MySQL数据迁移到MRS集群Hive分区表
MapReduce服务（MapReduce Service，简称MRS）提供企业级大数据集群云服务，里面包含HDFS、Hive、Spark等组件，适用于企业海量数据分析。
其中Hive提供类SQL查询语言，帮助用户对大规模的数据进行提取、转换和加载，即通常所称的ETL（Extraction，Transformation，and Loading）操作。对庞大的数据集查询需要耗费大量的时间去处理，在许多场景下，可以通过建立Hive分区方法减少每一次扫描的总数据量，这种做法可以显著地改善性能。
Hive的分区使用HDFS的子目录功能实现，每一个子目录包含了分区对应的列名和每一列的值。当分区很多时，会有很多HDFS子目录，如果不依赖工具，将外部数据加载到Hive表各分区不是一件容易的事情。云数据迁移服务（CDM）可以请轻松将外部数据源（关系数据库、对象存储服务、文件系统服务等）加载到Hive分区表。
本实践为您演示使用CDM云服务将MySQL数据导入到MRS集群内的Hive分区表中。
操作场景
假设MySQL数据库中有一张表“trip_data”，保存了自行车骑行记录，里面有起始时间、结束时间，起始站点、结束站点、骑手ID等信息。
“trip_data”表字段定义如图1所示。
使用CDM将MySQL中的导入到MRS Hive分区表，流程如下：
前提条件
- 已经购买包含有Hive服务的MRS集群。
- 已获取连接MySQL数据库的IP地址、端口、数据库名称、用户名、密码，且该用户拥有MySQL数据库的读写权限。
- 已参考管理驱动，上传了MySQL数据库驱动。
在MRS Hive上创建Hive分区表
在MRS的Hive客户端中，执行以下SQL语句创建一张Hive分区表，表名与MySQL上的表trip_data一致，且Hive表比MySQL表多建三个字段y、ym、ymd，作为Hive的分区字段。
1
|
create table trip_data(TripID int,Duration int,StartDate timestamp,StartStation varchar(64),StartTerminal int,EndDate timestamp,EndStation varchar(64),EndTerminal int,Bike int,SubscriberType varchar(32),ZipCodev varchar(10))partitioned by (y int,ym int,ymd int); |
Hive表trip_data有三个分区字段：骑行起始时间的年、骑行起始时间的年月、骑行起始时间的年月日。
例如一条骑行记录的起始时间为2018/5/11 9:40，那么这条记录会保存在分区trip_data/2018/201805/20180511下面。
对trip_data进行按时间维度统计汇总时，只需要对局部数据扫描，大大提升性能。
创建MySQL连接
- 在CDM集群管理界面，单击集群后的“作业管理”，选择，进入连接器类型的选择界面。
图3 选择连接器类型
- 选择“MySQL”后单击“下一步”，配置MySQL连接的参数。
图4 创建MySQL连接
单击“显示高级属性”可查看更多可选参数，具体请参见配置关系数据库连接。此处保持默认，必填参数如表1所示。
表1 MySQL连接参数 参数名
说明
取值样例
名称
输入便于记忆和区分的连接名称。
mysqllink
数据库服务器
MySQL数据库的IP地址或域名。
192.168.1.110
端口
MySQL数据库的端口。
3306
数据库名称
MySQL数据库的名称。
sqoop
用户名
拥有MySQL数据库的读、写和删除权限的用户。
admin
密码
用户的密码。
-
使用Agent
是否选择通过Agent从源端提取数据。
是
Agent
单击“选择”，选择连接Agent中已创建的Agent。
-
- 单击“保存”回到连接管理界面。
如果保存时出错，一般是由于MySQL数据库的安全设置问题，需要设置允许CDM集群的EIP访问MySQL数据库。
创建Hive连接
- 在连接管理界面，单击“新建连接”，连接器类型选择“MRS Hive”。
- 单击“下一步”配置Hive连接参数，如图5所示。
各参数说明如表2所示，需要您根据实际情况配置。
表2 MRS Hive连接参数 参数名
说明
取值样例
名称
连接的名称，根据连接的数据源类型，用户可自定义便于记忆、区分的连接名。
