafka中提取数据,并将其写入到HDFS中。为了实现这一点,需要先安装Flume,版本号为flume-1.9.0-bin.tar.gz。然后,需要配置...
- **Sink配置**:设置HDFS Sink,将数据写入HDFS。需要指定HDFS路径和相关参数。 4. **启动Flume**:使用`bin/flume-ng agent`命令启动Flume客户端,指定配置文件,如`--conf-file job/flume-file-hdfs.conf`。 5...
3. Hive 数仓设计:Hadoop Hive 是一种基于 HDFS 的数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供SQL查询功能,适合做离线批处理分析。在本项目中,Hive 被用于设计和构建数据仓库,对从 Kafka ...
例如,一个简单的配置可能包括一个从日志目录读取数据的 FileSource,一个内存通道以快速传输数据,以及一个将数据写入 HDFS 的 HDFS Sink。 在 CDH 5.5.0 中,Flume 可能已经集成了与其它 CDH 组件(如 HBase、...
WebHDFS是HDFS的REST接口,提供了对HDFS的基本操作,如读取、写入、删除等。HttpFS是HDFS的另一个REST接口,提供了对HDFS的高级操作,如文件上传、下载、目录管理等。 导入数据的最佳实践 在导入数据时,有一些...
3. 接收器(Sinks):Flume的接收器有多种选择,如HDFSSink用于写入Hadoop分布式文件系统,HBaseSink用于写入HBase数据库,LoggerSink用于将数据记录到日志,还有KafkaSink用于将数据发送到Kafka主题。 三、Flume...
配置时,可以使用File Source来读取文件系统的文件,并配置适当的Sink将数据写入HDFS。 Flume 的灵活性和可扩展性使其成为大数据环境中数据流处理的首选工具。通过组合不同的Source、Channel和Sink,以及配置适当的...
例如,你可以设置一个 Flume 代理来从一个日志文件源读取数据,并将数据写入 HDFS。 Flume 的核心概念包括: - **Source**:数据流入 Flume 的入口,可以是日志文件、网络套接字、JMS 消息等。 - **Channel**:...
此外,Flume 还可以与其他大数据工具如Hive、Spark等结合,构建完整的数据处理流水线。 综上所述,Apache Flume 是一个强大的Java日志服务器,通过其灵活的架构和丰富的组件,为企业提供了一种高效、可靠的日志管理...
本课程涵盖了Hadoop的多个关键组件,如MapReduce、YARN、Hive、HBase、Pig、Zookeeper、Sqoop、Flume、Kafka和Storm等,这些都是大数据处理和云计算中的重要工具和技术。通过学习这些课程,你可以全面了解大数据生态...
3. Sink:Sink是数据的出口,负责将Channel中的数据发送到目标位置,如HDFS Sink将数据写入Hadoop分布式文件系统,Hive Sink可以直接将数据插入到Hive表或分区,Avro Sink则将Flume事件转换成Avro格式并发送到指定的...
- 第二层Flume从Kafka中读取消息,写入HDFS进行持久化存储。 - 在Hive中创建表结构,并导入HDFS上的数据。 4. **数据分析与展示**: - 利用Hive SQL对数据进行复杂查询和统计分析。 - 使用Presto进行结果展示,...
在 Flume 传输数据的过程中,Sink 取走数据并写入目的地后,会将 events 从 channel 中删除。 六、FusionInsight Manager 界面显示 Hive 服务状态 FusionInsight Manager 界面显示 Hive 服务状态为 Bad 时,可能的...
两种东西,其一是IBM微软数据产品为代表的,其二是Hadoop+Hive+Apache Hive数据仓库软件有助于使用SQL读取,写入和管理驻留在分布式存储中的大型数据集。 可以将结构投影到已经存储的数据上。 提供了命令行工具和...
两种东西,其一是IBM微软数据产品为代表的,其二是Hadoop+Hive+Apache Hive数据仓库软件有助于使用SQL读取,写入和管理驻留在分布式存储中的大型数据集。 可以将结构投影到已经存储的数据上。 提供了命令行工具和...
配置Flume时,你需要定义Source、Channel和Sink,例如,可以创建一个从Web服务器读取日志的Source,将数据暂存在内存或磁盘的Channel,然后将数据写入HDFS的Sink。 Hive是基于Hadoop的数据仓库工具,可以将结构化的...
sinks负责数据输出,如写入HDFS或Kafka。Flume支持自定义拦截器和多级连接,实现数据流的定制处理和高可用性。 最后,Apache Storm是一个实时计算框架,用于处理持续的数据流。Spout从外部系统(如Kafka)获取数据...
FileSystem类用于操作文件系统,比如读取和写入HDFS上的文件。Context类用于执行MapReduce作业的上下文。因此,答案为A.Job。 3. FusionInsightHD系统中Oozie作业提交:Oozie是一个用于管理和调度Hadoop作业的工作...
Spark Streaming与Kafka集成,从Kafka中读取数据并写入HDFS。进一步的处理可能涉及到HBase等NoSQL数据库,用于快速查询和存储。例如,Spark Streaming可以将数据分批写入HBase,建立索引以便快速访问。此外,Spark的...