在我们的一些应用程序中,常常避免不了要与数据库进行交互,而在我们的hadoop中,有时候也需要和数据库进行交互,比如说,数据分析的结果存入数据库,或者是,读取数据库的信息写入HDFS上,不过直接使用MapReduce操作数据库,这种情况在现实开发还是比较少,一般我们会采用Sqoop来进行数据的迁入,迁出,使用Hive分析数据集,大多数情况下,直接使用Hadoop访问关系型数据库,可能产生比较大的数据访问压力,尤其是在数据库还是单机的情况下,情况可能更加糟糕,在集群的模式下压力会相对少一些。
那么,今天散仙就来看下,如何直接使用Hadoop1.2.0的MR来读写操作数据库,hadoop的API提供了DBOutputFormat和DBInputFormat这两个类,来进行与数据库交互,除此之外,我们还需要定义一个类似JAVA Bean的实体类,来与数据库的每行记录进行对应,通常这个类要实现Writable和DBWritable接口,来重写里面的4个方法以对应获取每行记录里面的各个字段信息。
下面,我们先来看下如何使用MR来读取数据库的数据,并写入HDFS上,
数据表的截图如下所示,
实体类定义代码:
<pre name="code" class="java">package com.qin.operadb;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.sql.SQLException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.mapreduce.lib.db.DBWritable;
/***
* 封装数据库实体信息
* 的记录
*
* 搜索大数据技术交流群:376932160
*
* **/
public class PersonRecoder implements Writable,DBWritable {
public int id;//对应数据库中id字段
public String name;//对应数据库中的name字段
public int age;//对应数据库中的age字段
@Override
public void readFields(ResultSet result) throws SQLException {
this.id=result.getInt(1);
this.name=result.getString(2);
this.age=result.getInt(3);
}
@Override
public void write(PreparedStatement stmt) throws SQLException {
stmt.setInt(1, id);
stmt.setString(2, name);
stmt.setInt(3, age);
}
@Override
public void readFields(DataInput arg0) throws IOException {
// TODO Auto-generated method stub
this.id=arg0.readInt();
this.name=Text.readString(arg0);
this.age=arg0.readInt();
}
@Override
public void write(DataOutput out) throws IOException {
// TODO Auto-generated method stub
out.writeInt(id);
Text.writeString(out, this.name);
out.writeInt(this.age);
}
@Override
public String toString() {
// TODO Auto-generated method stub
return "id: "+id+" 年龄: "+age+" 名字:"+name;
}
}
</pre>
MR类的定义代码,注意是一个Map Only作业:
<pre name="code" class="java">package com.qin.operadb;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.lib.IdentityReducer;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.db.DBConfiguration;
import org.apache.hadoop.mapreduce.lib.db.DBInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class ReadMapDB {
/**
* Map作业读取数据记录数
*
* **/
private static class DBMap extends Mapper&lt;LongWritable, PersonRecoder , LongWritable, Text&gt;{
@Override
protected void map(LongWritable key, PersonRecoder value,Context context)
throws IOException, InterruptedException {
context.write(new LongWritable(value.id), new Text(value.toString()));
}
}
public static void main(String[] args)throws Exception {
JobConf conf=new JobConf(ReadMapDB.class);
//Configuration conf=new Configuration();
// conf.set("mapred.job.tracker","192.168.75.130:9001");
//读取person中的数据字段
// conf.setJar("tt.jar");
//注意这行代码放在最前面,进行初始化,否则会报
DBConfiguration.configureDB(conf, "com.mysql.jdbc.Driver", "jdbc:mysql://192.168.211.36:3306/test", "root", "qin");
/**要读取的字段信息**/
String fileds[]=new String[]{"id","name","age"};
/**Job任务**/
Job job=new Job(conf, "readDB");
