Hadoop迁移MaxCompute神器之DataX-On-Hadoop使用指南

DataX-On-Hadoop即便用hadoop的任务调度器，将DataX task(Reader->Channel->Writer)调度到hadoop执行集群上执行。这样用户的hadoop数据能够经过MR任务批量上传到MaxCompute、RDS等，不须要用户提早安装和部署DataX软件包，也不须要另外为DataX准备执行集群。可是能够享受到DataX已有的插件逻辑、流控限速、鲁棒重试等等。

 

1. DataX-On-Hadoop 运行方式

1.1 什么是DataX-On-Hadoop

DataX https://github.com/alibaba/DataX 是阿里巴巴集团内被普遍使用的离线数据同步工具/平台，实现包括 MySQL、Oracle、HDFS、Hive、OceanBase、HBase、OTS、MaxCompute 等各类异构数据源之间高效的数据同步功能。 DataX同步引擎内部实现了任务的切分、调度执行能力，DataX的执行不依赖Hadoop环境。

DataX-On-Hadoop是DataX针对Hadoop调度环境实现的版本，使用hadoop的任务调度器，将DataX task(Reader->Channel->Writer)调度到hadoop执行集群上执行。这样用户的hadoop数据能够经过MR任务批量上传到MaxCompute等，不须要用户提早安装和部署DataX软件包，也不须要另外为DataX准备执行集群。可是能够享受到DataX已有的插件逻辑、流控限速、鲁棒重试等等。

目前DataX-On-Hadoop支持将Hdfs中的数据上传到公共云MaxCompute当中。

1.2 如何运行DataX-On-Hadoop

运行DataX-On-Hadoop步骤以下:

• 提阿里云工单申请DataX-On-Hadoop软件包，此软件包本质上也是一个Hadoop MR Jar；
• 经过hadoop客户端提交一个MR任务，您只须要关系做业的配置文件内容(这里是./bvt_case/speed.json，配置文件和普通的DataX配置文件彻底一致)，提交命令是：

  ./bin/hadoop jar datax-jar-with-dependencies.jar com.alibaba.datax.hdfs.odps.mr.HdfsToOdpsMRJob ./bvt_case/speed.json

• 任务执行完成后，能够看到相似以下日志:

本例子的Hdfs Reader 和Odps Writer配置信息以下:

{ "core": { "transport": { "channel": { "speed": { "byte": "-1", "record": "-1" } } } }, "job": { "setting": { "speed": { "byte": 1048576 }, "errorLimit": { "record": 0 } }, "content": [ { "reader": { "name": "hdfsreader", "parameter": { "path": "/tmp/test_datax/big_data*", "defaultFS": "hdfs://localhost:9000", "column": [ { "index": 0, "type": "string" }, { "index": 1, "type": "string" } ], "fileType": "text", "encoding": "UTF-8", "fieldDelimiter": "," } }, "writer": { "name": "odpswriter", "parameter": { "project": "", "table": "", "partition": "pt=1,dt=2", "column": [ "id", "name" ], "accessId": "", "accessKey": "", "truncate": true, "odpsServer": "http://service.odps.aliyun.com/api", "tunnelServer": "http://dt.odps.aliyun.com", "accountType": "aliyun" } } } ] } }

 

1.3 DataX-On-Hadoop 任务高级配置参数

针对上面的例子，介绍几个性能、脏数据的参数:

• core.transport.channel.speed.byte 同步任务切分多多个mapper并发执行，每一个mapper的同步速度比特Byte上限，默认为-1，负数表示不限速；若是是1048576表示单个mapper最大速度是1MB/s。
• core.transport.channel.speed.record 同步任务切分多多个mapper并发执行，每一个mapper的同步速度记录上限，默认为-1，负数表示不限速；若是是10000表示单个mapper最大记录速度每秒1万行。
• job.setting.speed.byte 同步任务总体的最大速度，依赖hadoop 2.7.0之后的版本，主要是经过mapreduce.job.running.map.limit参数控制同一时间点mapper的并行度。
• job.setting.errorLimit.record 脏数据记录如今，默认不配置表示不进行脏数据检查(有脏数据任务不会失败)；0表示容许脏数据条数最大为0条，若是任务执行时脏数据超过限制，任务会失败；1表示容许脏数据条数最大为1条，含义不言自明。一个因为脏数据缘由失败的任务:

做业级别的性能参数配置位置示例:

