实时即未来，车联网项目之将数据落地到文件系统和数据库【三】

实时读取流数据的步骤

原始数据实时ETL任务分析 Hive

将HDFS数据映射到Hive表

• 需要指定的HDFS的目录

  

• 回忆如何映射HDFS数据到Hive表中

  ① 创建表 create external table maynor_src (…) row formate delimited field terminate by ‘\t’ partitioned by(dt string) location ‘hdfs://node01…/maynor_src’;

  ② 使用数据库

  ③ 添加文件夹到指定分区

  ​ alter table maynor_src add partition(dt=‘20210922’) location ‘hdfs://node01:8020/apps/warehouse/ods.db/maynor_src/20210922’

  #!/bin/bash
  
  dt=`date -d '1 days ago' +'%Y%m%d'`
  tableName=$1
  
  ssh node03 `/export/server/hive/bin/hive -e "use maynor_ods;alter table ${tableName} add partition(dt=${dt}) location 'hdfs://node01:8020/apps/warehouse/ods.db/${tableName}/${dt}"`
  

• 如何实现从HDFS中正确或错误的数据映射到Hive表中

  ①

  ②

  ③

• 如何自动化HDFS数据到Hive表中

  # 使用shell 脚本
  alter table maynor_src add partition (dt="20210922") location "/apps/hive/warehouse/ods.db/maynor_src/20210922";
  

• 如何执行 t+1 离线任务，设置调度的两种方式

  ① crontab

  ​ linux 自带调度

  ② 调度平台

  ​ azkaban airflow dolphinscheduler oozie 自研

自定义Sink数据写入Hive表（了解）

• 实现步骤

  package cn.maynor.streaming.sink;
  
  import cn.maynor.streaming.entity.maynorDataObj;
  import org.apache.flink.api.java.utils.ParameterTool;
  import org.apache.flink.configuration.Configuration;
  import org.apache.flink.streaming.api.functions.sink.RichSinkFunction;
  import org.slf4j.Logger;
  import org.slf4j.LoggerFactory;
  
  import java.sql.Connection;
  import java.sql.DriverManager;
  import java.sql.Statement;
  
  /**
   * Author maynor
   * Date 2021/9/22 10:02
   * Desc 将每条车辆的数据直接写入到 Hive 中
   */
  public class SaveErrorDataHiveSink extends RichSinkFunction<maynorDataObj> {
      //定义 logger
      private static final Logger logger = LoggerFactory.getLogger(SaveErrorDataHiveSink.class);
      //2.创建有参构造方法，参数包括数据库名和表名
      //定义变量
      private String dbName;
      private String tableName;
      //定义连接对象和statement对象
      private Connection conn = null;
      private Statement statement = null;
      //构造方法
      public SaveErrorDataHiveSink(String _dbName,String _tableName){
          this.dbName = _dbName;
          this.tableName = _tableName;
      }
  
      //3.重写open方法进行Hive连接的初始化
      @Override
      public void open(Configuration parameters) throws Exception {
          //3.1 将JDBC驱动 org.apache.hive.jdbc.HiveDriver 加载进来
          //获取全局参数
          ParameterTool parameterTool = (ParameterTool) getRuntimeContext()
                  .getExecutionConfig()
                  .getGlobalJobParameters();
          //获取当前上下文中 hive 的驱动
          Class.forName(parameterTool.getRequired("hive.driver"));
          //3.2 设置JDBC连接Hive的连接器，端口为10000
          conn = DriverManager.getConnection(
                  parameterTool.getRequired("hive.url"),
                  parameterTool.getRequired("hive.user"),
                  parameterTool.get("hive.password")
          );
          //3.3 创建Statement
          statement = conn.createStatement();
          //3.4 定义 schemaAndTableExists 实现库不存在创建库，表不存在创建表
          Boolean flag = schemaAndTableExists(dbName,tableName,statement);
          if(flag){
              logger.info("当前数据库和表初始化成功！");
          }else{
              logger.warn("请检查数据库和表！");
          }
      }
  
      //5.重写cloese方法 关闭连接
      @Override
      public void close() throws Exception {
          if(!statement.isClosed())statement.close();
          if(!conn.isClosed())conn.close();
      }
  
      //4.重写invoke将每条数据
      @Override
      public void invoke(maynorDataObj value, Context context) throws Exception {
          //4.1 编写SQL将数据插入到表中
          // insert into maynor_error values('11111');
          StringBuffer buffer = new StringBuffer();
          buffer.append("INSERT INTO "+tableName);
          buffer.append(" VALUES('");
          buffer.append(value.getErrorData()+"'");
          //4.2 执行statement.executeUpdate 将数据直接落地到Hive表
          statement.executeUpdate(buffer.toString());
      }
  