System.out.println("模式: "+conf.get("mapred.job.tracker"));
/**设置数据库输入格式的一些信息**/
DBInputFormat.setInput(job, PersonRecoder.class, "person", null, "id", fileds);
/***设置输入格式*/
job.setInputFormatClass(DBInputFormat.class);
job.setOutputKeyClass(LongWritable.class);
job.setOutputValueClass(Text.class);
job.setMapperClass(DBMap.class);
String path="hdfs://192.168.75.130:9000/root/outputdb";
FileSystem fs=FileSystem.get(conf);
Path p=new Path(path);
if(fs.exists(p)){
fs.delete(p, true);
System.out.println("输出路径存在,已删除!");
}
FileOutputFormat.setOutputPath(job,p );
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
</pre>
写入到HDFS目录下数据集:
读取相对比较简单,需要注意的第一注意JDBC的驱动jar包要在各个节点上分别上传一份,第二是在main方法里的驱动类的编写顺序,以及数据信息的完整,才是正确连接数据库并读取的关键。
下面来看下,如何使用MR,分析完数据后的结果,写入在数据库中,散仙本篇测试的是一个简单的WordCount的统计。我们先来看下数据库表的信息:
实体类定义代码:
<pre name="code" class="java">package com.qin.operadb;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.sql.SQLException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.mapreduce.lib.db.DBWritable;
public class WordRecoder implements Writable,DBWritable {
public String word;
public int count;
@Override
public void readFields(ResultSet rs) throws SQLException {
this.word=rs.getString(1);
this.count=rs.getInt(2);
}
@Override
public void write(PreparedStatement ps) throws SQLException {
ps.setString(1, this.word);
ps.setInt(2, this.count);
}
@Override
public void readFields(DataInput in) throws IOException {
this.word=Text.readString(in);
this.count=in.readInt();
}
@Override
public void write(DataOutput out) throws IOException {
Text.writeString(out, this.word);
out.writeInt(count);
}
}
</pre>
统计的2个文件的内容所示:
MR的核心类代码:
<pre name="code" class="java">package com.qin.operadb;
import java.io.IOException;
import java.util.StringTokenizer;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
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.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class WriteMapDB {
private static class WMap extends Mapper&lt;LongWritable, Text, Text, IntWritable&gt;{
/***
* Mapper的参数类型介绍
* K,V,K,V分别依次代表
* Map作业输入类型的K,输入类型的V
* 后面两个是输出类型的K,输出类型的V
* 后面的两个与 context.write(word, one);
* 的两个参数是对应的
* **/
private Text word=new Text();
private IntWritable one=new IntWritable(1);
@Override
protected void map(LongWritable key, Text value,Context context)
throws IOException, InterruptedException {
String line=value.toString();
//处理记事本UTF-8的BOM问题
if (line.getBytes().length &gt; 0) {
if ((int) line.charAt(0) == 65279) {
line = line.substring(1);
}
}
StringTokenizer st=new StringTokenizer(line);
while(st.hasMoreTokens()){
word.set(st.nextToken());//设置单词
context.write(word, one);
}
}
}
/***
* 由于在reduce中,需要向数据库里写入
* 数据,所以跟combine,不能共用
*
*
*
* ***/
private static class WCombine extends Reducer&lt;Text, IntWritable, Text, IntWritable&gt;{
@Override
protected void reduce(Text text, Iterable&lt;IntWritable&gt; value,Context context)
throws IOException, InterruptedException {
