CDH Hadoop系列目录,CDH Hadoop类别目录

CDH Hadoop系列目录:

CDH Hadoop系列目录:

Hadoop实战(3)_虚拟机搭建CDH的全分布形式

Hadoop实战(3)_虚拟机搭建CDH的全分布形式

Hadoop实战(4)_Hadoop的集群管理和资源分配

Hadoop实战(4)_Hadoop的集群管理和资源分配

Hadoop实战(5)_Hadoop的运维经验

Hadoop实战(5)_Hadoop的运维经验

Hadoop实战(8)_CDH添加Hive服务及Hive基础

Hive序列布局

Hive有2个服务端守护进程:Hiveserver2:支撑JDBC访问,Thrift服务。MetaStore
Server:支撑访问元数据库的服务。

Hadoop实战(9)_Hive进阶及UDF开发

Hive内核结构

Complier:编译器,编译hql语法。

Optimizer:优化hql代码,发生最优执行计划。通过explain select
…查看执行计划。

Executor:执行最后转化的类(MRjob)。

Sqoop语法表明

Sqoop官方学习文档:

http://archive.cloudera.com/cdh5/cdh/5/sqoop-1.4.6-cdh5.9.0/

Sqoop import是周旋于HDFS来讲,即从关周全据库import到HDFS上。

mysql的驱动包放到sqoop/lib下。

Hive用户接口

用户接口重要有五个:CLI, JDBC/ODBC和WebGUI。

CLI,即hive shell命令行,Command line。

JDBC/ODBC是Hive的JAVA,与运用传统数据库JDBC的艺术接近。

WebGUI是透过浏览器访问Hive,丢弃功效。

案例一:把多少导入到HDFS上

/root/project
mkdir sqoop_prj
cd sqoop_prj/
mkdir DBS
cd DBS/
touch DBS.opt

hadoop fs -mkdir /user/hive/warehouse/DBS
which sqoop

实施opt文件,无法传参,sqoop --options-file aa.opt-m,指定map数,假设抽取的表数据量大,则调大map数。假使-m设置为5,5个线程,则在HDFS上发出5个公文。

把sqoop写到shell脚本的功利,可以传参数。

#!/bin/sh
. /etc/profile

hadoop fs -rmr /user/hive/warehouse/DBS



sqoop import  --connect "jdbc:mysql://cdhmaster:3306/hive"    \
--username root                                                          \
--password 123456                                                        \
-m    1                                                             \
--table  DBS                                                           \
--columns   "DB_ID,DESC,DB_LOCATION_URI,NAME,OWNER_NAME,OWNER_TYPE"         \
--target-dir  "/user/hive/warehouse/DBS"    

#--where "length(DESC)>0"                                               \                               
#--null-string ''

bug,驱动问题

ERROR manager.SqlManager: Error reading from database: java.sql.SQLException: Streaming result set com.mysql.jdbc.RowDataDynamic@3c1a42fa is still active. No statements may be issued when any streaming result sets are open and in use on a given connection. Ensure that you have called .close() on any active streaming result sets before attempting more queries.
java.sql.SQLException: Streaming result set com.mysql.jdbc.RowDataDynamic@3c1a42fa is still active. No statements may be issued when any streaming result sets are open and in use on a given connection. Ensure that you have called .close() on any active streaming result sets before attempting more queries.

扩展参数,参考

https://stackoverflow.com/questions/29162447/sqoop-import-issue-with-mysql

https://stackoverflow.com/questions/26375269/sqoop-error-manager-sqlmanager-error-reading-from-database-java-sql-sqlexcept

--driver com.mysql.jdbc.Driver

充实参数后的告诫,

WARN sqoop.ConnFactory: Parameter --driver is set to an explicit driver however appropriate connection manager is not being set (via --connection-manager). Sqoop is going to fall back to org.apache.sqoop.manager.GenericJdbcManager. Please specify explicitly which connection manager should be used next time.

bug,sql语法问题,

Error: java.io.IOException: SQLException in nextKeyValue

去掉关键词列DESC,参考,

https://community.cloudera.com/t5/Data-Ingestion-Integration/sqoop-throws-SQLException-in-nextKeyValue/m-p/42653

添加Hive服务

充裕服务-Hive,Gateway空,Hive Metastore
Server选用cdhmaster,HiveServer2选取cdhslave1。使用嵌入式数据库测试连接跳过。

