您的位置:首页 > 时尚网 > 聚焦 > 看点 > 大数据NiFi(十八):离线同步MySQL数据到HDFS

大数据NiFi(十八):离线同步MySQL数据到HDFS

时间:2023-02-23 08:05:38 来源:腾讯云

离线同步MySQL数据到HDFS

案例:使用NiFi将MySQL中数据导入到HDFS中。

以上案例用到的处理器有“QueryDatabaseTable”、“ConvertAvroToJSON”、“SplitJson”、“PutHDFS”四个处理器。


(相关资料图)

一、配置“QueryDatabaseTable”处理器

该处理器主要使用提供的SQL语句或者生成SQL语句来查询MySQL中的数据,查询结果转换成Avro格式。该处理器只能运行在主节点上。

关于“QueryDatabaseTable”处理器的“Properties”配置的说明如下:

配置项

默认值

允许值

描述

Database Connection Pooling Service(数据库连接池服务)

用于获得与数据库的连接的Controller Service。

Database Type(数据库类型)

Generic

选择数据库类型。Generic 通用类型OracleOracle 12+MS SQL 2012+MS SQL 2008MySQLPostgreSQL

Table Name(表名)

查询数据库的表名,当使用“Custom Query”时,此为查询结果的别名,并作为FlowFile中的属性。

Columns to Return(返回的列)

查询返回的列,多个列使用逗号分隔。如果列中有特殊名称需要加引号,则所有列都需要加引号处理。

Additional WHERE clause(where条件)

在构建SQL查询时添加到WHERE条件中的自定义子句。

Custom Query(自定义SQL查询)

自定义的SQL语句。该查询被构建成子查询,设置后不会从其他属性构建SQL查询。自定义SQL不支持Order by查询。

Maximum-value Columns(最大值列)

指定增量查询获取最大值的列,多列使用逗号分开。指定后,这个处理器只能检索到添加/更新的行。不能设置无法比较大小的列,例如:boolean/bit。如果不指定,则参照表中所有的列来查询全量数据,这会对性能产生影响。

Max Wait Time(最大超时时间)

0 seconds

SQL查询最大时长,默认为0没有限制,设置小于0的时间默认为0。

Fetch Size(拉取数据量)

0

每次从查询结果中拉取的数据量。

Max Rows Per Flow File(每个FlowFile行数)

0

在一个FlowFile文件中的数据行数。通过这个参数可以将很大的结果集分到多个FlowFile中。默认设置为0,所有结果存入一个FlowFile。

Output Batch Size(数据输出批次量)

0

输出的FlowFile批次数据大小,当设置为0代表所有数据输出到下游关系。如果数据量很大,则有可能下游很久没有收到数据,如果设置了,则每次达到该数据量就释放数据,传输到下游。

Maximum Number of Fragments(最大片段数)

0

设置返回的最大数据片段数,设置0默认将所有数据片段返回,如果表非常大,设置后可以防止OOM错误。

Normalize Table/Column Names(标准表/列名)

false

truefalse

是否将列名中不兼容avro的字符修改为兼容avro的字符。例如,冒号和句点将被更改为下划线,以构建有效的Avro记录。

Transaction Isolation Level

设置事务隔离级别。

Use Avro Logical Types(使用Avro逻辑类型)

false

truefalse

是否对DECIMAL/NUMBER, DATE, TIME 和 TIMESTAMP 列使用Avro逻辑类型。

Default Decimal Precision(Decimal数据类型位数)

10

当 DECIMAL/NUMBER 数据类型转换成Avro类型数据时,指定的数据位数。

Default Decimal Scale(Decimal 数据类型小数位数)

