使用sqoop导入postgresql数据到Hbase
前言
随着业务和大数据技术的发展，越来越多的公司需要在后端架设Hbase数据库，而原有的业务则需要从各种RDBMS数据库中迁移到Hbase当中。Appach的sqoop（发音：[skup]）就是基于这样的需求而诞生的，本文详细记录了一个通过sqoop将数据从postgresql迁移到Hbase的例子。
前期准备和假设
要完成数据的迁移，那前期毋庸置疑，目的集群上一定是已经安装好了:
- java
- hadoop
- habase
- ZoopKeeper
在我的例子中:
- java的版本是oracle 1.7.0.25.
- hadoop的版本是hadoop-2.7.3，10个机器的集群，2个namenode, 8个- datanode
- hbase的版本是hbase-1.3.0, 7个机器的集群，2个source manager(一个backup master), 6个HRegionServer
- zoopkepper的版本是zookeeper-3.4.8，7个节点
具体的集群安装，可以参考网上的各种文章。
这里需要注意的是，其实sqoop已经不支持最新版本的hbase了，但本文的操作至少是可以做的：
Sqoop does not support the latest versions of Hbase yet. The latest of Sqoop is compatible with versions of Hbase <= 0.95.2, there is an open issue (SQOOP-2759) for this hbase-sqoop integration.
sqoop的安装
下载：
http://mirrors.cnnic.cn/apache/sqoop/1.4.6/sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz
安装
将sqoop解压到“/usr/lib/sqoop”目录.
$tar -xvf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz
# mv sqoop-1.4.6.bin__hadoop-2.0.4-alpha /usr/lib/sqoop配置
把sqoop相关的环境变量配置到 ~/.bashrc 文件：
export SQOOP_HOME=/usr/lib/sqoop
export PATH=$PATH:$SQOOP_HOME/bin然后source ~/.bashrc 文件.
$ source ~/.bashrc复制创建sqoop-env.sh
mv sqoop-env-template.sh sqoop-env.sh修改 sqoop-env.sh 加入下面三行，根据集群情况填写
HADOOP_COMMON_HOME=/opt/hadoop-2.7.3/
HADOOP_MAPRED_HOME=/opt/hadoop-2.7.3/
HBASE_HOME=/opt/hbase-1.3.0添加jar包
下载postgresql的jdbc驱动，并放置到sqoop的lib目录
Crl -L 'http://jdbc.postgresql.org/download/postgresql-9.2-1002.jdbc4.jar' -o postgresql-9.2-1002.jdbc4.jar
mv postgresql-9.2-1002.jdbc4.jar /usr/lib/sqoop/lib/测试
进入sqoop的bin目录下执行命令
./sqoop-list-tables --connect jdbc:mysql://your_postgresql_address:port/your_db_name --username mysqlusername --P然后提示输入密码，输入数据库登录密码即可。然后终端显示该数据库下的所有表名称。表示Sqoop安装成功
使用sqoop导入postgresql的数据
现在我的postgresql里面有多张表：
假设准备导入aswu_operation这张表。因为sqoop不支持最新版的hbase，因此必须手动的在Hbase里面创建一张表来存储postgresql里的aswu_operation表。这里，仍然采用aswu_operation作为表名：
hbase(main):002:0> create 'aswu_operation' 'Op_info'
然后执行sqoop的import命令。
sqoop import --connect jdbc:postgresql://10.141.47.194/aswudb --table aswu_operation --hbase-table aswu_operation --column-family Op_info --hbase-row-key id --username postgres --P该语句的意思是从jdbc:postgresql中读入aswu_operation表到Hbase的aswu_operation表，postgresql的aswu_operation表中的所有column，都归入到Hbase的aswu_operation表的‘Op_info’column family。而Hbase的aswu_operation表的row key采用postgresql的aswu_operation表中的id字段。
相关的命令的具体解释：
--table <table-name> Table to read
HBase arguments:
--column-family <family> Sets the target column family for the
import
--hbase-bulkload Enables HBase bulk loading
--hbase-create-table If specified, create missing HBase tables
--hbase-row-key <col> Specifies which input column to use as the row key
--hbase-table <table> Import to <table> in HBase
在该命令执行之后，sqoop会生成mapreduce的job，会有多个task并行的从postgresql上读取数据，并往hbase上插入数据。因为配置了集群的缘故，会有多个节点尝试去访问postgresql。因此，需要在postgresql上打开这些节点的访问权限。具体方法是编辑pg_hba.conf文件，加入各个hadoop节点的ip访问权限：
# IPv4 local connections:
host all all 127.0.0.1/32 md5
host all all 10.157.69.85/31 md5
host all all 10.157.69.216/31 md5
host all all 10.157.70.158/31 md5
host all all 10.157.70.38/31 md5
host all all 10.157.65.174/31 md5
