ES in Hive

ElasticSearch已经可以与YARN、Hadoop、Hive、Pig、Spark、Flume等大数据技术框架整合起来使用，尤其是在添加数据的时候，可以使用分布式任务来添加索引数据，尤其是在数据平台上，很多数据存储在Hive中，使用Hive操作ElasticSearch中的数据，将极大的方便开发人员。这里记录一下Hive与ElasticSearch整合，查询和添加数据的配置使用过程。基于Hive0.13.1、Hadoop-cdh5.0、ElasticSearch 2.1.0。

通过Hive读取与统计分析ElasticSearch中的数据

ElasticSearch中已有的数据

_index：lxw1234
_type：tags
_id：用户ID（cookieid）
字段：area、media_view_tags、interest

Hive建表

由于我用的ElasticSearch版本为2.1.0，因此必须使用elasticsearch-hadoop-2.2.0才能支持，如果ES版本低于2.1.0，可以使用elasticsearch-hadoop-2.1.2.

下载地址：https://www.elastic.co/downloads/hadoop

1. add jar file:///home/liuxiaowen/elasticsearch-hadoop-2.2.0-beta1/dist/elasticsearch-hadoop-hive-2.2.0-beta1.jar;
2. CREATE EXTERNAL TABLE lxw1234_es_tags (
3. cookieid string,
4. area string,
5. media_view_tags string,
6. interest string
7. )
8. STORED BY 'org.elasticsearch.hadoop.hive.EsStorageHandler'
9. TBLPROPERTIES(
10. 'es.nodes' = '172.16.212.17:9200,172.16.212.102:9200',
11. 'es.index.auto.create' = 'false',
12. 'es.resource' = 'lxw1234/tags',
13. 'es.read.metadata' = 'true',
14. 'es.mapping.names' = 'cookieid:_metadata._id, area:area, media_view_tags:media_view_tags, interest:interest');

注意：因为在ES中，lxw1234/tags的_id为cookieid，要想把_id映射到Hive表字段中，必须使用这种方式：
‘es.read.metadata’ = ‘true’,
‘es.mapping.names’ = ‘cookieid:_metadata._id,…’

在Hive中查询数据

数据已经可以正常查询。

执行SELECT COUNT(1) FROM lxw1234_es_tags;Hive还是通过MapReduce来执行，每个分片使用一个Map任务：

可以通过在Hive外部表中指定search条件，只查询过滤后的数据。比如，下面的建表语句会从ES中搜索_id=98E5D2DE059F1D563D8565的记录：

1. CREATE EXTERNAL TABLE lxw1234_es_tags_2 (
2. cookieid string,
3. area string,
4. media_view_tags string,
5. interest string
6. )
7. STORED BY 'org.elasticsearch.hadoop.hive.EsStorageHandler'
8. TBLPROPERTIES(
9. 'es.nodes' = '172.16.212.17:9200,172.16.212.102:9200',
10. 'es.index.auto.create' = 'false',
11. 'es.resource' = 'lxw1234/tags',
12. 'es.read.metadata' = 'true',
13. 'es.mapping.names' = 'cookieid:_metadata._id, area:area, media_view_tags:media_view_tags, interest:interest',
14. 'es.query' = '?q=_id:98E5D2DE059F1D563D8565'
15. );
16.  
17. hive> select * from lxw1234_es_tags_2;
18. OK
19. 98E5D2DE059F1D563D8565 四川|成都 购物|1 购物|1
20. Time taken: 0.096 seconds, Fetched: 1 row(s)

如果数据量不大，可以使用Hive的Local模式来执行，这样不必提交到Hadoop集群：

在Hive中设置：

1. set hive.exec.mode.local.auto.inputbytes.max=134217728;
2. set hive.exec.mode.local.auto.tasks.max=10;
3. set hive.exec.mode.local.auto=true;
4. set fs.defaultFS=file:///;
5.  
6. hive> select area,count(1) as cnt from lxw1234_es_tags group by area order by cnt desc limit 20;
7. Automatically selecting local only mode for query
8. Total jobs = 2
9. Launching Job 1 out of 2
10. …..
11. Execution log at: /tmp/liuxiaowen/liuxiaowen_20151211133030_97b50138-d55d-4a39-bc8e-cbdf09e33ee6.log
12. Job running in-process (local Hadoop)
13. Hadoop job information for null: number of mappers: 0; number of reducers: 0
14. 2015-12-11 13:30:59,648 null map = 100%, reduce = 100%
15. Ended Job = job_local1283765460_0001
16. Execution completed successfully
17. MapredLocal task succeeded
18. OK
19. 北京|北京 10
20. 四川|成都 4
21. 重庆|重庆 3
22. 山西|太原 3
23. 上海|上海 3
24. 广东|深圳 3
25. 湖北|武汉 2
26. 陕西|西安 2
27. 福建|厦门 2
28. 广东|中山 2
29. 福建|三明 2
30. 山东|济宁 2
31. 甘肃|兰州 2
32. 安徽|合肥 2
33. 湖南|长沙 2
34. 湖南|湘西 2
35. 河南|洛阳 2
36. 江苏|南京 2
37. 黑龙江|哈尔滨 2
38. 广西|南宁 2
39. Time taken: 13.037 seconds, Fetched: 20 row(s)
40. hive>

