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“$”符号,这在hive中无法识别
方案实现
- 准备
准备这个3个jar包,版本根据自己的hive版本选定。
json-hive-schema-1.0-jar-with-dependencies.jar
json-serde-1.3.8-jar-with-dependencies.jar
json-udf-1.3.8-jar-with-dependencies.jar - 配置
- 将json-serde-1.3.8-jar-with-dependencies.jar和json-udf-1.3.8-jar-with-dependencies.jar放到/data/cloudera/var/lib/hive下
- 在Hive的 hive-site.xml 的 Hive 服务高级配置代码段(安全阀) 中添加以下参数,以便在beeline中可执行admin的操作
<property>
<name>hive.server2.authorization.external.exec</name>
<value>true</value>
</property>
<property>
<name>hive.security.authorization.enabled</name>
<value>false</value>
</property>
<property>
<name>hive.aux.jars.path</name>
<value>/data/cloudera/var/lib/hive</value>
</property>
- 步骤
- 生成创建表的语句:java -jar json-hive-schema-1.0-jar-with-dependencies.jar students.dat(文件名) students_text1(表名)
- 在hive命令行中:LOAD DATA LOCAL INPATH ‘/data/cloudera/students.dat’(数据文件) OVERWRITE INTO TABLE students_text1(导入的表)
- 备注
- 如导入数据时出现json格式不兼容,在创建表时可添加属性:WITH SERDEPROPERTIES (“ignore.malformed.json” = “true”);
- hive中无法支持$符号。
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!