当前位置：Gxlcms > 数据库问题 > 利用Flume将MySQL表数据准实时抽取到HDFS

利用Flume将MySQL表数据准实时抽取到HDFS

时间：2021-07-01 10:21:17 帮助过：78人阅读

 
  1. use test;  
  2.   
  3. create table  wlslog    
  4. (id         int not null,  
  5.  time_stamp varchar(40),  
  6.  category   varchar(40),  
  7.  type       varchar(40),  
  8.  servername varchar(40),  
  9.  code       varchar(40),  
  10.  msg        varchar(40),  
  11.  primary key ( id )  
  12. );  
  13.   
  14. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(1,‘apr-8-2014-7:06:16-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000365‘,‘server state changed to standby‘);  
  15. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(2,‘apr-8-2014-7:06:17-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000365‘,‘server state changed to starting‘);  
  16. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(3,‘apr-8-2014-7:06:18-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000365‘,‘server state changed to admin‘);  
  17. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(4,‘apr-8-2014-7:06:19-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000365‘,‘server state changed to resuming‘);  
  18. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(5,‘apr-8-2014-7:06:20-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000361‘,‘started weblogic adminserver‘);  
  19. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(6,‘apr-8-2014-7:06:21-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000365‘,‘server state changed to running‘);  
  20. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(7,‘apr-8-2014-7:06:22-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000360‘,‘server started in running mode‘);  
  21. commit;  

2. 建立相关目录与文件

（1）创建本地状态文件
[plain] view plain copy  
  1. mkdir -p /var/lib/flume  
  2. cd /var/lib/flume  
  3. touch sql-source.status  
  4. chmod -R 777 /var/lib/flume  

（2）建立HDFS目标目录
[plain] view plain copy  
  1. hdfs dfs -mkdir -p /flume/mysql  
  2. hdfs dfs -chmod -R 777 /flume/mysql  

3. 准备JAR包

        从http://book2s.com/java/jar/f/flume-ng-sql-source/download-flume-ng-sql-source-1.3.7.html下载flume-ng-sql-source-1.3.7.jar文件，并复制到Flume库目录。
[plain] view plain copy  
  1. cp flume-ng-sql-source-1.3.7.jar /usr/hdp/current/flume-server/lib/  
        将MySQL JDBC驱动JAR包也复制到Flume库目录。
[plain] view plain copy  
  1. cp mysql-connector-java-5.1.17.jar /usr/hdp/current/flume-server/lib/mysql-connector-java.jar  

4. 建立HAWQ外部表

[sql] view plain copy  
  1. create external table ext_wlslog  
  2. (id         int,  
  3.  time_stamp varchar(40),  
  4.  category   varchar(40),  
  5.  type       varchar(40),  
  6.  servername varchar(40),  
  7.  code       varchar(40),  
  8.  msg        varchar(40)  
  9. ) location (‘pxf://mycluster/flume/mysql?profile=hdfstextmulti‘) format ‘csv‘ (quote=e‘"‘);   

5. 配置Flume

        在Ambari -> Flume -> Configs -> flume.conf中配置如下属性：
[plain] view plain copy  
  1. agent.channels.ch1.type = memory  
  2. agent.sources.sql-source.channels = ch1  
  3. agent.channels = ch1  
  4. agent.sinks = HDFS  
  5.   
  6. agent.sources = sql-source  
  7. agent.sources.sql-source.type = org.keedio.flume.source.SQLSource  
  8.   
  9. agent.sources.sql-source.connection.url = jdbc:mysql://172.16.1.127:3306/test  
  10. agent.sources.sql-source.user = root  
  11. agent.sources.sql-source.password = 123456  
  12. agent.sources.sql-source.table = wlslog  
  13. agent.sources.sql-source.columns.to.select = *  
  14.   
  15. agent.sources.sql-source.incremental.column.name = id  
  16. agent.sources.sql-source.incremental.value = 0  
  17.   
  18. agent.sources.sql-source.run.query.delay=5000  
  19.   
  20. agent.sources.sql-source.status.file.path = /var/lib/flume  
  21. agent.sources.sql-source.status.file.name = sql-source.status  
  22.   
  23. agent.sinks.HDFS.channel = ch1  
  24. agent.sinks.HDFS.type = hdfs  
  25. agent.sinks.HDFS.hdfs.path = hdfs://mycluster/flume/mysql  
  26. agent.sinks.HDFS.hdfs.fileType = DataStream  
  27. agent.sinks.HDFS.hdfs.writeFormat = Text  
  28. agent.sinks.HDFS.hdfs.rollSize = 268435456  
  29. agent.sinks.HDFS.hdfs.rollInterval = 0  
  30. agent.sinks.HDFS.hdfs.rollCount = 0  
        Flume在flume.conf文件中指定Source、Channel和Sink相关的配置，各属性描述如表1所示。

