如何使用StreamSets实时收集指定数据目录文件并写入库Kudu

Fayson在上面写过多篇StreamSets的文章，本篇文章主要介绍通过StreamSets实时的方法调用本地的数据文件，通过解读处理将文件中的内容写入至Kudu中。在进行本篇文章学习前你还必须知道：

《0220-如何在CDH中安装和使用StreamSets》

1.测试环境准备

2.准备测试数据

3.配置StreamSets

4.流程测试及数据验证

1.RedHat7.4

2.CM和CDH版本为6.1.0

3.Kudu 1.8.0

1.通过Hue使用Impala创建一个Kudu表，创建脚本如下：

CREATE TABLE user_info_kudu (
 id STRING COMPRESSION snappy,
 name STRING COMPRESSION snappy,
 sex STRING COMPRESSION snappy,
 city STRING COMPRESSION snappy,
 occupation STRING COMPRESSION snappy,
 mobile_phone_num STRING COMPRESSION snappy,
 fix_phone_num STRING COMPRESSION snappy,
 bank_name STRING COMPRESSION snappy,
 address STRING COMPRESSION snappy,
 marriage STRING COMPRESSION snappy,
 child_num INT COMPRESSION snappy,
 PRIMARY KEY (id)
)
 PARTITION BY HASH PARTITIONS 16
STORED AS KUDU
 TBLPROPERTIES ('kudu.master_addresses'='master,hadoop13'
);

在创建Kudu表的之后增加了kudu.master的配置参数，如果Impala中未集成kudu则必须降低该参数，集成方法如下：

2.准备测试数据文件

[root@hadoop13 data]# cat user_infoaa.txt 
411025200708151236,濮敬才,1,竹山县,生产工作、运输工作和部分体力劳动者,13702734056,15103111241,广州银行48,台东东二路21号-20-7,0,2
653000199408254560,人思巧,0,怀化,商业工作人员,15305590235,15306212544,广州银行17,台东东二路21号-20-7,0,0
500000195305076075,詹致,1,商丘,企事业单位的负责人,13507721161,15105419035,广州银行81,台东东二路21号-20-2,0,4
130522198207211990,和东,1,阳泉,商业工作人员,13205104083,13105301541,广州银行6,台东东二路21号-2-9,0,0

准备了两个数据文件共100条测试数据dat info是什么格式，数据的id是唯一的。

3.在StreamSets服务所在节点上建立一个/data1/tmp的数据目录，用于配置StreamSets的采集目录

1.登录StreamSets，创建一个directory2kudu的Pipline

2.在Pipline流程中添加Directory作为源并配置基础信息

3.配置Kafka相关信息，如Broker、ZK及Topic

配置采集的数据目录及文件写入方式

配置数据格式化方式，由于数据文件是以“,”分割因此选择CSV方式

Root Field Type选择为List，为会每行数据转换成List<Map<String, String>>格式的数据。

4.配置数据解读模块，这里选择使用“JavaScript Evaluator”

在JavaScript配置项选择处理数据的方法为Batch by Batch

配置数据解析代码，在Script配置项增加如下代码片段

for(var i = 0; i < records.length; i++) {
 try {
 var info = records[i];
 var newRecord = sdcFunctions.createRecord(true);
 var userInfoMap = sdcFunctions.createMap(true);
 userInfoMap.id = info.value[0]['value'];
 userInfoMap.name = info.value[1]['value'];
 userInfoMap.sex = info.value[2]['value'];
 userInfoMap.city = info.value[3]['value'];
 userInfoMap.occupation = info.value[4]['value'];
 userInfoMap.tel = info.value[5]['value'];
 userInfoMap.fixPhoneNum = info.value[5]['value'];
 userInfoMap.bankName = info.value[7]['value'];
 userInfoMap.address = info.value[8]['value'];
 userInfoMap.marriage = info.value[9]['value'];
 userInfoMap.childNum = info.value[10]['value'];
 newRecord.value = userInfoMap;
 output.write(newRecord);
 } catch (e) {
 // Send record to error
 error.write(records[i], e);
 }
}

5.添加Kudu模块及配置基本信息

6.配置Kudu的Master、Table、Operation等

Kudu Masters:可以配置多个dat info是什么格式，多个地址以“,”分割

Table Name：如果使用Impala创建的Kudu表则必须添加impala::前缀

Field to Column Mapping：配置Json中key与Kudu表的column的映射关系，如果字段名称一致则不需要配置。

Default Opertation：设置操作类型如：insert、upsert、delete

1.启动的directory2kudu，启动成功如下图显示

2.向/data1/tmp目录下拷贝一个准备好的数据文件

可以发现Pipline监控数据的变化，采集到50条数据

user_info_kudu表数据显示有50条记录

3.再次向/data1/tmp目录拷贝一个数据文件

可以发现Pipline监控数据的变化，采集到100条数据

user_info_kudu表数据显示有100条记录

入库的数据总条数

1.通过StreamSets可以便捷的指定的数据目录进行数据收集，可以在Directory模块上配置文件的过滤规则、采集频率或者数据的格式化方式。

2.StreamSets的Directory模块会将数据文件的数据以行为单位解析传输，通过List或着Map的方法封装

3.通过Process提供的JavaScript Evaluator模块来进行数据剖析转换为可Kudu接收大数据格式。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shumachanpin/article-144078-1.html