int sum=0;
for(IntWritable iw:value){
sum+=iw.get();
}
context.write(text, new IntWritable(sum));
}
}
/**
*
* Reduce类
*
* **/
private static class WReduce extends Reducer&lt;Text, IntWritable, WordRecoder, Text&gt;{
@Override
protected void reduce(Text key, Iterable&lt;IntWritable&gt; values,Context context)
throws IOException, InterruptedException {
int sum=0;
for(IntWritable s:values){
sum+=s.get();
}
WordRecoder wr=new WordRecoder();
wr.word=key.toString();
wr.count=sum;
//写出到数据库里
context.write(wr, new Text());
}
}
public static void main(String[] args)throws Exception {
JobConf conf=new JobConf(WriteMapDB.class);
//Configuration conf=new Configuration();
// conf.set("mapred.job.tracker","192.168.75.130:9001");
//读取person中的数据字段
//conf.setJar("tt.jar");
// conf.setNumReduceTasks(1);
//注意这行代码放在最前面,进行初始化,否则会报
/**建立数据库连接**/
DBConfiguration.configureDB(conf, "com.mysql.jdbc.Driver", "jdbc:mysql://192.168.211.36:3306/test?characterEncoding=utf-8", "root", "qin");
String fileds[]=new String[]{"word","count"};
Job job=new Job(conf, "writeDB");
System.out.println("运行模式: "+conf.get("mapred.job.tracker"));
/**设置输出表的的信息 第一个参数是job任务,第二个参数是表名,第三个参数字段项**/
DBOutputFormat.setOutput(job, "wordresult", fileds);
/**设置DB的输入路径**/
job.setInputFormatClass(TextInputFormat.class);
/**设置DB的输出路径**/
job.setOutputFormatClass(DBOutputFormat.class);
/***设置Reduce的个数为1,可以得到全局统计的数字
* 但,需要注意,在分布式环境下,最好不要设置为1,Reduce的个数
* 正是Hadoop并发能力的体现
*
* **/
// job.setNumReduceTasks(1);
/**设置输出K路径**/
job.setOutputKeyClass(Text.class);
/**设置输出V路径**/
job.setOutputValueClass(IntWritable.class);
/**设置Map类**/
job.setMapperClass(WMap.class);
/**设置Combiner类**/
job.setCombinerClass(WCombine.class);
/**设置Reduce类**/
job.setReducerClass(WReduce.class);
/**设置输入路径*/
FileInputFormat.setInputPaths(job, new Path("hdfs://192.168.75.130:9000/root/input"));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}
</pre>
运行状态如下所示:
<pre name="code" class="java">运行模式: 192.168.75.130:9001
14/03/26 20:26:59 WARN mapred.JobClient: Use GenericOptionsParser for parsing the arguments. Applications should implement Tool for the same.
14/03/26 20:27:01 INFO input.FileInputFormat: Total input paths to process : 2
14/03/26 20:27:01 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
14/03/26 20:27:01 WARN snappy.LoadSnappy: Snappy native library not loaded
14/03/26 20:27:01 INFO mapred.JobClient: Running job: job_201403262328_0006
14/03/26 20:27:02 INFO mapred.JobClient: map 0% reduce 0%
14/03/26 20:27:10 INFO mapred.JobClient: map 50% reduce 0%
14/03/26 20:27:11 INFO mapred.JobClient: map 100% reduce 0%
14/03/26 20:27:18 INFO mapred.JobClient: map 100% reduce 33%
14/03/26 20:27:19 INFO mapred.JobClient: map 100% reduce 100%
14/03/26 20:27:20 INFO mapred.JobClient: Job complete: job_201403262328_0006
14/03/26 20:27:20 INFO mapred.JobClient: Counters: 28
14/03/26 20:27:20 INFO mapred.JobClient: Job Counters