 

属性

描述

agent.channels.ch1.type

Agent的channel类型

agent.sources.sql-source.channels

Source对应的channel名称

agent.channels

Channel名称

agent.sinks

Sink名称

agent.sources

Source名称

agent.sources.sql-source.type

Source类型

agent.sources.sql-source.connection.url

数据库URL

agent.sources.sql-source.user

数据库用户名

agent.sources.sql-source.password

数据库密码

agent.sources.sql-source.table

数据库表名

agent.sources.sql-source.columns.to.select

查询的列

agent.sources.sql-source.incremental.column.name

增量列名

agent.sources.sql-source.incremental.value

增量初始值

agent.sources.sql-source.run.query.delay

发起查询的时间间隔，单位是毫秒

agent.sources.sql-source.status.file.path

状态文件路径

agent.sources.sql-source.status.file.name

状态文件名称

agent.sinks.HDFS.channel

Sink对应的channel名称

agent.sinks.HDFS.type

Sink类型

agent.sinks.HDFS.hdfs.path

Sink路径

agent.sinks.HDFS.hdfs.fileType

流数据的文件类型

agent.sinks.HDFS.hdfs.writeFormat

数据写入格式

agent.sinks.HDFS.hdfs.rollSize

目标文件轮转大小，单位是字节

agent.sinks.HDFS.hdfs.rollInterval

hdfs sink间隔多长将临时文件滚动成最终目标文件，单位是秒；如果设置成0，则表示不根据时间来滚动文件

agent.sinks.HDFS.hdfs.rollCount

当events数据达到该数量时候，将临时文件滚动成目标文件；如果设置成0，则表示不根据events数据来滚动文件

 

表1


6. 运行Flume代理

        保存上一步的设置，然后重启Flume服务，如图2所示。
技术分享 图2
        重启后，状态文件已经记录了将最新的id值7，如图3所示。
技术分享 图3
        查看目标路径，生成了一个临时文件，其中有7条记录，如图4所示。
技术分享 图4
        查询HAWQ外部表，结果也有全部7条数据，如图5所示。
技术分享 图5
        至此，初始数据抽取已经完成。

7. 测试准实时增量抽取

        在源表中新增id为8、9、10的三条记录。
[sql] view plain copy  
  1. use test;  
  2. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(8,‘apr-8-2014-7:06:22-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000360‘,‘server started in running mode‘);  
  3. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(9,‘apr-8-2014-7:06:22-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000360‘,‘server started in running mode‘);  
  4. insert into wlslog(id,time_stamp,category,type,servername,code,msg) values(10,‘apr-8-2014-7:06:22-pm-pdt‘,‘notice‘,‘weblogicserver‘,‘adminserver‘,‘bea-000360‘,‘server started in running mode‘);  
  5. commit;  
        5秒之后查询HAWQ外部表，从图6可以看到，已经查询出全部10条数据，准实时增量抽取成功。
技术分享 图6

五、方案优缺点

        利用Flume采集关系数据库表数据最大的优点是配置简单，不用编程。相比tungsten-replicator的复杂性，Flume只要在flume.conf文件中配置source、channel及sink的相关属性，已经没什么难度了。而与现在很火的canal比较，虽然不够灵活，但毕竟一行代码也不用写。再有该方案采用普通SQL轮询的方式实现，具有通用性，适用于所有关系库数据源。
        这种方案的缺点与其优点一样突出，主要体现在以下几方面。
  • 在源库上执行了查询，具有入侵性。
  • 通过轮询的方式实现增量，只能做到准实时，而且轮询间隔越短，对源库的影响越大。
  • 只能识别新增数据，检测不到删除与更新。
  • 要求源库必须有用于表示增量的字段。
        即便有诸多局限，但用Flume抽取关系库数据的方案还是有一定的价值，特别是在要求快速部署、简化编程，又能满足需求的应用场景，对传统的Sqoop方式也不失为一种有效的补充。

参考：

Flume架构以及应用介绍
Streaming MySQL Database Table Data to HDFS with Flume
how to read data from oracle using FLUME to kafka broker
https://github.com/keedio/flume-ng-sql-source  
v

 

利用Flume将MySQL表数据准实时抽取到HDFS

标签：avr   服务   java   种类   post   into   复制   ora   更新   

人气教程排行

本站所有资源全部来源于网络，若本站发布的内容侵害到您的隐私或者利益，请联系我们删除！