使用Loader从FTP服务器导入数据到HBase

操作场景

该任务指导用户使用Loader将数据从FTP服务器导入到HBase。

前提条件

创建或获取该任务中创建Loader作业的业务用户和密码。
获取FTP服务器使用的用户和密码，且该用户具备FTP服务器上源文件的读取权限。如果源文件在导入后文件名要增加后缀，则该用户还需具备源文件的写入权限。
检查磁盘空间，确保没有出现告警且余量满足导入、导出数据的大小。
使用Loader从FTP服务器导入数据时，确保FTP服务器输入路径目录名、输入路径的子目录名及子文件名不能包含特殊字符/\"':;,中的任意字符。
如果设置的作业需要使用指定YARN队列功能，该用户需要已授权有相关YARN队列的权限。
设置任务的用户需要获取该任务的执行权限，并获取该任务对应的连接的使用权限。

操作步骤

设置作业基本信息

登录“Loader WebUI”界面。
1. 登录FusionInsight Manager系统，具体请参见访问集群Manager。
2. 选择“集群 > 服务 > Loader”。
3. 单击“LoaderServer(节点名称，主)”打开“Loader WebUI”界面。
  图1 Loader WebUI界面

单击“新建作业”，进入“基本信息”界面，创建作业基本信息。

图2 “基本信息”界面
1. 在“名称”中输入作业的名称。
2. 在“类型”中选择“导入”。
3. 在“组”中设置作业所属组，默认没有已创建的组，单击“添加”创建一个新的组，输入组的名称，单击“确定”保存。
4. 在“队列”中选择执行该作业的YARN队列。默认值“root.default”。
5. 在“优先级”中选择执行该作业的YARN队列优先级。默认值为“NORMAL”。可选值为“VERY_LOW”、“LOW”、“NORMAL”、“HIGH”和“VERY_HIGH”。

在“连接”区域，单击“添加”新建一个的连接，在“连接器”中选择“ftp-connector”，单击“添加”，输入配置连接参数，单击“测试”验证连接是否可用，待提示“测试成功”后单击“确定”。Loader支持配置多个FTP服务器操作数据，单击“添加”可增加多行FTP服务器的配置信息。

表1 连接参数
参数名	说明	示例
FTP服务器的IP	FTP服务器的IP地址。	ftpName
FTP服务器端口	FTP服务器的端口号。	22
FTP用户名	访问FTP服务器的用户名。	root
FTP密码	访问FTP服务器的密码。	xxxx
FTP模式	设置FTP访问模式，“ACTIVE”表示主动模式，“PASSIVE”表示被动模式。不指定参数值，默认为被动模式。	PASSIVE
FTP协议	设置FTP传输协议： “FTP”：FTP协议。 “SSL_EXPLICIT”：显式SSL协议。 “SSL_IMPLICIT”：隐式SSL协议。 “TLS_EXPLICIT”：显式TLS协议。 “TLS_IMPLICIT”：隐式TLS协议。不指定参数值，默认为FTP协议。	FTP
文件名编码类型	填写FTP服务器支持的文件名、文件路径编码格式，不填写时使用系统默认格式UTF-8。	UTF-8

