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, 经过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。
但是有些业务也有不标准的，比如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这家伙到底是怎么把hive表的数据弄到es中去的？ 为了弄清楚这个问题， 我们首先需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.gits2: 编译源码。直接编译master即可。
gradlew distZips3: 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文件一样。
s4: 在intellij中编译一次项目。
s5: 在本地启动一个es, 默认的端口即可。
s6: 运行测试用例AbstractHiveSaveTest.testBasicSave()。 直接运行是会报错的， 需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;如果是在windows环境下，需要新建packageorg.apache.hadoop.io.nativeio, 然后在该package下建立NativeIO.java类。 修改代码如下:
// 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。可以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，因此可以单独建立一个项目hive-shgy, 然后改造这个测试类， 跑通testBasicSave()。
由于对gradle不熟悉， 还是建立maven项目， 项目的依赖如下:
spring-libs
http://repo.spring.io/libs-milestone/
org.apache.logging.log4j
log4j-1.2-api
2.6.2
test
org.apache.logging.log4j
log4j-slf4j-impl
2.6.2
test
com.lmax
disruptor
3.3.6
test
junit
junit
4.11
test
org.apache.hive
hive-cli
1.2.1
provided
org.apache.logging.log4j
log4j-slf4j-impl
org.slf4j
slf4j-log4j12
org.apache.hadoop
hadoop-client
2.2.0
provided
org.apache.logging.log4j
log4j-slf4j-impl
org.slf4j
slf4j-log4j12
org.elasticsearch
elasticsearch-hadoop
6.3.0
test
这里用到了log4j2, 所以日志类放在前面。
接下来迁移测试代码。迁移的原则是 若无必要，不新增类。 如果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。个人感觉这里比较巧妙的是，通过HiveEmbeddedServer2启动了一个嵌入式的hive实例。能够执行hive sql, 而且是在一个jvm中，对于研究hive的实现原理来说，太酷了。
基础的环境搭建好后，就可以研究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。通过StoreageHandler, 可以使用SQL将数据写入到es，同时也可以使用SQL读取ES中的数据。 所以， 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，通过它实现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，就可以自己仿照实现hive数据同步到mongo, hive数据同步到redis 等其他的功能了。 这样做的好处是业务无关， 一次开发，多次使用。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。 通过这个过程，学会将hive数据同步到其他NoSQL中，这个实践比理解源码更重要。