大数据NiFi(十八):离线同步MySQL数据到HDFS

举报
Lansonli 发表于 2023/02/21 16:11:48 2023/02/21
【摘要】 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。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Avr...

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。

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 Oracle Oracle 12+ MS SQL 2012+ MS SQL 2008 MySQL PostgreSQL

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。

  • Generic 通用类型
  • Oracle
  • Oracle 12+
  • MS SQL 2012+
  • MS SQL 2008
  • MySQL
  • PostgreSQL

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.Driver
  • MySQL 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

none array

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

true false

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 string the 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)


none array

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

replace ignore fail append

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 changed

mysql> 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。
【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。