host all all 10.157.68.60/31 md5
host all all 10.157.69.216/31 md5
host all all 10.157.66.49/31 md5
host all all 10.157.67.63/31 md5完成之后，会看到如下输出：
打开hbase,查询数据是否已经插入：
hbase(main):002:0> get 'aswu_operation', '1'
COLUMN CELL
Op_info:end_time timestamp=1488176106248, value=2017-02-27 13:14:20.818
Op_info:failed_steps timestamp=1488176106248, value=0
Op_info:last_updated timestamp=1488176106248, value=2017-02-27 13:14:20.818
Op_info:progress timestamp=1488176106248, value=0
Op_info:restart_possible timestamp=1488176106248, value=false
Op_info:start_time timestamp=1488176106248, value=2017-02-27 13:14:00.193
Op_info:status timestamp=1488176106248, value=SUCCEED
Op_info:success_steps timestamp=1488176106248, value=1
Op_info:target timestamp=1488176106248, value={"externalFmReportId":1}
Op_info:target_name timestamp=1488176106248, value=
Op_info:total_steps timestamp=1488176106248, value=1
Op_info:type timestamp=1488176106248, value=FM_REPORT
Op_info:version timestamp=1488176106248, value=1
operation:end_time timestamp=1488183791964, value=2017-02-27 13:14:20.818
operation:failed_steps timestamp=1488183791964, value=0
operation:last_updated timestamp=1488183791964, value=2017-02-27 13:14:20.818
operation:progress timestamp=1488183791964, value=0
operation:restart_possible timestamp=1488183791964, value=false
operation:start_time timestamp=1488183791964, value=2017-02-27 13:14:00.193
operation:status timestamp=1488183791964, value=SUCCEED
operation:success_steps timestamp=1488183791964, value=1
operation:target timestamp=1488183791964, value={"externalFmReportId":1}
operation:target_name timestamp=1488183791964, value=
operation:total_steps timestamp=1488183791964, value=1
operation:type timestamp=1488183791964, value=FM_REPORT
operation:version timestamp=1488183791964, value=1
1 row(s) in 0.3200 seconds
可以看到对应的数据已经插入到Hbase里面。
修改Row Key
从上面已经完成的步骤，我们可以看到数据表已经被迁移到了Hbase当中，但我们知道在Hbase当中，row-key的设计非常重要。不可能简单的使用RDBMS中的主键（一般是big interger的id）作为row-key。row-key需要根据业务场景的需求，能够方便通过排序，筛选等操作得到我们需要读取或操作的数据集。因此，在导入的过程中，我们需要对Row key进行一定的变形或修饰。具体做法如下：
自定义PutTransformer类
sqoop在往hbase插入数据时，会调用类PutTransformer来生成插入hbase需要的Put类，该Put类定义了如何生成rowkey, cloumn name (column family name + column name)和column value。通过修改Put对象的行为，我们可以轻松的修改row key, column name和column value。
因此我们需要自定义PutTransformer的行为，并通过命令行参数，告诉sqoop使用我们自定义的PutTransformer类。一下是一个简单的定义。首先我们需要先extend PutTransformer。再对getPutCommand方法进行override。
具体这个类的行为，大部分代码可以参考sqoop本身自带的ToStringPutTransformer类。
这里的关键是这句：
Put put = new Put( Bytes.toBytes( rowKey.toString() + ":operation" ) );为rowkey加上了一个“operation”的后缀。
具体代码如下：
package com.sqoop.example;
import java.io.IOException;
import java.util.Collections;
import java.util.List;
import java.util.Map;
import java.util.TreeMap;
import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.sqoop.hbase.PutTransformer;
/**
* @author Lex Li
* @date 27/02/2017
*/
public class AswuOperationTransFormat
extends PutTransformer
{
private Mapbyte[]> serializedFieldNames;
public AswuOperationTransFormat()
{
serializedFieldNames = new TreeMapbyte[]>();
}
/**
* Return the serialized bytes for a field name, using the cache if it's already in there.
