Greenplum(4.3.8.2)使用GPHDFS协议创建外部表访问CDH5.7.0环境的HDFS文件系统

Greenplum(4.3.8.2)使用GPHDFS协议创建外部表访问CDH5.7.0环境的HDFS文件系统

1.       环境

CDH 5.7.0集成环境，其中Hadoop版本为2.6.0

Greenplum版本为4.3.8.2

2.       安装部署

第一步：所有segment，master和standby master节点都安装Java 1.6及以上版本(CDH5.7.0已经部署，略过)

第二步：安装GPDB(Greenplum Database)支持的Hadoop版本，参考如下描述：

         针对上面的表格内容进行说明：

(1). Pivotal HD 1.0 is a distribution of Hadoop 2.0.

(2). For CDH 4.1, only CDH4 with MRv1 is supported.

(3). MapR requires the MapR client software.

对于我们的CDH 5.7.0，经过相关源码分析和测试也是完全支持的。

3.       确保GPDB的用户gpadmin对Hadoop库文件和HDFS文件系统有read和write权限。

4.       在所有的segments上配置环境信息

a.       先查看Java版本和家目录

[gpadmin@CDHA ~]$ echo $JAVA_HOME

/usr/java/default

[gpadmin@CDHA ~]$ ll /usr/java/

total 8

lrwxrwxrwx 1 root root   16 Jun  8 10:29 default -> /usr/java/latest

drwxr-xr-x 8 root root 4096 Jun  8 10:28 jdk1.7.0_80

lrwxrwxrwx 1 root root   21 Jun  8 10:29 latest -> /usr/java/jdk1.7.0_80

b.       gpadmin用户下面的.bashrc文件中添加如下内容：

export JAVA_HOME=/usr/java/default

export HADOOP_HOME=/opt/cloudera/parcels/CDH/lib/hadoop

c.       配置GPDB服务器的系统参数并使参数生效

gpconfig -c gp_hadoop_target_version -v "'cdh5'"

gpconfig -c gp_hadoop_home -v "'/opt/cloudera/parcels/CDH/lib/hadoop'"

gpstop -u

5.       对于CDH版本来说，需要定制$GPHOME/lib/hadoop/hadoop_env.sh内容

因为CDH版本的hadoop的jar包路径和开源的Hadoop版本的目录结构不一样，需要需要配置Jar的路径，需要在$GPHOME/lib/hadoop/hadoop_env.sh文件中添加如下内容：

#添加到文件的开头

export JAVA_HOME=/usr/java/default

export HADOOP_HOME=/opt/cloudera/parcels/CDH/lib/hadoop

source /usr/local/greenplum-db/greenplum_path.sh

#我的内容是添加到文件中的注释#for hadoop 2.0下面，其他地方都可以，只要能加载到Jar即可

#for hadoop 2.0

#added by Greenplum begin

for f in /opt/cloudera/parcels/CDH/jars/hadoop-*.jar;do

CLASSPATH=${CLASSPATH}:$f;

done

#added by Greenplum end

在一个节点配置完成后，可以同步此文件到所有节点。

最后重启GP数据库：

gpstop

6.       为HDFS protocol赋权限

为了能够创建外部表访问HDFS文件，使用创建外部表的用执行如下操作：

#写权限

GRANT INSERT ON PROTOCOL gphdfs TO gpadmin;

#读权限

GRANT SELECT ON PROTOCOL gphdfs TO gpadmin;

#所有权限

GRANT ALL ON PROTOCOL gphdfs TO gpadmin;

7.       创建外部表进行测试

a.       创建HDFS文件

[hdfs@CDHA ~]$ hdfs dfs -cat hdfs://CDHM:8020/gptest/external_test.txt

1|HADOOP

2|SPARK

b.       创建外表表

create external table external_test

(

       id int,

       name text

)

LOCATION ('gphdfs://CDHM:8020/gptest/external_test.txt')

FORMAT 'TEXT' (delimiter '|');

c.       查询外部表数据

zy_db_safe=# select * from external_test;

 id |  name 

-----+--------

1  | HADOOP

2  | SPARK

(2 rows)

8.       将外部表数据导入事实表

a.       先查看GP中create table as的语法

CREATE [ [GLOBAL | LOCAL] {TEMPORARY | TEMP} ] TABLE table_name

   [(column_name [, ...] )]

   [ WITH ( storage_parameter=value [, ... ] )

   [ON COMMIT {PRESERVE ROWS | DELETE ROWS | DROP}]

   [TABLESPACE tablespace]

   AS query

   [DISTRIBUTED BY (column, [ ... ] ) | DISTRIBUTED RANDOMLY]

where storage_parameter is:

   APPENDONLY={TRUE|FALSE}

   BLOCKSIZE={8192-2097152}

   ORIENTATION={COLUMN|ROW}

   COMPRESSTYPE={ZLIB|QUICKLZ|RLE_TYPE|NONE}

   COMPRESSLEVEL={0-9}

   CHECKSUM={TRUE|FALSE}

   FILLFACTOR={10-100}

       OIDS[=TRUE|FALSE]

b.       创建事实表，导入数据

create table test (id, name)

with (APPENDONLY=true,BLOCKSIZE=8192,ORIENTATION=column,COMPRESSTYPE=QUICKLZ) as select * from external_test               

distributed by (id);

c.       查看数据和在segment上面分布

zy_db_safe=# select * from test;

 id |  name 

----+--------

  1 | HADOOP

  2 | SPARK

(2 rows)

zy_db_safe=# select gp_segment_id,count(1) from test group by 1;                                                                                                     

 gp_segment_id | count

---------------+-------

            34 |     1

            39 |     1

(2 rows)