案例二:数据写Hive普通表(非分区表)

# mysql
create table test (id int, pdate date);
insert into test(id, pdate) values (1, '2017-11-05');
insert into test(id, pdate) values (2, '2017-11-06');
insert into test(id, pdate) values (3, '2017-11-05');
insert into test(id, pdate) values (4, '2017-11-06');

# hive
drop table if exists test;
create table test(id int, pdate string);

--hive-import,指定要写入hive表,该参数无value。

--hive-overwrite

--hive-table,test。

安装MySQL

yum list | grep mysql
yum install -y mysql-server
# 启动mysql服务
chkconfig --list | grep mysql
service mysqld start
chkconfig mysqld on
chkconfig --list | grep mysql
# 创建root管理员
mysqladmin -u root password 123456
# 登录mysql
mysql -u root -p
# 设置字符集,否则会造成转码问题
create database hive;
alter database hive character set latin1;
# 设置访问权限
GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY '123456' WITH GRANT OPTION;

字符集不正确的话,可能报错。

FAILED: Error in metadata: MetaException(message:Got exception: org.apache.thrift.transport.TTransportException null)
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask

MySQL驱动,把mysql的驱动mysql-connector-java-5.1.18-bin.jar放在/opt/cloudera/parcels/CDH/lib/hive/lib/下。

(可选)复制mysql-connector-java-5.1.18-bin.jar/usr/share/cmf/lib/,供cm界面用,添加hive服务跳过元数据库配置即那个驱动包可能会找不到。

案例三:写Hive分区表,so,salesorder

注意事项:

1、用咋样字段做分区?
创办时间,而不是last_modify_time

Q:
用创制时间抽取至hive分区,订单状态变化周期是45天,订单状态变化后,hive数据咋样共同?

hive不辅助update,每一天抽取近15天的订单到Hive的分级分区里。Hive是做总结分析,平日最关注是今天的动静。

# cdhmaster
cd ~
mysql -uroot -p123456 < so.sql
ERROR 1046 (3D000) at line 3: No database selected

vi so.sql
use test;

mysql -uroot -p123456 < so.sql

# hive
CREATE TABLE so (
  order_id bigint,
  user_id bigint,
  order_amt double ,
  last_modify_time string
) partitioned by (date string);

Sqoop执行后,注意:

  • 会在该用户HDFS的home目录下,发生一个与源表同名的目录,如/user/root/so
    假定sqoop import至hive成功,该目录会自动删掉。
  • 在实践的目录下暴发一个java文件,即opt转化的MR Job代码。
  • sqoop import中,无论hive表是咋样列分隔符,均可以活动匹配。

Sqoop抽取框架封装:

  • 建一个mysql配置表,配置需要抽取的表及消息;
  • Java读取mysql配置表,动态生成opt文件;
  • Java中执行Process类调本地系统命令—sqoop –options-file opt文件;

Sqoop-imp -task 1 “2015-04-21”

Sqoop-imp “2015-04-21”

Hive元数据库设置

进入cm的hive服务-配置中,

先进行资源管理,Hive Metastore Server的Java堆栈大小,200M。Hive
Server2的Java堆栈大小,200M。

Hive Metastore数据库,选用MySQL。Hive Metastore数据库名称,hive。Hive
Metastore数据库主机,cdhmaster。Hive Metastore数据库端口,3306。Hive
Metastore数据库用户,root。Hive
Metastore数据库密码,123456。自动创建和擢升Hive
Metastore数据库架构,打勾。严苛的Hive Metastore架构验证,不打勾。

接下来启动Hive服务,观察Metastore
Server是否能连上mysql(实例点进去查看角色的日志)。假如连不上,就反省grant访问mysql的权力。

[main]: Failed initialising database.
Unable to open a test connection to the given database. JDBC url = jdbc:mysql://cdhmaster:3306/hive?useUnicode=true&characterEncoding=UTF-8, username = root. Terminating connection pool (set lazyInit to true if you expect to start your database after your app). Original Exception: ------
java.sql.SQLException: Access denied for user 'root'@'cdhmaster' (using password: YES)

GRANT ALL PRIVILEGES ON *.* TO 'root'@'cdhmaster' IDENTIFIED BY '123456' WITH GRANT OPTION;

