背景

  1. SQLSERVER数据库中单表数据几十亿,分区方案也已经无法查询出结果。故:采用导出功能,导出数据到Text文本(文本>40G)中。
  2. 因上原因,所以本次的实验样本为:【数据量:61w条,文本大小:74M】

    选择DataX原因

  3. 试图维持统一的异构数据源同步方案。(其实行不通)
  4. 试图进入Hive时,已经是压缩ORC格式,降低存储大小,提高列式查询效率,以便后续查询HIVE数据导入KUDU时提高效率(其实行不通)

1. 建HIVE表

进入HIVE,必须和TextFile中的字段类型保持一致

 create table event_hive_3(
`#auto_id` string
,`#product_id` int
,`#event_name` string
,`#part_date` int
,`#server_id` int
,`#account_id` bigint
,`#user_id` bigint
,part_time STRING
,GetItemID bigint
,ConsumeMoneyNum bigint
,Price bigint
,GetItemCnt bigint
,TaskState bigint
,TaskType bigint
,BattleLev bigint
,Level bigint
,ItemID bigint
,ItemCnt bigint
,MoneyNum bigint
,MoneyType bigint
,VIP bigint
,LogID bigint
)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
STORED AS ORC;

2. 建Kudu表

这个过程,自行发挥~

#Idea中,执行单元测试【EventAnalysisRepositoryTest.createTable()】即可
public void createTable() throws Exception {repository.getClient();repository.createTable(Event_Sjmy.class,true);
}

3. 建立Impala表

进入Impala-shell 或者hue;

use sd_dev_sdk_mobile;
CREATE EXTERNAL TABLE `event_sjmy_datax` STORED AS KUDU
TBLPROPERTIES('kudu.table_name' = 'event_sjmy_datax','kudu.master_addresses' = 'sdmain:7051')

4. 编辑Datax任务

不直接load进hive的目的是为了进行一步文件压缩,降低内存占用,转为列式存储。

# 编辑一个任务
vi /home/jobs/textToHdfs.json;
{"setting": {},"job": {"setting": {"speed": {"channel": 2}},"content": [{"reader": {"name": "txtfilereader","parameter": {"path": ["/home/data"],"encoding": "GB2312","column": [{"index": 0,"type": "string"},{"index": 1,"type": "int"},{"index": 2,"type": "string"},{"index": 3,"type": "int"},{"index": 4,"type": "int"},{"index": 5,"type": "long"},{"index": 6,"type": "long"},{"index": 7,"type": "string"},{"index": 8,"type": "long"},{"index": 9,"type": "long"},{"index": 10,"type": "long"},{"index": 11,"type": "long"},{"index": 12,"type": "long"},{"index": 13,"type": "long"},{"index": 14,"type": "long"},{"index": 15,"type": "long"},{"index": 17,"type": "long"},{"index": 18,"type": "long"},{"index": 19,"type": "long"},{"index": 20,"type": "long"},{"index": 21,"type": "long"}],"fieldDelimiter": "/t"}},"writer": {"name": "hdfswriter", "parameter": {"column": [{"name":"#auto_id","type":" STRING"},{"name":"#product_id","type":" int"},{"name":"#event_name","type":" STRING"},{"name":"#part_date","type":"int"},{"name":"#server_id","type":"int"},{"name":"#account_id","type":"bigint"},{"name":"#user_id","type":" bigint"},{"name":"part_time","type":" STRING"},{"name":"GetItemID","type":" bigint"},{"name":"ConsumeMoneyNum","type":"bigint"},{"name":"Price ","type":"bigint"},{"name":"GetItemCnt ","type":"bigint"},{"name":"TaskState ","type":"bigint"},{"name":"TaskType ","type":"bigint"},{"name":"BattleLev ","type":"bigint"},{"name":"Level","type":"bigint"},{"name":"ItemID ","type":"bigint"},{"name":"ItemCnt ","type":"bigint"},{"name":"MoneyNum ","type":"bigint"},{"name":"MoneyType ","type":"bigint"},{"name":"VIP ","type":"bigint"},{"name":"LogID ","type":"bigint"}], "compress": "NONE", "defaultFS": "hdfs://sdmain:8020", "fieldDelimiter": "\t", "fileName": "event_hive_3", "fileType": "orc", "path": "/user/hive/warehouse/dataxtest.db/event_hive_3", "writeMode": "append"}}}]}
}

