文档首页/ MapReduce服务 MRS/ 组件操作指南（LTS版）/ 使用Loader/ 创建Loader数据导入作业/ 使用Loader从SFTP服务器导入数据到Hive
更新时间：2024-08-16 GMT+08:00
查看PDF
分享

使用Loader从SFTP服务器导入数据到Hive

操作场景

该任务指导用户使用Loader将数据从SFTP服务器导入到Hive。

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。
  • 确保用户已授权访问作业中指定的Hive表的权限。
  • 获取SFTP服务器使用的用户和密码，且该用户具备SFTP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SFTP服务器导入数据时，确保SFTP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

  1. 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

  2. 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”。

  3. 在“连接”区域，单击“添加”新建一个的连接，在“连接器”中选择“sftp-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SFTP服务器操作数据，单击“添加”可增加多行SFTP服务器的配置信息。

    表1 连接参数

    参数名

    说明

    示例

    名称

    SFTP服务器连接的名称。

    sftpName

    Sftp服务器的IP

    SFTP服务器的IP地址。

    10.16.0.1

    Sftp服务器端口

    SFTP服务器的端口号。

    22

    Sftp用户名

    访问SFTP服务器的用户名。

    root

    Sftp密码

    访问SFTP服务器的密码。

    xxxx

    Sftp公钥

    Sftp服务器公钥。

    OdDt/yn...etM

    配置多个SFTP服务器，多个服务器指定目录的数据将导入到Hive。

    设置数据源信息

  4. 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

    SFTP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

    过滤器类型

    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SFTP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

  5. 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

    Hive输出

    HTML输入

    Hive输出

    固定宽度文件输入

    Hive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

  6. 单击“下一步”，进入“输出设置”界面，在“存储类型”选择“HIVE”，设置数据保存方式。

    表4 输出设置参数

    参数名

    说明

    示例

    输出目录

    数据导入到Hive里存储的保存目录。

    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

    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SFTP服务器当前最大连接数作为其取值。

    20

    Map数据块大小

    Hive不支持此参数，请配置“Map数”。

    -

  7. 单击“保存并运行”，开始保存并运行作业。

    查看作业完成情况

  8. 进入“Loader WebUI”界面，待“状态”显示“成功”则说明作业完成。

    图4 查看作业