{ "core": { "transport": { "channel": { "speed": { "byte": "-1", "record": "-1" } } } }, "job": { "setting": { "speed": { "byte": 1048576 }, "errorLimit": { "record": 0 } }, "content": [ { "reader": {}, "writer": {} } ] } }

另外，介绍几个变量替换、做业命名参数:

• 支持变量参数，好比做业配置文件json中有以下:
•  

  "path": "/tmp/test_datax/dt=${dt}/abc.txt"

任务执行时能够配置以下传参，使得一份配置代码能够屡次使用:

./bin/hadoop jar datax-jar-with-dependencies.jar com.alibaba.datax.hdfs.odps.mr.HdfsToOdpsMRJob datax.json -p "-Ddt=20170427 -Dbizdate=123" -t hdfs_2_odps_mr

• 支持给做业命名，任务执行时的-t参数是做业的traceId，即做业的名字方便根据做业名字即知晓其意图，好比上面的-t hdfs_2_odps_mr

读写插件详细配置介绍，请见后续第二、3部分。

2. Hdfs 读取

2.1 快速介绍

Hdfs Reader提供了读取分布式文件系统数据存储的能力。在底层实现上，Hdfs Reader获取分布式文件系统上文件的数据，并转换为DataX传输协议传递给Writer。

Hdfs Reader实现了从Hadoop分布式文件系统Hdfs中读取文件数据并转为DataX协议的功能。textfile是Hive建表时默认使用的存储格式，数据不作压缩，本质上textfile就是以文本的形式将数据存放在hdfs中，对于DataX而言，Hdfs Reader实现上类比TxtFileReader，有诸多类似之处。orcfile，它的全名是Optimized Row Columnar file，是对RCFile作了优化。据官方文档介绍，这种文件格式能够提供一种高效的方法来存储Hive数据。Hdfs Reader利用Hive提供的OrcSerde类，读取解析orcfile文件的数据。目前Hdfs Reader支持的功能以下：

1. 支持textfile、orcfile、rcfile、sequence file、csv和parquet格式的文件，且要求文件内容存放的是一张逻辑意义上的二维表。

2. 支持多种类型数据读取(使用String表示)，支持列裁剪，支持列常量。

3. 支持递归读取、支持正则表达式（"*"和"?"）。

4. 支持orcfile数据压缩，目前支持SNAPPY，ZLIB两种压缩方式。

5. 支持sequence file数据压缩，目前支持lzo压缩方式。

6. 多个File能够支持并发读取。

7. csv类型支持压缩格式有：gzip、bz二、zip、lzo、lzo_deflate、snappy。

咱们暂时不能作到：

1. 单个File支持多线程并发读取，这里涉及到单个File内部切分算法。后续能够作到支持。

2.2 功能说明

2.2.1 配置样例

{ "core": { "transport": { "channel": { "speed": { "byte": "-1048576", "record": "-1" } } } }, "job": { "setting": { "speed": { "byte": 1048576 }, "errorLimit": { "record": 0 } }, "content": [ { "reader": { "name": "hdfsreader", "parameter": { "path": "/tmp/test_datax/*", "defaultFS": "hdfs://localhost:9000", "column": [ { "index": 0, "type": "string" }, { "index": 1, "type": "string" } ], "fileType": "text", "encoding": "UTF-8", "fieldDelimiter": "," } }, "writer": {} } ] } }

 

2.2.2 参数说明

• path

  • 描述：要读取的文件路径，若是要读取多个文件，可使用正则表达式"*"，注意这里能够支持填写多个路径。

    当指定通配符，HdfsReader尝试遍历出多个文件信息。例如: 指定/*表明读取/目录下全部的文件，指定/yixiao/*表明读取yixiao目录下全部的文件。HdfsReader目前只支持"*"和"?"做为文件通配符。

    特别须要注意的是，DataX会将一个做业下同步的全部的文件视做同一张数据表。用户必须本身保证全部的File可以适配同一套schema信息。而且提供给DataX权限可读。

  • 必选：是

  • 默认值：无

• defaultFS

  • 描述：Hadoop hdfs文件系统namenode节点地址。
  • 必选：是
  • 默认值：无

• fileType

  • 描述：文件的类型，目前只支持用户配置为"text"、"orc"、"rc"、"seq"、"csv"。

    text表示textfile文件格式

    orc表示orcfile文件格式

    rc表示rcfile文件格式

    seq表示sequence file文件格式

    csv表示普通hdfs文件格式（逻辑二维表）

    特别须要注意的是，HdfsReader可以自动识别文件是orcfile、rcfile、sequence file仍是textfile或csv类型的文件，该项是必填项，HdfsReader在作数据同步以前，会检查用户配置的路径下全部须要同步的文件格式是否和fileType一致，若是不一致则会抛出异常