4.1 执行datax任务

注意哦,数据源文件,先放在/home/data下哦。数据源文件必须是个数据二维表。

#textfile中数据例子如下:
{432297B4-CA5F-4116-901E-E19DF3170880}  701 获得筹码    201906  2   4974481 1344825 00:01:06    0   0   0   0   0   0   0   0   0   0   100 2   3   31640
{CAAF09C6-037D-43B9-901F-4CB5918FB774}  701 获得筹码    201906  2   5605253 1392330 00:02:25    0   0   0   0   0   0   0   0   0   0   390 2   10  33865cd $DATAX_HOME/bin
python datax.py /home/job/textToHdfs.json

效果图:

使用Kudu从HIVE读取写入到Kudu表中

进入shell

#进入shell:
impala-shell;
#选中库--如果表名有指定库名,可省略
use sd_dev_sdk_mobile;
输入SQL:INSERT INTO sd_dev_sdk_mobile.event_sjmy_datax SELECT `#auto_id`,`#event_name`,`#part_date`,`#product_id`,`#server_id`,`#account_id`,`#user_id`,part_time,GetItemID,ConsumeMoneyNum,Price,GetItemCnt,TaskState,TaskType,BattleLev,Level,ItemID,ItemCnt,MoneyNum,MoneyType,VIP,LogIDFROM event_hive_3 ;

效果图:

看看这可怜的结果

这速度难以接受,我选择放弃。

打脸环节-原因分析:
  1. DataX读取TextFile到HIVE中的速度慢: DataX对TextFile的读取是单线程的,(2.0版本后可能会提供多线程ReaderTextFile的能力),这直接浪费了集群能力和12核的CPU。且,文件还没法手动切割任务分节点执行。
  2. Hive到KUDU的数据慢:insert into xxx select * 这个【*】一定要注意,如果读取所有列,那列式查询的优势就没多少了,所以,转ORC多此一举。
  3. Impala读取HIVE数据时,内存消耗大!
    唯一的好处: 降低硬盘资源的消耗(74M文件写到HDFS,压缩后只有15M),但是!!!这有何用?我要的是导入速度!如果只是为了压缩,应该Load进Hive,然后启用Hive的Insert到ORC新表,充分利用集群资源!

代码如下

//1. 数据加载到textfile表中
load data inpath '/home/data/event-19-201906.txt' into table event_hive_3normal;
//2. 数据查询出来写入到ORC表中。
insert into event_hive_3orc
select * from event_hive_3normal

实验失败~

优化思路:1.充分使用集群的CPU资源
2.避免大批量数据查询写入
优化方案:掏出我的老家伙,单Flume读取本地数据文件sink到Kafka, 集群中多Flume消费KAFKA集群,sink到Kudu !下午见!

转载于:https://www.cnblogs.com/Imaigne/p/11206875.html

KUDU数据导入尝试一:TextFile数据导入Hive,Hive数据导入KUDU相关推荐

  1. Hive数据导入——数据存储在Hadoop分布式文件系统中,往Hive表里面导入数据只是简单的将数据移动到表所在的目录中!...

    转自:http://blog.csdn.net/lifuxiangcaohui/article/details/40588929 Hive是基于Hadoop分布式文件系统的,它的数据存储在Hadoop ...

  2. 记一次SQL Server2005导入Oracle10G的折腾过程【供多种数据库导入导出数据的C#程序源码参考】...

    曾经很早的时候用 SQL Server2000 时就见过我们老大,用 SQL Server2000 的导入导出功能,把数据都导入到了 Oracle9 里去,所以我也对导入导出数据有充分的信心,绝对能做 ...

  3. mysql数据首次导入hive_sqoop1.4.7环境搭建及mysql数据导入导出到hive

    sqoop文档:http://sqoop.apache.org/docs/1.4.7/SqoopUserGuide.html#_prerequisites 在hive创建表和导入数据时必须添加分隔符, ...