很快完成了查询与统计。

通过Hive向ElasticSearch中写数据

Hive建表

1. add jar file:///home/liuxiaowen/elasticsearch-hadoop-2.2.0-beta1/dist/elasticsearch-hadoop-hive-2.2.0-beta1.jar;
2. CREATE EXTERNAL TABLE lxw1234_es_user_tags (
3. cookieid string,
4. area string,
5. gendercode STRING,
6. birthday STRING,
7. jobtitle STRING,
8. familystatuscode STRING,
9. haschildrencode STRING,
10. media_view_tags string,
11. order_click_tags STRING,
12. search_egine_tags STRING,
13. interest string )
14. STORED BY 'org.elasticsearch.hadoop.hive.EsStorageHandler'
15. TBLPROPERTIES(
16. 'es.nodes' = '172.16.212.17:9200,172.16.212.102:9200',
17. 'es.index.auto.create' = 'true',
18. 'es.resource' = 'lxw1234/user_tags',
19. 'es.mapping.id' = 'cookieid',
20. 'es.mapping.names' = 'area:area,
21. gendercode:gendercode,
22. birthday:birthday,
23. jobtitle:jobtitle,
24. familystatuscode:familystatuscode,
25. haschildrencode:haschildrencode,
26. media_view_tags:media_view_tags,
27. order_click_tags:order_click_tags,
28. search_egine_tags:search_egine_tags,
29. interest:interest');

这里要注意下：如果是往_id中插入数据，需要设置’es.mapping.id’ = ‘cookieid’参数，表示Hive中的cookieid字段对应到ES中的_id，而es.mapping.names中不需要再映射，这点和读取时候的配置不一样。

关闭Hive推测执行,执行INSERT：

1. SET hive.mapred.reduce.tasks.speculative.execution = false;
2. SET mapreduce.map.speculative = false;
3. SET mapreduce.reduce.speculative = false;
4.  
5. INSERT overwrite TABLE lxw1234_es_user_tags
6. SELECT cookieid,
7. area,
8. gendercode,
9. birthday,
10. jobtitle,
11. familystatuscode,
12. haschildrencode,
13. media_view_tags,
14. order_click_tags,
15. search_egine_tags,
16. interest
17. FROM source_table;

注意：如果ES集群规模小，而source_table数据量特别大、Map任务数太多的时候，会引发错误：

1. Caused by: org.elasticsearch.hadoop.rest.EsHadoopInvalidRequest:
2. FOUND unrecoverable error [172.16.212.17:9200] returned Too Many Requests(429) - rejected
3. execution of org.elasticsearch.action.support.replication.TransportReplicationAction$PrimaryPhase$1@b6fa90f
4. ON EsThreadPoolExecutor[bulk, queue capacity = 50,
5. org.elasticsearch.common.util.concurrent.EsThreadPoolExecutor@22e73289[Running, pool size = 32, active threads = 32, queued tasks = 52, completed tasks = 12505]];
6. Bailing out..

原因是Map任务数太多，并发发送至ES的请求数过多。
这个和ES集群规模以及bulk参数设置有关，目前还没弄明白。
减少source_table数据量（即减少Map任务数）之后，没有出现这个错误。

执行完成后，在ES中查询lxw1234/user_tags的数据：

1. curl -XGET http://172.16.212.17:9200/lxw1234/user_tags/_search?pretty -d '
2. {
3. "query" : {
4. "match" : {
5. "area" : "成都"
6. }
7. }
8. }'

数据已经写入到ElasticSearch中。

总结

使用Hive将数据添加到ElasticSearch中还是非常实用的，因为我们的数据都是在HDFS上，通过Hive可以查询的。

另外，通过Hive可以查询ES数据，并在其上做复杂的统计与分析，但性能一般，比不上使用ES原生API，亦或是还没有掌握使用技巧，后面继续研究。

相关阅读：

ElasticSearch集群安装配置

ElasticSearch与Hive整合官方文档