使用sqoop导入postgresql数据到Hbase

前言

随着业务和大数据技术的发展，越来越多的公司需要在后端架设Hbase数据库，而原有的业务则需要从各种RDBMS数据库中迁移到Hbase当中。Appach的sqoop（发音：[skup]）就是基于这样的需求而诞生的，本文详细记录了一个通过sqoop将数据从postgresql迁移到Hbase的例子。

前期准备和假设

要完成数据的迁移，那前期毋庸置疑，目的集群上一定是已经安装好了:

• java
• hadoop
• habase
• ZoopKeeper

在我的例子中:

• java的版本是oracle 1.7.0.25.
• hadoop的版本是hadoop-2.7.3，10个机器的集群，2个namenode, 8个- datanode
• hbase的版本是hbase-1.3.0, 7个机器的集群，2个source manager(一个backup master), 6个HRegionServer
• zoopkepper的版本是zookeeper-3.4.8，7个节点

具体的集群安装，可以参考网上的各种文章。

这里需要注意的是，其实sqoop已经不支持最新版本的hbase了，但本文的操作至少是可以做的：
Sqoop does not support the latest versions of Hbase yet. The latest of Sqoop is compatible with versions of Hbase <= 0.95.2, there is an open issue (SQOOP-2759) for this hbase-sqoop integration.

sqoop的安装

下载：

http://mirrors.cnnic.cn/apache/sqoop/1.4.6/sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz

安装

将sqoop解压到“/usr/lib/sqoop”目录.

$tar -xvf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz
# mv sqoop-1.4.6.bin__hadoop-2.0.4-alpha /usr/lib/sqoop

配置

把sqoop相关的环境变量配置到 ~/.bashrc 文件：

export SQOOP_HOME=/usr/lib/sqoop 
export PATH=$PATH:$SQOOP_HOME/bin

然后source ~/.bashrc 文件.

$ source ~/.bashrc

复制创建sqoop-env.sh

mv sqoop-env-template.sh       sqoop-env.sh

修改 sqoop-env.sh 加入下面三行，根据集群情况填写

HADOOP_COMMON_HOME=/opt/hadoop-2.7.3/

HADOOP_MAPRED_HOME=/opt/hadoop-2.7.3/

HBASE_HOME=/opt/hbase-1.3.0

添加jar包

下载postgresql的jdbc驱动，并放置到sqoop的lib目录

Crl -L 'http://jdbc.postgresql.org/download/postgresql-9.2-1002.jdbc4.jar' -o postgresql-9.2-1002.jdbc4.jar
mv postgresql-9.2-1002.jdbc4.jar /usr/lib/sqoop/lib/

测试

进入sqoop的bin目录下执行命令

./sqoop-list-tables --connect jdbc:mysql://your_postgresql_address:port/your_db_name --username mysqlusername --P

然后提示输入密码，输入数据库登录密码即可。然后终端显示该数据库下的所有表名称。表示Sqoop安装成功

使用sqoop导入postgresql的数据

现在我的postgresql里面有多张表：

假设准备导入aswu_operation这张表。因为sqoop不支持最新版的hbase，因此必须手动的在Hbase里面创建一张表来存储postgresql里的aswu_operation表。这里，仍然采用aswu_operation作为表名：

hbase(main):002:0> create 'aswu_operation' 'Op_info'

然后执行sqoop的import命令。

sqoop import --connect jdbc:postgresql://10.141.47.194/aswudb --table aswu_operation --hbase-table aswu_operation --column-family Op_info --hbase-row-key id --username postgres --P

该语句的意思是从jdbc:postgresql中读入aswu_operation表到Hbase的aswu_operation表，postgresql的aswu_operation表中的所有column，都归入到Hbase的aswu_operation表的‘Op_info’column family。而Hbase的aswu_operation表的row key采用postgresql的aswu_operation表中的id字段。

相关的命令的具体解释：

   --table <table-name>          Table to read
HBase arguments:
   --column-family <family>    Sets the target column family for the
                               import
   --hbase-bulkload            Enables HBase bulk loading
   --hbase-create-table        If specified, create missing HBase tables
   --hbase-row-key <col>       Specifies which input column to use as the row key
   --hbase-table <table>       Import to <table> in HBase

在该命令执行之后，sqoop会生成mapreduce的job，会有多个task并行的从postgresql上读取数据，并往hbase上插入数据。因为配置了集群的缘故，会有多个节点尝试去访问postgresql。因此，需要在postgresql上打开这些节点的访问权限。具体方法是编辑pg_hba.conf文件，加入各个hadoop节点的ip访问权限：