14/03/26 20:27:20 INFO mapred.JobClient: Launched reduce tasks=1
14/03/26 20:27:20 INFO mapred.JobClient: SLOTS_MILLIS_MAPS=10345
14/03/26 20:27:20 INFO mapred.JobClient: Total time spent by all reduces waiting after reserving slots (ms)=0
14/03/26 20:27:20 INFO mapred.JobClient: Total time spent by all maps waiting after reserving slots (ms)=0
14/03/26 20:27:20 INFO mapred.JobClient: Launched map tasks=2
14/03/26 20:27:20 INFO mapred.JobClient: Data-local map tasks=2
14/03/26 20:27:20 INFO mapred.JobClient: SLOTS_MILLIS_REDUCES=8911
14/03/26 20:27:20 INFO mapred.JobClient: File Output Format Counters
14/03/26 20:27:20 INFO mapred.JobClient: Bytes Written=0
14/03/26 20:27:20 INFO mapred.JobClient: FileSystemCounters
14/03/26 20:27:20 INFO mapred.JobClient: FILE_BYTES_READ=158
14/03/26 20:27:20 INFO mapred.JobClient: HDFS_BYTES_READ=325
14/03/26 20:27:20 INFO mapred.JobClient: FILE_BYTES_WRITTEN=182065
14/03/26 20:27:20 INFO mapred.JobClient: File Input Format Counters
14/03/26 20:27:20 INFO mapred.JobClient: Bytes Read=107
14/03/26 20:27:20 INFO mapred.JobClient: Map-Reduce Framework
14/03/26 20:27:20 INFO mapred.JobClient: Map output materialized bytes=164
14/03/26 20:27:20 INFO mapred.JobClient: Map input records=6
14/03/26 20:27:20 INFO mapred.JobClient: Reduce shuffle bytes=164
14/03/26 20:27:20 INFO mapred.JobClient: Spilled Records=24
14/03/26 20:27:20 INFO mapred.JobClient: Map output bytes=185
14/03/26 20:27:20 INFO mapred.JobClient: Total committed heap usage (bytes)=336338944
14/03/26 20:27:20 INFO mapred.JobClient: CPU time spent (ms)=2850
14/03/26 20:27:20 INFO mapred.JobClient: Combine input records=20
14/03/26 20:27:20 INFO mapred.JobClient: SPLIT_RAW_BYTES=218
14/03/26 20:27:20 INFO mapred.JobClient: Reduce input records=12
14/03/26 20:27:20 INFO mapred.JobClient: Reduce input groups=8
14/03/26 20:27:20 INFO mapred.JobClient: Combine output records=12
14/03/26 20:27:20 INFO mapred.JobClient: Physical memory (bytes) snapshot=464982016
14/03/26 20:27:20 INFO mapred.JobClient: Reduce output records=8
14/03/26 20:27:20 INFO mapred.JobClient: Virtual memory (bytes) snapshot=2182836224
14/03/26 20:27:20 INFO mapred.JobClient: Map output records=20
</pre>
最后,我们就可以去数据库里,查看统计的信息了,截图如下:
至此,我们就完成了使用MR来读写数据库了,注意测试前,先确保自己的hadoop集群,可以正常工作。
相关推荐
在本Java工程实例中,我们将深入探讨如何使用HBase这一分布式数据库系统,它与Hadoop生态系统紧密集成。HBase是一个高度可扩展的NoSQL数据库,它以列族为存储结构,支持实时读写操作,特别适合大数据场景。下面将...
HBase 是基于 Apache Hadoop 的面向列的 NoSQL 数据库,是 Google 的 BigTable 的开源实现。HBase 是一个针对半结构化数据的开源的、多版本的、可伸缩的、高可靠的、高性能的、分布式的和面向列的动态模式数据库。 ...
本程序的标题是"读写数据库数据的mr程序",这意味着我们将探讨如何利用MapReduce来从MySQL数据库读取数据,并将这些数据存储到HBASE这种分布式数据库中。这个过程通常被称为ETL(Extract, Transform, Load)操作,是...
总的来说,学习这些内容可以帮助我们深入理解大数据处理的工作原理,掌握如何在Hadoop生态系统中使用Hive进行高效的数据分析。通过阅读和研究这些资料,你将能够熟练运用Hive进行大数据查询,同时了解Hadoop的运行...
例如,通过Hive(一个建立在Hadoop之上的数据仓库工具)可以方便地执行SQL查询操作,而HBase则提供了一种高性能的列式存储模式,适合实时读写和随机访问的场景。 ##### 2.3 Hadoop与传统数据库的比较 相比于传统的...