*/
private byte[] getFieldNameBytes( String fieldName )
{
byte[] cachedName = serializedFieldNames.get( fieldName );
if( null != cachedName )
{
// Cache hit. We're done.
return cachedName;
}
// Do the serialization and memoize the result.
byte[] nameBytes = Bytes.toBytes( fieldName );
serializedFieldNames.put( fieldName, nameBytes );
return nameBytes;
}
@Override
public List getPutCommand( Map map ) throws IOException
{
String rowKeyCol = getRowKeyColumn();
String colFamily = getColumnFamily();
byte[] colFamilyBytes = Bytes.toBytes( colFamily );
Object rowKey = map.get( rowKeyCol );
if( null == rowKey )
{
// If the row-key column is null, we don't insert this row.
return null;
}
Put put = new Put( Bytes.toBytes( rowKey.toString() + ":operation" ) );
for( Map.Entry fieldEntry : map.entrySet() )
{
String colName = fieldEntry.getKey();
if( !colName.equals( rowKeyCol ) )
{
// This is a regular field, not the row key.
// Add it if it's not null.
Object val = fieldEntry.getValue();
if( null != val )
{
put.add( colFamilyBytes, getFieldNameBytes( colName ), Bytes.toBytes( val.toString() ) );
}
}
}
return Collections.singletonList( put );
}
}
编译自定义的PutTransformer类，并重新打包
- 新建一个工程，加入如下依赖
org.apache.sqoop
sqoop
1.4.6
- 编译刚才的AswuOperationTransFormat类。
- 解压sqoop-1.4.6.jar到sqoop-1.4.6目录
- 将编译出来的AswuOperationTransFormat.class文件（连同目录结构。com.sqoop.example），一并加入到 sqoop-1.4.6目录中。
jar -cvf sqoop-1.4.6.jar sqoop-1.4.6/重新生成sqoop-1.4.6.jar文件。- 将sqoop-1.4.6.jar替换/usr/lib/sqoop下的sqoop-1.4.6.jar文件
指定需要运行的PutTransformer类
在sqoop import的命令行中加入：
-D sqoop.hbase.insert.put.transformer.class=com.sqoop.example.AswuOperationTransFormat具体的就是：
sqoop import -D sqoop.hbase.insert.put.transformer.class=com.sqoop.example.AswuOperationTransFormat --connect jdbc:postgresql://10.141.47.194/aswudb --table aswu_operation --hbase-table aswu_operation --column-family Op_info --hbase-row-key id --username postgres --P完成后，进入Hbase查看：
10005:operation column=Op_info:end_time, timestamp=1488266002107, value=2017-02-28 12:47:08.509
10005:operation column=Op_info:error_code, timestamp=1488266002107, value=ASWUR01
10005:operation column=Op_info:error_description, timestamp=1488266002107, value=Unexpected error appears. Try to fail main o
peration.
10005:operation column=Op_info:failed_steps, timestamp=1488266002107, value=1
10005:operation column=Op_info:last_updated, timestamp=1488266002107, value=2017-02-28 12:47:08.509
10005:operation column=Op_info:progress, timestamp=1488266002107, value=0
10005:operation column=Op_info:restart_possible, timestamp=1488266002107, value=true
10005:operation column=Op_info:software_package_title, timestamp=1488266002107, value=4G
10005:operation column=Op_info:start_time, timestamp=1488266002107, value=2017-02-28 12:47:08.364
10005:operation column=Op_info:status, timestamp=1488266002107, value=FAILED
10005:operation column=Op_info:success_steps, timestamp=1488266002107, value=0
10005:operation column=Op_info:target, timestamp=1488266002107, value=CLUSTER-1269/PLMN-PLMN/MRBTS-567
10005:operation column=Op_info:target_name, timestamp=1488266002107, value=
10005:operation column=Op_info:total_steps, timestamp=1488266002107, value=2
10005:operation column=Op_info:type, timestamp=1488266002107, value=SW_UPLOAD
10005:operation column=Op_info:version, timestamp=1488266002107, value=1
10 row(s) in 0.4560 seconds
所有的row key加上了”：operation”的后缀