    另外须要注意的是，因为textfile和orcfile是两种彻底不一样的文件格式，因此HdfsReader对这两种文件的解析方式也存在差别，这种差别致使hive支持的复杂复合类型(好比map,array,struct,union)在转换为DataX支持的String类型时，转换的结果格式略有差别，好比以map类型为例：

    orcfile map类型经hdfsreader解析转换成datax支持的string类型后，结果为"{job=80, team=60, person=70}"

    textfile map类型经hdfsreader解析转换成datax支持的string类型后，结果为"job:80,team:60,person:70"

    从上面的转换结果能够看出，数据自己没有变化，可是表示的格式略有差别，因此若是用户配置的文件路径中要同步的字段在Hive中是复合类型的话，建议配置统一的文件格式。

    若是须要统一复合类型解析出来的格式，咱们建议用户在hive客户端将textfile格式的表导成orcfile格式的表

• column

  • 描述：读取字段列表，type指定源数据的类型，index指定当前列来自于文本第几列(以0开始)，value指定当前类型为常量，不从源头文件读取数据，而是根据value值自动生成对应的列。

    默认状况下，用户能够所有按照string类型读取数据，配置以下：

    用户能够指定column字段信息，配置以下：

    对于用户指定column信息，type必须填写，index/value必须选择其一。

  •  

    "column": ["*"]

  • { "type": "long", "index": 0 //从本地文件文本第一列获取int字段 }, { "type": "string", "value": "alibaba" //HdfsReader内部生成alibaba的字符串字段做为当前字段 }

  • 必选：是

  • 默认值：所有按照string类型读取

• fieldDelimiter

  • 描述：读取的字段分隔符

  另外须要注意的是，HdfsReader在读取textfile数据时，须要指定字段分割符，若是不指定默认为','，HdfsReader在读取orcfile时，用户无需指定字段分割符，hive自己的默认分隔符为 "\u0001"；若你想将每一行做为目的端的一列，分隔符请使用行内容不存在的字符，好比不可见字符"\u0001" ，分隔符不能使用\n

  • 必选：否
  • 默认值：,

• encoding

  • 描述：读取文件的编码配置。
  • 必选：否
  • 默认值：utf-8

• nullFormat

  • 描述：文本文件中没法使用标准字符串定义null(空指针)，DataX提供nullFormat定义哪些字符串能够表示为null。

    例如若是用户配置: nullFormat:"\N"，那么若是源头数据是"\N"，DataX视做null字段。

  • 必选：否

  • 默认值：无

• compress

  • 描述：当fileType（文件类型）为csv下的文件压缩方式，目前仅支持 gzip、bz二、zip、lzo、lzo_deflate、hadoop-snappy、framing-snappy压缩；值得注意的是，lzo存在两种压缩格式：lzo和lzo_deflate，用户在配置的时候须要留心，不要配错了；另外，因为snappy目前没有统一的stream format，datax目前只支持最主流的两种：hadoop-snappy（hadoop上的snappy stream format）和framing-snappy（google建议的snappy stream format）;orc文件类型下无需填写。
  • 必选：否
  • 默认值：无

• csvReaderConfig

  • 描述：读取CSV类型文件参数配置，Map类型。读取CSV类型文件使用的CsvReader进行读取，会有不少配置，不配置则使用默认值。
  • 必选：否

  • 默认值：无

    常见配置：

    "csvReaderConfig":{ "safetySwitch": false, "skipEmptyRecords": false, "useTextQualifier": false }

     

     

    全部配置项及默认值,配置时 csvReaderConfig 的map中请严格按照如下字段名字进行配置：

• hadoopConfig

  • 描述：hadoopConfig里能够配置与Hadoop相关的一些高级参数，好比HA的配置。

    "hadoopConfig":{ "dfs.nameservices": "testDfs", "dfs.ha.namenodes.testDfs": "namenode1,namenode2", "dfs.namenode.rpc-address.youkuDfs.namenode1": "", "dfs.namenode.rpc-address.youkuDfs.namenode2": "", "dfs.client.failover.proxy.provider.testDfs": "org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider" }

     

     

  • 必选：否

  • 默认值：无

• minInputSplitSize

  • 描述：Hadoop hdfs部分文件类型支持文件内部切分，这样一个文件能够被切分到多个mapper里面并发执行，每一个mapper读取这个文件的一部分。这边测试环境验证确实能够作到速度的 线性 扩展。注意:因为切分的粒度更细了，启动mapper数量多可能占用的机器资源也多一些。目前支持文件内部切分的文件类型有: rc、text、csv、parquet
  • 必选：否
  • 默认值：无限大

2.3 类型转换

2.3.1 RCFile

若是用户同步的hdfs文件是rcfile，因为rcfile底层存储的时候不一样的数据类型存储方式不同，而HdfsReader不支持对Hive元数据数据库进行访问查询，所以须要用户在column type里指定该column在hive表中的数据类型，好比该column是bigint型。那么type就写为bigint，若是是double型，则填写double，若是是float型，则填写float。注意：若是是varchar或者char类型，则须要填写字节数，好比varchar(255)，char(30)等，跟hive表中该字段的类型保持一致，或者也能够填写string类型。

若是column配置的是*，会读取全部column，那么datax会默认以string类型读取全部column，此时要求column中的类型只能为String,CHAR,VARCHAR中的一种。

RCFile中的类型默认会转成DataX支持的内部类型，对照表以下：

RCFile在Hive表中的数据类型	DataX 内部类型
TINYINT,SMALLINT,INT,BIGINT	Long
FLOAT,DOUBLE,DECIMAL	Double
String,CHAR,VARCHAR	String
BOOLEAN	Boolean
Date,TIMESTAMP	Date
Binary	Binary

2.3.2 ParquetFile

若是column配置的是*, 会读取全部列; 此时Datax会默认以String类型读取全部列. 若是列中出现Double等类型的话, 所有将转换为String类型。若是column配置读取特定的列的话, DataX中的类型和Parquet文件类型的对应关系以下:

Parquet格式文件的数据类型	DataX 内部类型
int32, int64, int96	Long
float, double	Double
binary	Binary
boolean	Boolean
fixed_len_byte_array	String

textfile,orcfile,sequencefile:

因为textfile和orcfile文件表的元数据信息由Hive维护并存放在Hive本身维护的数据库（如mysql）中，目前HdfsReader不支持对Hive元数据数据库进行访问查询，所以用户在进行类型转换的时候，必须指定数据类型，若是用户配置的column为"*"，则全部column默认转换为string类型。HdfsReader提供了类型转换的建议表以下：

DataX 内部类型	Hive表 数据类型
Long	TINYINT,SMALLINT,INT,BIGINT
Double	FLOAT,DOUBLE
String	String,CHAR,VARCHAR,STRUCT,MAP,ARRAY,UNION,BINARY
Boolean	BOOLEAN
Date	Date,TIMESTAMP

其中：

• Long是指Hdfs文件文本中使用整形的字符串表示形式，例如"123456789"。
• Double是指Hdfs文件文本中使用Double的字符串表示形式，例如"3.1415"。
• Boolean是指Hdfs文件文本中使用Boolean的字符串表示形式，例如"true"、"false"。不区分大小写。
• Date是指Hdfs文件文本中使用Date的字符串表示形式，例如"2014-12-31"。

特别提醒：

• Hive支持的数据类型TIMESTAMP能够精确到纳秒级别，因此textfile、orcfile中TIMESTAMP存放的数据相似于"2015-08-21 22:40:47.397898389"，若是转换的类型配置为DataX的Date，转换以后会致使纳秒部分丢失，因此若是须要保留纳秒部分的数据，请配置转换类型为DataX的String类型。

2.4 按分区读取

Hive在建表的时候，能够指定分区partition，例如建立分区partition(day="20150820",hour="09")，对应的hdfs文件系统中，相应的表的目录下则会多出/20150820和/09两个目录，且/20150820是/09的父目录。了解了分区都会列成相应的目录结构，在按照某个分区读取某个表全部数据时，则只需配置好json中path的值便可。

好比须要读取表名叫mytable01下分区day为20150820这一天的全部数据，则配置以下：

"path": "/user/hive/warehouse/mytable01/20150820/*"

 

 