0

当 DECIMAL/NUMBER 数据类型转换成Avro类型数据时,指定的小数点后的位数。

Generic 通用类型OracleOracle 12+MS SQL 2012+MS SQL 2008MySQLPostgreSQL

Table Name(表名)查询数据库的表名,当使用“Custom Query”时,此为查询结果的别名,并作为FlowFile中的属性。 Columns to Return (返回的列) 查询返回的列,多个列使用逗号分隔。如果列中有特殊名称需要加引号,则所有列都需要加引号处理。 Additional WHERE clause (where条件) 在构建SQL查询时添加到WHERE条件中的自定义子句。 Custom Query (自定义SQL查询) 自定义的SQL语句。该查询被构建成子查询,设置后不会从其他属性构建SQL查询。自定义SQL不支持Order by查询。 Maximum-value Columns (最大值列) 指定增量查询获取最大值的列,多列使用逗号分开。指定后,这个处理器只能检索到添加/更新的行。不能设置无法比较大小的列,例如:boolean/bit。如果不指定,则参照表中所有的列来查询全量数据,这会对性能产生影响。 Max Wait Time(最大超时时间)0 seconds SQL查询最大时长,默认为0没有限制,设置小于0的时间默认为0。 Fetch Size(拉取数据量)0 每次从查询结果中拉取的数据量。 Max Rows Per Flow File(每个FlowFile行数)0 在一个FlowFile文件中的数据行数。通过这个参数可以将很大的结果集分到多个FlowFile中。默认设置为0,所有结果存入一个FlowFile。 Output Batch Size(数据输出批次量)0 输出的FlowFile批次数据大小,当设置为0代表所有数据输出到下游关系。如果数据量很大,则有可能下游很久没有收到数据,如果设置了,则每次达到该数据量就释放数据,传输到下游。 Maximum Number of Fragments(最大片段数)0 设置返回的最大数据片段数,设置0默认将所有数据片段返回,如果表非常大,设置后可以防止OOM错误。 Normalize Table/Column Names(标准表/列名)false true false 是否将列名中不兼容avro的字符修改为兼容avro的字符。例如,冒号和句点将被更改为下划线,以构建有效的Avro记录。 Transaction Isolation Level 设置事务隔离级别。 Use Avro Logical Types(使用Avro逻辑类型)false true false 是否对DECIMAL/NUMBER, DATE, TIME 和 TIMESTAMP 列使用Avro逻辑类型。 Default Decimal Precision(Decimal数据类型位数)10 当 DECIMAL/NUMBER 数据类型转换成Avro类型数据时,指定的数据位数。 Default Decimal Scale(Decimal 数据类型小数位数)0 当 DECIMAL/NUMBER 数据类型转换成Avro类型数据时,指定的小数点后的位数。

配置步骤如下:

1、新建“QueryDatabaseTable”处理器

2、配置“SCHEDULING”调度时间

这里调度时间配置为99999s,读取数据库,这里读取一次即可,默认0会不间断读取数据库会对服务器造成非常大压力。执行仅支持“Primary”主节点运行。

3、配置“PROPERTIES”

配置“Database Connection Pooling Service”选择创建,在弹出页面中可以按照默认选择直接点击“Create”。

点击“->”继续配置MySQL连接:

在弹出的页面中填入:

连接MysqlURL:

jdbc:mysql://192.168.179.5:3306/mynifi?characterEncoding=UTF-8&useSSL=false

MySQL驱动类:com.mysql.jdbc.DriverMySQL jar包路径:需要提前在NiFI集群各个节点上创建对应目录并上传jar包。连接mysql的用户名和密码。

通过以上配置好连接mysql如下:

配置其他属性如下:

二、​​​​​​​配置“ConvertAvroToJSON”处理器

此处理器是将二进制Avro记录转换为JSON对象,提供了一个从Avro字段到JSON字段的直接映射,这样得到的JSON将具有与Avro文档相同的层次结构。输出的JSON编码为UTF-8编码,如果传入的FlowFile包含多个Avro记录,则转换后的FlowFile是一个含有所有Avro记录的JSON数组或一个JSON对象序列(每个Json对象单独成行)。如果传入的FlowFile不包含任何记录,则输出一个空JSON对象。

关于“ConvertAvroToJSON”处理器的“Properties”配置的说明如下:

