sqoop系列-sqoop MongoDB导入Hive方案

方案

最近数据异构的项目时需要将MongoDB的数据导入Hive数据仓库中，总结了下，得出一下四种导入方案
1. mongoexport json文件导入
2. mongoexport csv文件导入
3. hive映射mongo库
4. mongodump bson 导入

---

mongoexport json文件导入

缺点：mongo导出的json文件中，存在“$”符号，这在hive中无法识别

方案实现

• 准备
  准备这个3个jar包，版本根据自己的hive版本选定。
  json-hive-schema-1.0-jar-with-dependencies.jar
  json-serde-1.3.8-jar-with-dependencies.jar
  json-udf-1.3.8-jar-with-dependencies.jar

• 配置

  • 将json-serde-1.3.8-jar-with-dependencies.jar和json-udf-1.3.8-jar-with-dependencies.jar放到/data/cloudera/var/lib/hive下

  • 在Hive的 hive-site.xml 的 Hive 服务高级配置代码段（安全阀） 中添加以下参数，以便在beeline中可执行admin的操作

<property>
    <name>hive.server2.authorization.external.execname>
    <value>truevalue>
property>
<property>
    <name>hive.security.authorization.enabledname>
    <value>falsevalue>
property>
<property>
    <name>hive.aux.jars.pathname>
    <value>/data/cloudera/var/lib/hivevalue>
property>

• 步骤

  • 生成创建表的语句：java -jar json-hive-schema-1.0-jar-with-dependencies.jar students.dat（文件名） students_text1（表名）
  • 在hive命令行中：LOAD DATA LOCAL INPATH ‘/data/cloudera/students.dat’（数据文件） OVERWRITE INTO TABLE students_text1（导入的表）

• 备注

  • 如导入数据时出现json格式不兼容，在创建表时可添加属性：WITH SERDEPROPERTIES (“ignore.malformed.json” = “true”);
  • hive中无法支持$符号。

• 参考
  https://github.com/rcongiu/Hive-JSON-Serde

---

mongoexport csv文件导入

缺点：mongo命令导出时无法指定分隔符，默认的分隔符“,”在数组列中无法分辨，导入时数据会出现错乱

方案实现

• 步骤

  • 使用mongo的工具导出csv文件，csv文件的分隔符不能使用“,”，因为使用“,”时，导入数组列会识别错；

  • 将csv文件写入到HDFS中；

  • 创建Hive表：

CREATE EXTERNAL TABLE table (
`_id` string,
......
text string)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
WITH SERDEPROPERTIES (
"separatorChar" = "\;",
"quoteChar" = "'",
"escapeChar" = "\\"
)
STORED AS TEXTFILE
LOCATION '/user/hive/';，

location不能与hdfs中的csv文件路径一样；
- 导入数据：LOAD DATA INPATH ‘/user/seewo/mongo.csv’ OVERWRITE INTO TABLE table;
- 使用select语句查看数据。Done！

• 备注
  如使用mongoexport命令，无法指定csv文件的分隔符，需要写js才能完成。

---

hive映射mongo库

缺点： hive中无实体数据，如mongo数据丢失或无法访问，hive就无法使用

方案实现

• 准备
  准备这个3个jar包，版本根据自己的hive版本选定。
  mongo-hadoop-core-2.0.0.jar
  mongo-hadoop-hive-2.0.0.jar
  mongo-java-driver-3.4.2.jar

• 步骤

  • 将mongo-hadoop-core-2.0.0.jar、mongo-hadoop-hive-2.0.0.jar和mongo-java-driver-3.4.2.jar放到/data/cloudera/var/lib/hive下，/data/cloudera/var/lib/hive是参数hive.aux.jars.path的值；

  • 在Hive中创建外部表，添加以下参数：

STORED BY 'com.mongodb.hadoop.hive.MongoStorageHandler'
WITH SERDEPROPERTIES('mongo.columns.mapping'='{"id":"_id"}') 
TBLPROPERTIES('mongo.uri'='mongodb://user:password@ip:port/db.collection');

例子：

CREATE EXTERNAL TABLE ep_class_student_performance_detail (
  `_id` string,
  app_key string,
  ......
  )
 STORED BY 'com.mongodb.hadoop.hive.MongoStorageHandler' 
 WITH SERDEPROPERTIES('mongo.columns.mapping'='{"id":"_id"}') 
 TBLPROPERTIES('mongo.uri'='mongodb://${ip}:${port}/${mongodb}.${mongo_collection}');

• 使用select语句查看数据。Done！

• 备注
  此方案基于开源项目mongo-hadoop：https://github.com/mongodb/mongo-hadoop

---

mongodump bson 导入

缺点：目前非没发现缺点

方案实现

• 准备
  准备一下3个jar包，版本根据hive和MongoDB版本选择。
  mongo-hadoop-core-2.0.0.jar
  mongo-hadoop-hive-2.0.0.jar
  mongo-java-driver-3.4.2.jar
  将mongo-hadoop-core-2.0.0.jar、mongo-hadoop-hive-2.0.0.jar和mongo-java-driver-3.4.2.jar放到/data/cloudera/var/lib/hive下，/data/cloudera/var/lib/hive是参数hive.aux.jars.path的值

• 步骤

  • 生成bson文件：mongodump -h host -d db -c collectio -o output_file，例子：

mongodump -h ${ip}:${port} -d ${db} -c ${collection} -o /data/cloudera/mongodump；

• 将bson文件放入HDFS中：hdfs dfs -put output_file hdfs_file_path，例子：

hdfs dfs -put /data/cloudera/mongodump/${db}/${collection}.bson /user/hive/；

• 创建Hive表：

CREATE TABLE ${table_name} (
`_id` string,
......
value int)
row format serde 'com.mongodb.hadoop.hive.BSONSerDe'
with serdeproperties('mongo.columns.mapping'='{"id":"_id"}')
stored as inputformat 'com.mongodb.hadoop.mapred.BSONFileInputFormat'
outputformat 'com.mongodb.hadoop.hive.output.HiveBSONFileOutputFormat'
location '/user/hive/';，

• 使用select语句查看数据。Done！