Hbase是Apache的NoSQL分布式可扩展Hadoop数据库,可以很好地横向扩展。Hbase中的数据是面向列的数据库,其中结构化数据存储在键值对中。Hbase用Java编写。Hbase的灵感来自Google Paper-“大表:结构化数据的分布式...
不同于传统的关系型数据库,Bigtable使用一个简单的二维表模型来存储数据,其中每一行都由一个唯一的行键标识。Bigtable支持高并发的读写操作,能够应对大规模的数据存储需求。 **HBase** 基于HDFS构建,是对...
在Windows 7上,开发人员可以使用hadoop.dll和winutils.exe来访问HDFS,进行数据的读写操作。而Hive是基于Hadoop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,因此在Windows环境...
安装并配置好winutils后,Windows用户可以通过Hadoop的HDFS API访问HDFS,进行数据读写操作。 在大数据处理中,Hadoop的核心组件包括: 1. HDFS(Hadoop Distributed File System):分布式文件系统,能够将大规模...
在Hadoop环境中,Kerberos可以应用于HDFS、YARN、HBase等组件,保护数据的读写操作、资源调度以及数据库访问。安装Hadoop-3.3.4时,需确保配置Kerberos以实现安全运行。首先,需要设置Kerberos的KDC服务器,并为每个...
此外,Hadoop 2.6.0还包含许多其他组件,如HBase(一个分布式数据库)、Hive(一个数据仓库工具)、Pig(一种高级数据处理语言)和Sqoop(用于在Hadoop和传统数据库间导入导出数据的工具)。这些组件共同构建了一个...
HBase是一个基于Hadoop的分布式数据库,提供实时读写和强一致性。该文档会讲解如何安装HBase,配置HBase与Hadoop的交互,以及如何使用HBase Shell进行基本操作。 "Hadoop的MapReduce执行过程介绍"涵盖了MapReduce...
例如,通过`addDependency`或者`classpath`指定jar路径,然后使用Hadoop的API读写HDFS,使用HBase的API操作数据库。同时,开发过程中需要注意版本兼容性,确保所使用的jar包与Hadoop和HBase集群的版本一致。 6. ...
为了实现这种迁移,我们通常使用MapReduce编程模型,它允许Hadoop访问和写入Oracle数据库,并将数据从HDFS传输到Oracle中。 首先,要实现Hadoop到Oracle的数据迁移,需要配置相关的数据库信息类DBInfo,该类记录了...
Hadoop生态系统还包括HBase、Hive、Pig、Oozie等工具,它们分别提供了NoSQL数据库服务、SQL查询接口、数据流处理和工作流调度等功能,共同构建了一个强大的大数据处理平台。 总结来说,“hadoop-2.5.2.tar.gz”是...
org.apache.hadoop.io 包定义了通用的 I/O API,用于读写各种数据对象,包括网络、数据库和文件等。org.apache.hadoop.ipc 包提供了网络服务端和客户端的工具,用于封装网络异步 I/O 操作。org.apache.hadoop.mapred...
在IT行业中,分布式计算框架Hadoop和NoSQL数据库HBase是大数据处理的重要工具。本教程主要涵盖的是在较旧版本的Hadoop 1.0.2上安装并配置HBase 0.94,以及相关的MapReduce开发和Hadoop-Eclipse插件的编译。这些内容...
除了核心组件,Hadoop生态还包括许多其他模块,如HBase(分布式数据库)、Hive(数据仓库工具)、Pig(数据分析语言)等。如果项目中用到了这些模块,还需要额外引入对应的jar包。例如,对于HBase,你需要添加`hbase...
HBase是构建在Hadoop之上的分布式NoSQL数据库,适用于大规模实时读写操作。监控HBase的指标如RegionServer负载、MemStore大小、延迟时间等,可以帮助我们优化读写性能,预防热点问题,以及提前发现潜在的故障。 这...