配置项

默认值

允许值

描述

JSON container options(Json选择)

array

nonearray

如何解析Json对象,none:解析Json将每个Json对象写入新行。array:解析到的json存入JsonArray一个对象

Wrap Single Record(数据库类型)

false

truefalse

指定解析到的空记录或者单条记录是否按照“JSON container options”配置包装对象。

Avro schema(表名)

如果Avro数据没有Schema信息,需要配置。

配置步骤如下:

1、创建“ConvertAvroToJSON”处理器

2、配置“PROPERTIES”

3、连接“QueryDatabaseTable”处理器和“CovertAvroToJSON”处理器

连接好两个处理器后,可以配置“Connection”为负载均衡方式传递数据:

三、​​​​​​​配置“SplitJson”处理器

该处理器使用JsonPath表达式指定需要的Json数组元素,将Json数组中的多个Json对象切分出来,形成多个FlowFile。每个生成的FlowFile都由指定数组中的一个元素组成,并传输到关系"split",原始文件传输到关系"original"。如果没有找到指定的JsonPath,或者没有对数组元素求值,则将原始文件路由到"failure",不会生成任何文件。

关于“SplitJson”处理器的“Properties”配置的说明如下:

配置项

默认值

允许值

描述

JsonPath Expression(Json表达式)

一个JsonPath表达式,它指定用以分割的数组元素。

Null Value Representation(Null值表示)

empty string

empty stringthe string "null"

指定结果为空值时的表示形式。

配置步骤如下:

1、创建“SplitJson”处理器

2、配置“PROPERTIES”

3、连接“ConvertAvroToJSON”处理器和“SplitJson”处理器

连接后,连接关系选择“success”:

同时配置“ConverAvroToJSON”处理失败的数据自动终止:

四、配置“PutHDFS”处理器

该处理器是将FlowFile数据写入到HDFS分布式文件系统中。关于“PutHDFS”处理器的“Properties”主要配置的说明如下:

配置项

默认值

允许值

描述

Hadoop Configuration Resources(Hadoop配置)

nonearray

HDFS配置文件,一个文件或者由逗号分隔的多个文件。不配置将在ClassPath中寻找‘core-site.xml’或者‘hdfs-site.xml’文件。

Directory(目录)

需要写入文件的HDFS父目录。如果目录不存在,将创建该目录。

Conflict Resolution Strategy(冲突解决)

fail

replaceignorefailappend

指示当输出目录中已经存在同名文件时如何处理。

配置步骤如下:

1、创建“PutHDFS”处理器

2、配置“PROPERTIES”

注意:以上需要在各个NiFi集群节点上创建“/root/test”目录,并且在该目录下上传hdfs-site.xml和core-site.xml文件。

3、连接“SplitJson”处理器和“PutHDFS”处理器

同时设置“SplitJson”处理器中“failure”和“original”数据关系自动终止。

设置“PutHDFS”处理器“success”和“failure”数据关系自动终止:

配置好的连接关系如下:

五、​​​​​​​​​​​​​​运行测试

1、在MySQL创建库“mynifi”,并且创建表“test1”,向表中插入10条数据

mysql> create database mynifi;Query OK, 1 row affected (0.02 sec)mysql> use mynifi;Database changedmysql> create table test1(id int,name varchar(255),age int );Query OK, 0 rows affected (0.07 sec)mysql> insert into test1 values (1,"zs",18),(2,"ls",19),(3,"ww",20),(4,"ml",21),(5,"tt",22)

2、首先启动“QueryDatabaseTable”处理器观察队列数据

3、单独启动“ConvertAvroToJson”处理器观察队列数据

4、单独启动“SplitJson”处理器观察队列数据

5、单独启动“PutHDFS”处理器观察HDFS对应目录数据

查看数据:

注意:

如果在“QueryDatabaseTable”处理器中设置增属性“Maximum-value Columns”为id,那么每次查询都是大于id的增量数据。如果想要存入HDFS文件为多行而不是一行,可以将“CovertAvroToJson”处理器属性“JSON container options”设置为none,直接解析Avro文件得到一个个json数据,然后直接连接“PutHDFS”处理器即可。

标签: PostgreSQL JSON 云数据库 Server

分享到: