ES学习笔记-elasticsearch-hadoop导入hive数据到es的实现探究

各个业务数据“汇总到hive, 通过ETL处理后， 导出到数据库“是大数据产品的典型业务流程。这其中，sqoop(离线)和kafka(实时)几乎是数据总线的标配了。

可是有些业务也有不标准的，好比hive数据导入到ES. hive数据导入到ES, 官方组件是elasticsearch-hadoop. 其用法在前面的博客中已有介绍。 那么其实现原理是怎样的呢？ 或者说， es-hadoop这家伙究竟是怎么把hive表的数据弄到es中去的？ 为了弄清楚这个问题， 咱们首先须要有一个本地的源码环境。

s1: 下载elasticsearch-hadoop源码。

git clone https://github.com/elastic/elasticsearch-hadoop.git

s2: 编译源码。直接编译master便可。

gradlew distZip

s3: 编译成功后，导入到intellij。 这里注意导入build.gradle文件，就像maven项目导入pom文件同样。

s4: 在intellij中编译一次项目。

s5: 在本地启动一个es, 默认的端口便可。

s6: 运行测试用例AbstractHiveSaveTest.testBasicSave()。 直接运行是会报错的， 须要略微修改一下代码,添加一个类的属性:

@Cla***ule
    public static ExternalResource hive = HiveSuite.hive;

若是是在windows环境下，须要新建packageorg.apache.hadoop.io.nativeio, 而后在该package下创建NativeIO.java类。 修改代码以下:

// old
    public static boolean access(String path, Acce***ight desiredAccess)
        throws IOException {
      return access0(path, desiredAccess.acce***ight());
    }

// new 
    public static boolean access(String path, Acce***ight desiredAccess)
        throws IOException {
      return true;
    }

这样就运行起来了一个本地的hive到es的代码。能够debug，了解详细流程了。

在elasticsearch-hadoop这个比较庞大的项目中，修改代码也比较麻烦，所以能够单独创建一个项目hive-shgy, 而后改造这个测试类， 跑通testBasicSave()。

因为对gradle不熟悉， 仍是创建maven项目， 项目的依赖以下:

<repositories>
        <repository>
            <id>spring-libs</id>
            <url>http://repo.spring.io/libs-milestone/</url>
        </repository>
    </repositories>
    <dependencies>

        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-1.2-api</artifactId>
            <version>2.6.2</version>
            <scope>test</scope>
        </dependency>

        <dependency>     <!-- 桥接：告诉Slf4j使用Log4j2 -->
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-slf4j-impl</artifactId>
            <version>2.6.2</version>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>com.lmax</groupId>
            <artifactId>disruptor</artifactId>
            <version>3.3.6</version>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.11</version>
            <scope>test</scope>
        </dependency>

        <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-cli</artifactId>
            <version>1.2.1</version>
            <scope>provided</scope>
            <exclusions>
                <exclusion>
                    <groupId>org.apache.logging.log4j</groupId>
                    <artifactId>log4j-slf4j-impl</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>slf4j-log4j12</artifactId>
                </exclusion>
            </exclusions>
        </dependency>

        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.2.0</version>
            <scope>provided</scope>
            <exclusions>
                <exclusion>
                    <groupId>org.apache.logging.log4j</groupId>
                    <artifactId>log4j-slf4j-impl</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>slf4j-log4j12</artifactId>
                </exclusion>
            </exclusions>
        </dependency>
        <dependency>
            <groupId>org.elasticsearch</groupId>
            <artifactId>elasticsearch-hadoop</artifactId>
            <version>6.3.0</version>
            <scope>test</scope>
        </dependency>
    </dependencies>

这里用到了log4j2, 因此日志类放在前面。

接下来迁移测试代码。迁移的原则是 若无必要，不新增类。 若是只用到了类的一个方法，那么只迁移一个方法。 这里的测试代码迁移，其实就是围绕HiveEmbeddedServer2来构建的。我的感受这里比较巧妙的是，经过HiveEmbeddedServer2启动了一个嵌入式的hive实例。可以执行hive sql, 并且是在一个jvm中，对于研究hive的实现原理来讲，太酷了。

基础的环境搭建好后，就能够研究elasticsearch-hadoop的源码了， 先看源码的结构:

elasticsearch-hadoop/hive/src/main/java/org/elasticsearch/hadoop/hive$ tree .
.
├── EsHiveInputFormat.java
├── EsHiveOutputFormat.java
├── EsSerDe.java
├── EsStorageHandler.java
├── HiveBytesArrayWritable.java
├── HiveBytesConverter.java
├── HiveConstants.java
├── HiveFieldExtractor.java
├── HiveType.java
├── HiveUtils.java
├── HiveValueReader.java
├── HiveValueWriter.java
├── HiveWritableValueWriter.java
└── package-info.java

0 directories, 14 files

这里简要描述一下elasticsearch-hadoop将hive数据同步到es的原理， Hive开放了StorageHandler的接口。经过StoreageHandler, 可使用SQL将数据写入到es，同时也可使用SQL读取ES中的数据。 因此， 整个es-hive, 其入口类为EsStorageHandler, 这就是整个功能的框架。 了解了EsStorageHandler后，接下来很重要的一个类就是EsSerDe, 是序列化反序列化的功能组件。它是一个桥梁，经过它实现ES数据类型和Hive数据类型的转换。 核心类就是这两个了。

了解了代码的原理及结构，就能够本身仿照实现hive数据同步到mongo, hive数据同步到redis 等其余的功能了。 这样作的好处是业务无关， 一次开发，屡次使用。方便管理维护。

最后总结一下，本文没有直接给出答案， 而是记录了寻找答案的过程。 经过这个过程，学会将hive数据同步到其余NoSQL中，这个实践比理解源码更重要。