  4. Hive中数据的导入与导出

    最近在做一个小任务,将一个CDH平台中Hive的部分数据同步到另一个平台中.毕竟我也刚开始工作,在正式开始做之前,首先进行了一段时间的练习,下面的内容就是练习时写的文档中的内容.如果哪里有错误或者疏漏 ...

  5. matlab导入数据作图,如何将excel表格中大量数据导入matlab中并作图:excel表格数据制图软件...

    是否有能替代Excel作图表的软件? 我认为数据观你可以试试,因为它提供多种可视化图表,涵盖所有excel提供的图形,您可以进行任何个性化设置. 将excel数据制作成漂亮图表的软件?做图表用什么软件 ...

  6. 效率最高的Excel数据导入---(c#调用SSIS Package将数据库数据导入到Excel文件中【附源代码下载】)...

     本文目录: (一)背景 (二)数据库数据导入到Excel的方法比较    (三)SSIS的简介    (四)数据库中存储过程示例(SSIS应用需要) (五)Excel模板的制作(这步这么简单,稍微介 ...

  7. mysql中数据表如何关联_mysql 如何导入/导出2个关联表中的数据

    mysql 怎么导入/导出2个关联表中的数据 表一 id student 1 S1 2 S2 表二 id sid scord order 1 1 100 1 2 1 60 2 3 1 80 3 4 2 ...

  8. python 批量读取xlsx并合并_如何用Python快速导入多个excel文件并合并文件数据

    日常工作中,每个月都会遇到那么个固定的工作,将业务方同事整理的数据导入GP数据库中的某张表中:听起来是很简单的活呢! 但每次业务MM总会发来一个文件夹,里面有三四十个Excel文件(.xlsx格式,且 ...

  9. 导入数据中文乱码_基于Navicat和Kettle的数据迁移完全解读(多图)

    需求描述 对于数据分析人员来说,工作的基础是数据,没有数据分析就无从谈起,即巧妇难为无米之炊. #数据库# #数据迁移# #Oracle# 然而,数据分析往往在实验环境或者准生产环境中开展,而数据分布 ...

最新文章

  1. Selenium 2 WebDriver 多线程 并发
  2. hadoop hbase维护问题总结
  3. css,js缓存,不能立即响应
  4. 【Mark 常用方法】Html中<form>标签作用和属性详解
  5. ABP入门系列(1)——通过模板创建MAP版本项目
  6. 很火的深度学习框架PyTorch怎么用?手把手带你安装配置
  7. dynamic 找不到编译动态表达式所需的一种或多种类型。是否缺少引用?
  8. Arctic Network UVA - 10369 (最小生成树,适合prim)
  9. SQL:日期函数 year() month() day()
  10. ShopNc实例化对象
  11. php 百度天气,php使用百度天气接口示例
  12. Arcgis Android - HelloWorld
  13. python项目目录结构
  14. 游戏试玩站打码平台系统可运营源码
  15. 第9章、图像按钮ImageButton(从零开始学Android)
  16. 《遥感原理与应用》孙家抦版知识点总结(含简答题)——第一章
  17. 开源Jamendo在线音乐播放器源码(四)
  18. js java script MD5码的生成
  19. 设计的概念以及含义_什么是设计概念? 以及为什么您应该始终从一个开始
  20. 自己整理的资料 视频格式以及参数含义

热门文章

  1. 使用数组操作解码YOLO Core ML对象检测(三)
  2. SQL ——利用窗口函数的T-SQL解决方案
  3. python db.commit_python对MySQL进行数据的插入、更新和删除之后需要commit,数据库才会真的有数据操作。(待日后更新)...
  4. python库声纹_针对亿级大规模声纹库检索,有哪些简洁、高效的算法?
  5. gitlab项目中启用或禁用 GitLab CI/CD Pipeline
  6. mysql查看连接数命令_Mysql 查看连接数,状态
  7. 音乐编辑 java_求助 关于java编辑音乐
  8. mysql的条件求和函数_mysql 带条件取count记录数,SUM()函数按条件求和
  9. html文字自适应屏幕居中显示,DIV+CSS经典布局[宽度自适应][自动屏幕居中]的实现...
  10. ad20生成二维码_AD20学习笔记一