配置多个FTP服务器，多个服务器指定目录的数据将导入到HBase。

设置数据源信息

单击“下一步”，进入“输入设置”界面，设置数据源信息。

表2 输入设置参数
参数名	说明	示例
输入路径	FTP服务器中源文件的输入路径，如果连接器配置多个地址此处可对应使用“;”分隔多个输入路径，数量需要与连接器中服务器的数量一致。说明：路径参数可以使用宏定义，具体请参考Loader算子配置项中使用宏定义。	/opt/tempfile;/opt
文件分割方式	选择按文件或大小分割源文件，作为数据导入的MapReduce任务中各个map的输入文件。选择“FILE”，表示按文件分割源文件，即每个map处理一个或多个完整的源文件，同一个源文件不可分配至不同map，完成数据导入后保持源文件的目录结构。选择“SIZE”，表示按大小分割源文件，即每个map处理一定大小的输入文件，同一个源文件可分割至多个map，数据保存至输出目录时保存的文件数与map数量相同，文件名格式为“import_part_xxxx”，“xxxx”为系统生成的随机数，具有唯一性。	FILE
过滤类型	选择文件过滤的条件，与“路径过滤器”、“文件过滤器”配合使用。选择“WILDCARD”，表示使用通配符过滤。选择“REGEX”，表示使用正则表达式匹配。不选择，则默认为通配符过滤。	WILDCARD
路径过滤器	与“过滤类型”配合使用，配置通配符或正则表达式对源文件的输入路径包含的目录进行过滤。“输入路径”不参与过滤。使用分号“;”分隔多个服务器上的路径过滤器，每个服务器的多个过滤条件使用逗号“,”隔开。配置为空时表示不过滤目录。 “?”匹配单个字符。 “”配置多个字符。在匹配条件前加“^”表示取反，即文件过滤。例如，当“过滤类型”选择“WILDCARD”时，将该参数设置为“”；当“过滤类型”选择“REGEX”时，将该参数设置为“\\.*”。	1,2;1*
文件过滤器	与“过滤类型”配合使用，配置通配符或正则表达式对源文件的输入文件名进行过滤。使用分号“;”分隔多个服务器上的文件过滤器，每个服务器的多个过滤条件使用逗号“,”隔开。该参数不能配置为空。 “?”匹配单个字符。 “”配置多个字符。在匹配条件前加“^”表示取反，即文件过滤。例如，当“过滤类型”选择“WILDCARD”时，将该参数设置为“”；当“过滤类型”选择“REGEX”时，将该参数设置为“\\.*”。	.txt,.csv;*.txt
编码类型	源文件的编码格式，如UTF-8、GBK。导入文本文件时才能配置。	UTF-8
后缀名	源文件导入成功后对输入文件增加的后缀值。该值为空，则表示不加后缀。数据源为文件系统，该参数才有效。用户如果需增量导入数据建议设置该参数。例如设置为“.txt”，源文件为“test-loader.csv”，则导出后源文件名为“test-loader.csv.txt”。	.log
压缩	使用FTP协议导入数据时，是否开启压缩传输功能以减小带宽使用。选择“true”，表示开启压缩。选择“false”，表示关闭压缩。	true

设置数据转换

单击“下一步”，进入“转换”界面，设置数据传输过程中的转换操作。算子的选择和参数设置具体请参考Loader算子帮助及表3。

表3 算子输入、输出参数设置
输入类型	输出类型
CSV文件输入	HBase输出
HTML输入	HBase输出
固定宽度文件输入	HBase输出

图3 算子操作方法示意

设置数据保存信息并运行作业

单击“下一步”，进入“输出设置”界面，根据实际场景在“存储类型”选择“HBASE_BULKLOAD”或“HBASE_PUTLIST”，设置数据保存方式。

表4 输出设置参数
存储类型	适用场景	参数名	说明	示例
HBASE_BULKLOAD	数据量大	HBase实例	在HBase作业中，Loader支持从集群可添加的所有HBase服务实例中选择任意一个。如果选定的HBase服务实例在集群中未添加，则此作业无法正常运行。	HBase
		导入前清理数据	导入前清空原表的数据。“True”为执行清空，“False”为不执行。不配置此参数则默认不执行清空。	true
		Map数	配置数据操作的MapReduce任务中同时启动的map数量。参数值必须小于或等于3000，建议以FTP服务器当前最大连接数作为其取值。	20
		Map数据块大小	HBase不支持此参数，请配置“Map数”。	-
HBASE_PUTLIST	数据量小	HBase实例	在HBase作业中，Loader支持从集群可添加的所有HBase服务实例中选择任意一个。如果选定的HBase服务实例在集群中未添加，则此作业无法正常运行。	HBase
		Map数	配置数据操作的MapReduce任务中同时启动的map数量。参数值必须小于或等于3000。	20
		Map数据块大小	HBase不支持此参数，请配置“Map数”。	-