hivelink
Manager IP
MRS Manager的浮动IP地址，可以单击输入框后的“选择”来选定已创建的MRS集群，CDM会自动填充下面的鉴权参数。
127.0.0.1
认证类型
访问MRS的认证类型：- SIMPLE：非安全模式选择Simple鉴权。
- KERBEROS：安全模式选择Kerberos鉴权。
SIMPLE
Hive版本
Hive的版本。根据服务端Hive版本设置。
HIVE_3_X
用户名
选择KERBEROS鉴权时，需要配置MRS Manager的用户名和密码。从HDFS导出目录时，如果需要创建快照，这里配置的用户需要HDFS系统的管理员权限。
如果要创建MRS安全集群的数据连接，不能使用admin用户。因为admin用户是默认的管理页面用户，这个用户无法作为安全集群的认证用户来使用。您可以创建一个新的MRS用户，然后在创建MRS数据连接时，“用户名”和“密码”填写为新建的MRS用户及其密码。说明：- 如果CDM集群为2.9.0版本及之后版本，且MRS集群为3.1.0及之后版本，则所创建的用户至少需具备Manager_viewer的角色权限才能在CDM创建连接；如果需要对应组件的进行库、表、数据的操作，还需要添加对应组件的用户组权限。
- 如果CDM集群为2.9.0之前的版本，或MRS集群为3.1.0之前的版本，则所创建的用户需要具备Manager_administrator或System_administrator权限，才能在CDM创建连接。
- 仅具备Manager_tenant或Manager_auditor权限，无法创建连接。
cdm
密码
访问MRS Manager的用户密码。
-
OBS支持
需服务端支持OBS存储。在创建Hive表时，您可以指定将表存储在OBS中。
否
运行模式
EMBEDDED
是否使用集群配置
您可以通过使用集群配置，简化Hadoop连接参数配置。
否
集群配置名
仅当“是否使用集群配置”为“是”时，此参数有效。此参数用于选择用户已经创建好的集群配置。
集群配置的创建方法请参见管理集群配置。
hive_01
- 单击“保存”回到连接管理界面。
创建迁移作业
- 在CDM集群管理界面，单击集群后的“作业管理”，选择，开始创建数据迁移任务，如图6所示。
“导入前清空数据”选“是”，这样每次导入前，会将之前已经导入到Hive表的数据清空。
- 作业参数配置完成后，单击“下一步”，进入字段映射界面，如图7所示。
映射MySQL表和Hive表字段，Hive表比MySQL表多三个字段y、ym、ymd，即是Hive的分区字段。由于没有源表字段直接对应，需要配置表达式从源表的StartDate字段抽取。
- 单击
进入转换器列表界面，再选择。y、ym、ymd字段的表达式分别配置如下：
DateUtils.format(DateUtils.parseDate(row[2],"yyyy-MM-dd HH:mm:ss.SSS"),"yyyy")
DateUtils.format(DateUtils.parseDate(row[2],"yyyy-MM-dd HH:mm:ss.SSS"),"yyyyMM")
DateUtils.format(DateUtils.parseDate(row[2],"yyyy-MM-dd HH:mm:ss.SSS"),"yyyyMMdd")
- 单击“下一步”配置任务参数，一般情况下全部保持默认即可。
该步骤用户可以配置如下可选功能：
- 作业失败重试：如果作业执行失败，可选择是否自动重试，这里保持默认值“不重试”。
- 作业分组：选择作业所属的分组，默认分组为“DEFAULT”。在CDM“作业管理”界面，支持作业分组显示、按组批量启动作业、按分组导出作业等操作。
- 是否定时执行：如果需要配置作业定时自动执行，请参见配置定时任务。这里保持默认值“否”。
- 抽取并发数：设置同时执行的抽取任务数。这里保持默认值“1”。
- 是否写入脏数据：如果需要将作业执行过程中处理失败的数据、或者被清洗过滤掉的数据写入OBS中，以便后面查看，可通过该参数配置，写入脏数据前需要先配置好OBS连接。这里保持默认值“否”即可，不记录脏数据。
- 作业运行完是否删除：这里保持默认值“不删除”。
- 单击“保存并运行”，回到作业管理界面，在作业管理界面可查看作业执行进度和结果。
- 作业执行成功后，单击作业操作列的“历史记录”，可查看该作业的历史执行记录、读取和写入的统计数据。
在历史记录界面单击“日志”，可查看作业的日志信息。