# IPv4 local connections:
host    all             all             127.0.0.1/32            md5
host    all             all             10.157.69.85/31            md5
host    all             all             10.157.69.216/31            md5
host    all             all             10.157.70.158/31            md5
host    all             all             10.157.70.38/31            md5
host    all             all             10.157.65.174/31            md5
host    all             all             10.157.68.60/31            md5
host    all             all             10.157.69.216/31            md5
host    all             all             10.157.66.49/31            md5
host    all             all             10.157.67.63/31            md5

完成之后，会看到如下输出：

打开hbase,查询数据是否已经插入：

hbase(main):002:0> get 'aswu_operation', '1'
COLUMN                                CELL
 Op_info:end_time                     timestamp=1488176106248, value=2017-02-27 13:14:20.818
 Op_info:failed_steps                 timestamp=1488176106248, value=0
 Op_info:last_updated                 timestamp=1488176106248, value=2017-02-27 13:14:20.818
 Op_info:progress                     timestamp=1488176106248, value=0
 Op_info:restart_possible             timestamp=1488176106248, value=false
 Op_info:start_time                   timestamp=1488176106248, value=2017-02-27 13:14:00.193
 Op_info:status                       timestamp=1488176106248, value=SUCCEED
 Op_info:success_steps                timestamp=1488176106248, value=1
 Op_info:target                       timestamp=1488176106248, value={"externalFmReportId":1}
 Op_info:target_name                  timestamp=1488176106248, value=
 Op_info:total_steps                  timestamp=1488176106248, value=1
 Op_info:type                         timestamp=1488176106248, value=FM_REPORT
 Op_info:version                      timestamp=1488176106248, value=1
 operation:end_time                   timestamp=1488183791964, value=2017-02-27 13:14:20.818
 operation:failed_steps               timestamp=1488183791964, value=0
 operation:last_updated               timestamp=1488183791964, value=2017-02-27 13:14:20.818
 operation:progress                   timestamp=1488183791964, value=0
 operation:restart_possible           timestamp=1488183791964, value=false
 operation:start_time                 timestamp=1488183791964, value=2017-02-27 13:14:00.193
 operation:status                     timestamp=1488183791964, value=SUCCEED
 operation:success_steps              timestamp=1488183791964, value=1
 operation:target                     timestamp=1488183791964, value={"externalFmReportId":1}
 operation:target_name                timestamp=1488183791964, value=
 operation:total_steps                timestamp=1488183791964, value=1
 operation:type                       timestamp=1488183791964, value=FM_REPORT
 operation:version                    timestamp=1488183791964, value=1
1 row(s) in 0.3200 seconds

可以看到对应的数据已经插入到Hbase里面。

修改Row Key

从上面已经完成的步骤，我们可以看到数据表已经被迁移到了Hbase当中，但我们知道在Hbase当中，row-key的设计非常重要。不可能简单的使用RDBMS中的主键（一般是big interger的id）作为row-key。row-key需要根据业务场景的需求，能够方便通过排序，筛选等操作得到我们需要读取或操作的数据集。因此，在导入的过程中，我们需要对Row key进行一定的变形或修饰。具体做法如下：

自定义PutTransformer类

sqoop在往hbase插入数据时，会调用类PutTransformer来生成插入hbase需要的Put类，该Put类定义了如何生成rowkey, cloumn name (column family name + column name)和column value。通过修改Put对象的行为，我们可以轻松的修改row key, column name和column value。
因此我们需要自定义PutTransformer的行为，并通过命令行参数，告诉sqoop使用我们自定义的PutTransformer类。一下是一个简单的定义。首先我们需要先extend PutTransformer。再对getPutCommand方法进行override。
具体这个类的行为，大部分代码可以参考sqoop本身自带的ToStringPutTransformer类。
这里的关键是这句：

 Put put = new Put( Bytes.toBytes( rowKey.toString() + ":operation" ) );

为rowkey加上了一个“operation”的后缀。
具体代码如下：

package com.sqoop.example;

import java.io.IOException;
import java.util.Collections;
import java.util.List;
import java.util.Map;
import java.util.TreeMap;

import org.apache.hadoop.hbase.client.Put;
import org.apache.hadoop.hbase.util.Bytes;
import org.apache.sqoop.hbase.PutTransformer;

/**
 * @author Lex Li
 * @date 27/02/2017
 */
public class AswuOperationTransFormat
 extends PutTransformer
{
    private Mapbyte[]> serializedFieldNames;

    public AswuOperationTransFormat()
    {
        serializedFieldNames = new TreeMapbyte[]>();
    }