      //6.定义 schemaAndTableExists 方法 create database if not exists库或表, execute，选择数据库
  
      /**
       * 初始化数据库和数据表，如果初始化成功返回 true，否则 false
       * @param dbName
       * @param tableName
       * @param statement
       * @return
       */
      private Boolean schemaAndTableExists(String dbName, String tableName, Statement statement) {
          //数据库是否存在
          Boolean flag = true;
          try{
              //初始化数据库
              String createDBSQL="create database if not exists "+dbName;
              boolean executeDB = statement.execute(createDBSQL);
              if(executeDB){
                  logger.info("当前数据库创建成功");
                  flag = true;
              }else{
                  logger.info("当前数据库已经存在");
                  flag = true;
              }
              //初始化数据表
              String createTableSQL = "use "+tableName+";create table if not exists "+tableName+" (json string) partition by dt" +
                      " row formatted delimited field terminate by '\t' location '/apps/hive/warehouse/ods.db/maynor_error'";
              boolean executeTable = statement.execute(createTableSQL);
              if(executeTable){
                  logger.info("当前数据库表创建成功");
                  flag = true;
              }else{
                  logger.info("当前数据表已经存在");
                  flag = true;
              }
          }catch (Exception ex){
              logger.warn("初始化失败！");
              flag = false;
          }
          return flag;
      }
  }
  

原始数据实时ETL落地到HBase

• 写入hbase的步骤和准备
  1. 写入的表名
  2. hbase的rowkey
  3. 写入的列簇 columnFamily
  4. 列名和列值

HBase的rowkey设计原则

① rowkey 的长度原则 ， 16个字节

② rowkey 的散列原则 ，尽量保证离散

③ rowkey 的唯一原则 ， rowkey不要一样

HBase的rowkey设计方法

① 加盐 —— 随机数

② Hash散列

③ 翻转字符串

正常数据落地到HBase

• 开启 HBase 集群

  # 首先开启 hdfs ，zookeeper 
  /export/server/hbase/start-hbase.sh
  

• 进入到 HBase命令行

  hbase shell
  

• 创建HBase表 - maynor_src ，列簇为 cf

  # 查看hbase所有表
  list
  # 查看namespace（数据库）
  list_namespace
  # 创建数据表
  hbase(main):005:0> create 'maynor_src','cf'
  # 查看表中的数据
  scan 'maynor_src'
  

• 开发步骤

  //1.创建 SrcDataToHBaseSink类继承 RichSinkFunction<maynorDataObj>
  //2.创建一个有参数-表名的构造方法
  //3.重写open方法
  //3.1 从上下文获取到全局的参数
  //3.2 设置hbase的配置，Zookeeper Quorum集群和端口和TableInputFormat的输入表
  //3.3 通过连接工厂创建连接
  //3.4 通过连接获取表对象
  //4.重写close方法
  //4.1 关闭hbase 表和连接资源
  //5. 重写 invoke 方法，将读取的数据写入到 hbase
  //5.1 setDataSourcePut输入参数value，返回put对象
  //6. 实现 setDataSourcePut 方法
  //6.1 如何设计rowkey VIN+时间戳翻转
  //6.2 定义列簇的名称
  //6.3 通过 rowkey 实例化 put
  //6.4 将所有的字段添加到put的字段中
  

原始数据实时 ETL 任务 HBase 调优

数据写入HBase优化 - 客户端优化

• 为什么需要优化呢？

防止出现每条数据都读写 HBase 数据库，造成集群宕机和数据丢失。

• 批量写入需要使用的缓存对象 - BufferedMutator 写数据的原理

  将数据按批次写入到 BufferedMutator 对象中，按时间或者按大小写入。

• 代码逻辑优化

  BufferedMutatorParams params = new BufferedMutatorParams(TableName.valueOf(tableName));
          params.writeBufferSize(10 * 1024 * 1024L);
          params.setWriteBufferPeriodicFlushTimeoutMs(5 * 1000L);
  
  //5.1 setDataSourcePut输入参数value，返回put对象
          try {
              Put put = setDataSourcePut(value);
              mutator.mutate(put);
              //5.2 指定时间内的数据强制刷写到hbase
              mutator.flush();
          }catch (Exception ex){
              logger.error("写入到hbase失败："+ex.getMessage());
          }
  

• 在主流程中将数据写入到 maynor_src

数据写入HBase预分区

• 预分区的概念

• 创建预分区的语法

数据写入HBase预写日志

• 预写日志的作用

• memstore在HBase读写作用

数据写入HBase使用压缩和编码

• 编码压缩其实是对列数据的压缩

• 编码压缩的优势

  ①

  ②

  ③

• 编码类型

• 创建一个 fast_diff 编码的 maynor_src 表

  alter 'maynor_src', { NAME => 'cf', DATA_BLOCKs_ENCODING => 'FAST_DIFF' }
  

• 压缩算法

• 创建一个 gz 或 snappy 压缩的 maynor_src_gz 表

  create 'maynor_src',{NAME => 'cf',COMPRESSION => 'gz'}create 'maynor_src_snappy', { NAME => 'cf', COMPRESSION => 'SNAPPY' }
  

• 查看数据量大小