Sqoop export

# mysql test
create table so1 as 
select * from so where 1=0;

源头必须是HDFS/Hive,目标关系数据库。

表so1的datelast_modify_time修改为varchar

长距离元数据库

元数据库可以设置在其他节点上,客户端通过MetaStoreServer服务走访元数据库。

(Meta Store Client/Hive CLI)-MetaStore Server(thrift)-MySQL Server

属性 默认值
hive.metastore.local true false
hive.metastore.uris 如thrift://192.168.1.110:9083

Sqoop工具打包

Flow etl 执行所有已安排的表抽取。

Flow etl -task 1

Flow etl -task 1 2017-01-01

  • 读取mysql的extract_to_hdfsextract_db_info,遵照部署信息生成.opt文件。
  • 通过Java的Process类调Linux命令:sqoop --options-file opt文件

idea打包Flow.jar,'D:/Java/idea/IdeaProjects/Hive_Prj/src/META-INF/MANIFEST.MF' already exists in VFS,删掉文件夹META-INF

db.properties是访问mysql数据库的部署。

extract_db_info,抽取的表来自的数据库的布置。

Flow.jar上传至/root/project/lib

/root/project/bin,创建Flow命令。

配置FLOW_HOME

vi /etc/profile

export FLOW_HOME=/root/project

source /etc/profile

配置db.properties

# FLOW_HOME
mkdir conf

vi db.properties

db.driver=com.mysql.jdbc.Driver
db.url=jdbc:mysql://cdhmaster:3306/test
db.user=root
db.password=123456

配置sqoop option目录sqoop/opts

# FLOW_HOME
mkdir -p sqoop/opts

若是要在实施时发生日志,需要开发jar时配置log4j。

ERROR manager.SqlManager: Error reading from database: java.sql.SQLException: Streaming result set com.mysql.jdbc.RowDataDynamic@310d117d is still active. No statements may be issued when any streaming result sets are open and in use on a given connection. Ensure that you have called .close() on any active streaming result sets before attempting more queries.
java.sql.SQLException: Streaming result set com.mysql.jdbc.RowDataDynamic@310d117d is still active. No statements may be issued when any streaming result sets are open and in use on a given connection. Ensure that you have called .close() on any active streaming result sets before attempting more queries.

HDFSExtract.java,扩展部署--driver com.mysql.jdbc.Driver,重新打包上传。

学业可以对应做修改,如sh ./so.sh

# /root/project/sqoop_prj/DBS
vi so.sh

Flow etl -task 1 $yestoday

你或许还想看

数量解析/数据挖掘/机器学习

Python数据挖掘与机具学习_通信信用风险评估实战(1)——读数据

Python数据挖掘与机具学习_通信信用风险评估实战(2)——数据预处理

Python数据挖掘与机具学习_通信信用风险评估实战(3)——特征工程

Python数据挖掘与机具学习_通信信用风险评估实战(4)——模型磨炼与调优

爬虫

Python爬虫实战之爬取链家苏黎世房价_01大概的单页爬虫

Python爬虫实战之爬取链家迈阿密房价_02把小爬虫变大

Python爬虫实战之爬取链家广州房价_03存储

Python爬虫实战之爬取链家圣菲波哥大房价_04链家的依样画葫芦登录(记录)

搜狗词库爬虫(1):基础爬虫架构和爬取词库分类

搜狗词库爬虫(2):基础爬虫框架的运行流程


微信公众号「数据解析」,分享数据科学家的我修养,既然遇见,不如一起成长。

图片 1

数据解析

转载请注解:转载自微信公众号「数据解析」


Hive命令

show databases;
use default;
create table test(id int, name string);
desc test;


内部表,又称托管表,drop后数据丢失。

表面表:create external table tableName,drop表时数据不会删除。

alter table set location '';
alter table add partition(date='') location '';

默认分隔符,列为\001,行为\n。

create external table page_view_stg
(userid bigint,
 url string,
 ip string comment 'IP Address of the User')
row format delimited fields terminated by '\t'
partitioned by (ds string, type string)
lines terminated by '\n'
stored as textfile
location '/user/hive/external/city';

字段类型

  • int
  • bigint,长整型
  • double,金额类
  • string,字符串,日期,非数值型的方方面面可以用string

Cli

hive -e “select …”

hive -f aa.sql

hive -e -i -i的效用是加载初步化命令,比如UDF

create database dw location '/user/hive/dw';

FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. MetaException(message:Got exception: org.apache.hadoop.security.AccessControlException Permission denied: user=root, access=WRITE, inode="/user/hive":hive:hive:drwxrwxr-t

解决办法,用hdfs帐户执行

su - hdfs
hadoop fs -chmod 777 /user/hive

hive
use dw;
create table aa(name string);

分区

关联DB的分区都是预先建好,一般都是透过某个字段的限量,比如date。

Hive的分区是写多少进去的时候自动建的,分区表insert时务必指定分区。

把一个文本入到Hive表有2中艺术:

方式1:通过load命令

方式2:首先hadoop fs -put至HDFS,然后alter location。

Hive的insert有2种,insert overwrite(覆盖),insert into(追加)。

create table track_log (
id                         string ,
url                        string ,
referer                    string ,
keyword                    string ,
type                       string ,
guid                       string ,
pageId                     string ,
moduleId                   string ,
linkId                     string ,
attachedInfo               string ,
sessionId                  string ,
trackerU                   string ,
trackerType                string ,
ip                         string ,
trackerSrc                 string ,
cookie                     string ,
orderCode                  string ,
trackTime                  string ,
endUserId                  string ,
firstLink                  string ,
sessionViewNo              string ,
productId                  string ,
curMerchantId              string ,
provinceId                 string ,
cityId                     string )  
PARTITIONED BY (date string,hour string)  
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

hive -e "LOAD DATA LOCAL INPATH '/root/data/2015082818' OVERWRITE INTO TABLE track_log PARTITION (date='2015-08-28',hour='18');"

hive -e "LOAD DATA LOCAL INPATH '/root/data/2015082819' OVERWRITE INTO TABLE track_log PARTITION (date='2015-08-28',hour='19');"

select date,count(url) as pv, count(distinct guid) as uv from track_log where date='2015-08-28' group by date;

分区字段名不可以和经常字段重复,分区字段用起来和平凡字段没分别。

动态分区

表1是日期分区,需要把表1中数量写入表2(日期、刻钟分区)?

insert overwrite table table2 partition(date='', hour='00') 
select 
from table1 
 where hour(time)=0;

create table rpt_visit_daily_hour 
(
    pv bigint,
    uv bigint
) partitioned by (date string, hour string);

insert overwrite table rpt_visit_daily_hour partition (date='2015-08-28', hour) 
select count(url) as pv, 
count(distinct guid) as uv, 
hour 
from track_log 
where date='2015-08-28' group by date,hour;

Hive表数据的发源

  • 事情系统,sqoop用于关系db和hive/hdfs导入导出。
  • 数据文件,hive load命令,用于加载网站用户作为数据。
  • 此外数据表,insert … select
  • 新闻中间件,比如kafka离线消费写HDFS。

Q:drop后的表面表在咋样职位?

A:外部表数据没有去除,只是删除了表的元数据信息,手工把HDFS目录映射到hive表分区:
hive -e “alter table tt add partition (date=”,hour=”) location
‘/user/hive/warehouse/track_log/date=2015-08-28/hour=18′”

Hive官方文档:

https://cwiki.apache.org/confluence/display/Hive/Tutorial


你或许还想看

数量解析/数据挖掘/机器学习

Python数据挖掘与机具学习_通信信用风险评估实战(1)——读数据

Python数据挖掘与机具学习_通信信用风险评估实战(2)——数据预处理

Python数据挖掘与机具学习_通信信用风险评估实战(3)——特征工程

Python数据挖掘与机具学习_通信信用风险评估实战(4)——模型锻练与调优

爬虫

Python爬虫实战之爬取链家都德国首都房价_01简练的单页爬虫

Python爬虫实战之爬取链家特拉维夫房价_02把小爬虫变大

Python爬虫实战之爬取链家马尼拉房价_03存储

Python爬虫实战之爬取链家墨尔本房价_04链家的模拟登录(记录)

搜狗词库爬虫(1):基础爬虫架构和爬取词库分类

搜狗词库爬虫(2):基础爬虫框架的周转流程


微信公众号「数据解析」,分享数据地理学家的自我修养,既然遇见,不如一起成人。

数量解析

转载请注解:转载自微信公众号「数据解析」