3. MaxCompute写入

3.1 快速介绍

ODPSWriter插件用于实现往ODPS(即MaxCompute)插入或者更新数据，主要提供给etl开发同窗将业务数据导入MaxCompute，适合于TB,GB数量级的数据传输。在底层实现上，根据你配置的 项目 / 表 / 分区 / 表字段 等信息，经过 Tunnel写入 MaxCompute 中。支持MaxCompute中如下数据类型：BIGINT、DOUBLE、STRING、DATATIME、BOOLEAN。下面列出ODPSWriter针对MaxCompute类型转换列表:

DataX 内部类型	MaxCompute 数据类型
Long	bigint
Double	double
String	string
Date	datetime
Boolean	bool

3.2 实现原理

在底层实现上，ODPSWriter是经过MaxCompute Tunnel写入MaxCompute系统的，有关MaxCompute的更多技术细节请参看 MaxCompute主站: https://www.aliyun.com/product/odps

3.3 功能说明

3.3.1 配置样例

• 这里使用一份从内存产生到MaxCompute导入的数据。

  { "core": { "transport": { "channel": { "speed": { "byte": "-1048576", "record": "-1" } } } }, "job": { "setting": { "speed": { "byte": 1048576 }, "errorLimit": { "record": 0 } }, "content": [ { "reader": {}, "writer": { "name": "odpswriter", "parameter": { "project": "", "table": "", "partition": "pt=1,dt=2", "column": [ "col1", "col2" ], "accessId": "", "accessKey": "", "truncate": true, "odpsServer": "http://service.odps.aliyun.com/api", "tunnelServer": "http://dt.odps.aliyun.com", "accountType": "aliyun" } } } ] } }

3.3.2 参数说明

• accessId

  • 描述：MaxCompute系统登陆ID
  • 必选：是
  • 默认值：无

• accessKey

  • 描述：MaxCompute系统登陆Key
  • 必选：是
  • 默认值：无

• project

  • 描述：MaxCompute表所属的project，注意:Project只能是字母+数字组合，请填写英文名称。在云端等用户看到的MaxCompute项目中文名只是显示名，请务必填写底层真实地Project英文标识名。
  • 必选：是
  • 默认值：无

• table

  • 描述：写入数据的表名，不能填写多张表，由于DataX不支持同时导入多张表。
  • 必选：是
  • 默认值：无

• partition

  • 描述：须要写入数据表的分区信息，必须指定到最后一级分区。把数据写入一个三级分区表，必须配置到最后一级分区，例如pt=20150101/type＝1/biz=2。
  • 必选：若是是分区表，该选项必填，若是非分区表，该选项不可填写。
  • 默认值：空

• column

  • 描述：须要导入的字段列表，当导入所有字段时，能够配置为"column": ["*"], 当须要插入部分MaxCompute列填写部分列，例如"column": ["id", "name"]。ODPSWriter支持列筛选、列换序，例如表有a,b,c三个字段，用户只同步c,b两个字段。能够配置成["c","b"], 在导入过程当中，字段a自动补空，设置为null。
  • 必选：否
  • 默认值：无

• truncate

  • 描述：ODPSWriter经过配置"truncate": true，保证写入的幂等性，即当出现写入失败再次运行时，ODPSWriter将清理前述数据，并导入新数据，这样能够保证每次重跑以后的数据都保持一致。

    truncate选项不是原子操做！MaxCompute SQL没法作到原子性。所以当多个任务同时向一个Table/Partition清理分区时候，可能出现并发时序问题，请务必注意！针对这类问题，咱们建议尽可能不要多个做业DDL同时操做同一份分区，或者在多个并发做业启动前，提早建立分区。

  • 必选：是

  • 默认值：无

• odpsServer

  • 描述：MaxCompute的server，详细能够参考文档https://help.aliyun.com/document_detail/34951.html

  线上公网地址为 http://service.cn.maxcompute.aliyun.com/api

  • 必选：是
  • 默认值：无

• tunnelServer

  • 描述：MaxCompute的tunnelserver，详细能够参考文档https://help.aliyun.com/document_detail/34951.html

  线上公网地址为 http://dt.cn-beijing.maxcompute.aliyun-inc.com

  • 必选：是
  • 默认值：无

• blockSizeInMB

  • 描述：为了提升数据写出MaxCompute的效率ODPSWriter会攒数据buffer，待数据达到必定大小后会进行一次数据提交。blockSizeInMB即为攒数据buffer的大小，默认是64MB。
  • 必选：否
  • 默认值：64

原文连接 本文为云栖社区原创内容，未经容许不得转载。