Kettle8.2实现抽取文件到Hive

说明：

• 环境：Kettle8.2+虚拟机+Hadoop2.7.3+Hive2.3.3
• 目标：利用Kettle将本地文件抽取到Hive中
• 用户：虚拟机root用户安装所有环境（为了方便，生产环境自行更改）

一、Hadoop2.7.3安装（安装略）

---

• Hadoop的安装请查看我的其他博客
• 做下列实验前需要确保Hadoop已经启动

二、Hive的安装及准备工作

---

1、Hive的安装（本地模式）

说明：本案例使用Hive本地模式，读者自行安装MySQL（该案例使用MySQL5.7，读者自行选择）
安装步骤：

• 上传apache-hive-2.3.3-bin.tar.gz到/tools

• 解压安装到/training目录下，解压安装命令如下：

  tar -zxvf apache-hive-2.3.3-bin.tar.gz -C ~/training/
  

• 配置环境变量，执行: vi ~/.bash_profile，添加如下

  export HIVE_HOME=/training/apache-hive-2.3.3-bin
  export PATH=$HIVE_HOME/bin:$PATH
  

• 环境变量生效，执行：source ~/.bash_profile

• 配置hive-site.xml,进入hive-site.xml所在目录，执行：vi hive-site.xml，需要修改的参数内容如图：
  在hive-site.xml中找到对应的部分进行修改，参考如下：

   <property>
   	<name>javax.jdo.option.ConnectionURLname>
   	<value>jdbc:mysql://localhost:3306/hive?useSSL=falsevalue>
   property>
   
   <property>
   	<name>javax.jdo.option.ConnectionDriverNamename>
   	<value>com.mysql.jdbc.Drivervalue>
   property>
   
   <property>
   	<name>javax.jdo.option.ConnectionUserNamename>
   	<value>hiveownervalue>
   property>
   
   <property>
   	<name>javax.jdo.option.ConnectionPasswordname>
   	<value>Sjm_123456value>
   property>
  

• 上传MySQL驱动到hive安装路径下的/lib目录下，注意一定要使用高版本的MySQL驱动（5.1.43以上的版本），如我的路径是/training/apache-hive-2.3.0- bin/lib目录下

• 初始化MySQL，
  执行：schematool -dbType mysql -initSchema
  执行成功的日志信息：
  Starting metastore schema initialization to 2.3.0
  Initialization script hive-schema-2.3.0.mysql.sql
  Initialization script completed
  schemaTool completed
  

2、启动hiveserver2服务

• 后台方式启动，执行：hive --service hiveserver2 &
• 查看进程：
  或者
  

3、创建weblogs表

• 启动hive客户端cli，执行:hive ,进入到hive cli页面创建表
• 创建表SQL：

  create table weblogs (
  client_ip string,
  full_request_date string,
  day string,
  month string,
  month_num int,
  year string,
  hour string,
  minute string,
  second string,
  timezone string,
  http_verb string,
  uri string,
  http_status_code string,
  bytes_returned string,
  referrer string,
  user_agent string)
  row format delimited fields terminated by '\t';
  

  创建时的截图：
  
  注意： 上述创建表所在的位置是默认的数据库default，创建表成功，请查看下hdfs上的目录结构，如下所示，代表hive成功创建一张表名为weblogs
  

三、案例演示

---

3.1 准备工作

• 数据源下载并上传到虚拟机中，下载地址如下：

  https://download.csdn.net/download/sujiangming/15602824
  

• 在hdfs创建目录，执行如下命令:

  hdfs dfs -mkdir -p /user/pdi/weblogs/parse
  

• 上传weblogs_parse.txt到/user/pdi/weblogs/parse上，执行如下命令:

  hdfs dfs -put weblogs_parse.txt /user/pdi/weblogs/parse/
  

3.2 Kettle作业创建与配置

• 创建作业，选择对应的组件（依赖Hadoop Copy Files）
  

• 配置Hadoop Cluster，可以参考《Kettle8.2与Hadoop2.7.3集成》博文中的相关内容，地址：https://blog.csdn.net/sujiangming/article/details/114338012

• 配置Hadoop Copy Files组件，配置如下
  
  注意： 截图中，remote_hadoop指Hadoop集群名称，需要先配置

• 运行验证
  运行：
  验证：
  1、查看Kettle中执行结果：
  
  2、hdfs上查看，发现多出了一个文件
  /user/hive/warehouse/weblogs/weblogs_parse.txt
  
  3、查看hive的数据库表中有数据了，查看方法：执行 hive 进入hive cli，然后执行SQL语句即可，设置查询时显示表中的字段名称及其查看前10条记录，SQL如下：

  set hive.cli.print.header=true;
  select * from weblogs limit 10;
  

  

四、总结

---

利用Kettle实现将本地文件抽取到Hive这个方法有些麻烦，因为还需要先将文件上传至HDFS上，然后通过读取HDFS上的数据再加载到Hive内部表中，不过整个过程相对编程又有些简单，总之，一句话：工具能好用，能帮助你就可以了！！！！