    /**
 * Return the serialized bytes for a field name, using the cache if it's already in there.
 */
    private byte[] getFieldNameBytes( String fieldName )
    {
        byte[] cachedName = serializedFieldNames.get( fieldName );
        if( null != cachedName )
        {
            // Cache hit. We're done.
            return cachedName;
        }
        // Do the serialization and memoize the result.
        byte[] nameBytes = Bytes.toBytes( fieldName );
        serializedFieldNames.put( fieldName, nameBytes );
        return nameBytes;
    }

    @Override
    public List getPutCommand( Map map ) throws IOException
    {
        String rowKeyCol = getRowKeyColumn();
        String colFamily = getColumnFamily();
        byte[] colFamilyBytes = Bytes.toBytes( colFamily );
        Object rowKey = map.get( rowKeyCol );
        if( null == rowKey )
        {
            // If the row-key column is null, we don't insert this row.
            return null;
        }
        Put put = new Put( Bytes.toBytes( rowKey.toString() + ":operation" ) );
        for( Map.Entry fieldEntry : map.entrySet() )
        {
            String colName = fieldEntry.getKey();
            if( !colName.equals( rowKeyCol ) )
            {
                // This is a regular field, not the row key.
                // Add it if it's not null.
                Object val = fieldEntry.getValue();
                if( null != val )
                {
                    put.add( colFamilyBytes, getFieldNameBytes( colName ), Bytes.toBytes( val.toString() ) );
                }
            }
        }
        return Collections.singletonList( put );
    }
}

编译自定义的PutTransformer类，并重新打包

• 新建一个工程，加入如下依赖
  

org.apache.sqoop
sqoop
1.4.6


• 编译刚才的AswuOperationTransFormat类。
• 解压sqoop-1.4.6.jar到sqoop-1.4.6目录
• 将编译出来的AswuOperationTransFormat.class文件（连同目录结构。com.sqoop.example），一并加入到 sqoop-1.4.6目录中。
• jar -cvf sqoop-1.4.6.jar sqoop-1.4.6/重新生成sqoop-1.4.6.jar文件。
• 将sqoop-1.4.6.jar替换/usr/lib/sqoop下的sqoop-1.4.6.jar文件

指定需要运行的PutTransformer类

在sqoop import的命令行中加入：

 -D sqoop.hbase.insert.put.transformer.class=com.sqoop.example.AswuOperationTransFormat

具体的就是：

 sqoop import -D sqoop.hbase.insert.put.transformer.class=com.sqoop.example.AswuOperationTransFormat --connect jdbc:postgresql://10.141.47.194/aswudb --table aswu_operation --hbase-table aswu_operation --column-family Op_info --hbase-row-key id --username postgres --P

完成后，进入Hbase查看：

 10005:operation                      column=Op_info:end_time, timestamp=1488266002107, value=2017-02-28 12:47:08.509
 10005:operation                      column=Op_info:error_code, timestamp=1488266002107, value=ASWUR01
 10005:operation                      column=Op_info:error_description, timestamp=1488266002107, value=Unexpected error appears. Try to fail main o
                                      peration.
 10005:operation                      column=Op_info:failed_steps, timestamp=1488266002107, value=1
 10005:operation                      column=Op_info:last_updated, timestamp=1488266002107, value=2017-02-28 12:47:08.509
 10005:operation                      column=Op_info:progress, timestamp=1488266002107, value=0
 10005:operation                      column=Op_info:restart_possible, timestamp=1488266002107, value=true
 10005:operation                      column=Op_info:software_package_title, timestamp=1488266002107, value=4G
 10005:operation                      column=Op_info:start_time, timestamp=1488266002107, value=2017-02-28 12:47:08.364
 10005:operation                      column=Op_info:status, timestamp=1488266002107, value=FAILED
 10005:operation                      column=Op_info:success_steps, timestamp=1488266002107, value=0
 10005:operation                      column=Op_info:target, timestamp=1488266002107, value=CLUSTER-1269/PLMN-PLMN/MRBTS-567
 10005:operation                      column=Op_info:target_name, timestamp=1488266002107, value=
 10005:operation                      column=Op_info:total_steps, timestamp=1488266002107, value=2
 10005:operation                      column=Op_info:type, timestamp=1488266002107, value=SW_UPLOAD
 10005:operation                      column=Op_info:version, timestamp=1488266002107, value=1
10 row(s) in 0.4560 seconds

所有的row key加上了”：operation”的后缀