​实时同步MySQL数据到Hive

案例：将mysql中新增的数据实时同步到Hive中。

以上案例需要用到的处理器有：“CaptureChangeMySQL”、“RouteOnAttribute”、“EvaluateJsonPath”、“ReplaceText”、“PutHiveQL”。

首先通过“CaptureChangeMySQL”读取MySQL中数据的变化（需要开启MySQL binlog日志），将Binlog中变化的数据同步到“RouteOnAttribute”处理器，通过此处理器获取上游数据属性，获取对应binlog操作类型，再将想要处理的数据路由到“EvaluateJsonPath”处理器，该处理器可以将json格式的binlog数据解析，通过自定义json 表达式获取json数据中的属性放入FlowFile属性,将FlowFile通过“ReplaceText”处理器获取上游FowFile属性，动态拼接sql替换所有的FlowFile内容，将拼接好的sql组成FlowFile路由到“PutHiveQL”将数据写入到Hive表。

一、开启MySQL的binlog日志

mysql-binlog是MySQL数据库的二进制日志，记录了所有的DDL和DML(除了数据查询语句)语句信息。一般来说开启二进制日志大概会有1%的性能损耗。这里需要开启MySQL的binlog日志方便后期使用“CaptureChangeMySQL”处理器来获取MySQL中的CDC事件。MySQL的版本最好是5.7版本之上。

1、登录mysql查看MySQL是否开启binlog日志

[root@node2 ~]# mysql -u root -p123456
mysql> show variables like 'log_%';

2 、开启mysql binlog日志

在/etc/my.cnf文件中[mysqld]下写入以下内容：

[mysqld]
#随机指定一个不能和其他集群中机器重名的字符串
server-id=123
#配置binlog日志目录，配置后会自动开启binlog日志，并写入该目录
log-bin=/var/lib/mysql/mysql-bin

3、重启mysql 服务，重新查看binlog日志情况

[root@node2 ~]# service mysqld restart
[root@node2 ~]# mysql -u root -p123456
mysql> show variables like 'log_%';

二、​​​​​​​配置“CaptureChangeMySQL”处理器

“CaptureChangeMySQL”主要是从MySQL数据库捕获CDC(Change Data Capture)事件。CDC事件包括INSERT，UPDATE，DELETE操作，事件按操作发生时的顺序输出为单独的FlowFile文件。

关于“CaptureChangeMySQL”处理器的“Properties”主要配置的说明如下：

配置步骤如下：

1、创建“CaptureChangeMySQL”处理器

2、配置“DistributeMapCacheServer”控制服务

监控mysql变化需要设置“DistributedMapCacheClient”控制服务，其对应的Server中存储处理器所需的各种表、列等信息，所以这里需要首先配置“DistributeMapCacheServer”控制服务。

​

​

3、配置“SCHEDULING”

由于这里使用“CaptureChangeMySQL”处理器监控“MySQL”中的数据，所以设置调度访问周期为“10s”，防止一直监听MySQL binlog数据，带来性能消耗。

​

4、配置“PROPERTIES”

在“CaptureChangeMySQL”处理器中配置“PROPERTIES”，配置如下：

• MySQL Host ： 192.168.179.5:3306
• MySQL Driver Class Name：com.mysql.jdbc.Driver
• MySQL Driver Location(s)：/root/test/mysql-connector-java-5.1.47.jar

注意：这里需要在每台NiFi节点上创建对应目录，上传mysql驱动包。

“PROPERTIES”配置如下：

此外，在“PROPERTIES”中还需要配置“Distributed Map Cache Client”控制服务，来读取“DistributeMapCacheServer”控制服务中的缓存数据：

​

另外，这里我们只是监控表“test2”对应的CDC事件，这里设置匹配表名为“test2”,最终“PROPERTIES”的配置如下：

注意：以上“Table Name Pattern”这里配置对应的Value值为：test2，也可以不配置，不配置会监控所有MySQL表的变化对应的binlog事件。当后面向Hive表中插入新增和更新数据时，对应MySQL中的元数据表也会变化，也会监控到对应的binlog事件。为了避免后期出现监控到其他表的binlog日志，这里建议配置上“test2”。

5、启动MySQL，创建表“test2”测试“CaptureChangeMySQL”处理器

登录mysql ,使用“mynifi”库，创建表“test2”。暂时设置“CaptureChangeMySQL”处理器“success”事件自动终止并启动，向表中插入对应的数据查看“CaptureChangeMySQL”处理器能否正常监控事件。

在mysql中创建对应的表：

use mynifi;
create table test2 (id int,name varchar(255),age int);

启动“CaptureChangeMySQL”处理器：

向表“test2”中插入以下数据：

insert into test2 values (1,"zs",18);
update test2 set name = "ls" where id = 1;
delete from test2 where id = 1;

可以在“CaptureChangeMySQL”处理器中右键“View data provenance”查看捕获到的“insert”、“update”、“delete”事件：

注意问题：在配置好“CaptureChangeMySQL”处理器启动后，当MySQL中有数据插入、修改、删除时当前处理器会读取MySql binlog日志，并在当前处理器中记录读取binlog的位置状态。正常来说这里关闭“CaptureChangeMySQL”处理器后再次启动，会接着保存的binlog位置继续读取（可以参照“PROPERTIES”属性中“Retrieve All Records”配置说明），但是经过测试，此NiFi版本出现以下错误（无效的binlog位置，目测是一个版本bug错误）：

所以在之后的测试中，我们可以将“CaptureChangeMysql”处理器读取binlog的状态清空，然后再次启动即可，这里会重复读取MySQL之前已经检测到的新增、修改、删除数据。

清空“CaptureChangeMysql”读取binlog状态：

三、​​​​​​​​​​​​​​配置“RouteOnAttribute”处理器

“RouteOnAttribute”是根据FlowFile的属性使用属性表达式进行数据路由。

关于“RouteOnAttribute”处理器的“Properties”主要配置的说明如下：

注意：该处理器允许用户自定义属性并指定该属性的匹配表达式。属性与动态属性指定的属性表达式相匹配的FileFlow，映射到动态属性上。

配置如下：

1、创建“RouteOnAttribute”处理器

2、配置“PROPERTIES”自定义属性

注意：以上自定义的属性中update、insert、delete对应的json 表达式写法为：${cdc.event.type:equals('delete')}，代表匹配对应类型的FlowFile,“cdc.event.type”是上游FlowFile中的属性，“equales”是对应的方法，“delete”使用单引号引起，表示匹配的CDC事件。

3、连接“CaptureChangeMySQL”处理器与“RouteOnAttribute”处理器

四、配置“EvaluatejsonPath”处理器

“EvaluatejsonPath”处理器将根据上游“RouteOnAttribute”匹配的事件将内容映射成FlowFile属性，方便后期拼接SQL获取数据，上游匹配到的FlowFile中的数据格式为：

EvaluatejsonPath”处理器配置如下：

1、配置“EvaluatejsonPath”的“PROPERTIES”属性

2、连接“RouteOnAttribute”处理器和“EvaluatejsonPath”处理器

连接关系中，我们这里只关注“insert”和“update”的数据，后期获取对应的属性将插入和更新的数据插入到Hive表中，对于“delete”的数据可以路由到其他关系中，例如需要将删除数据插入到另外的Hive表中，可以再设置个分支处理。这里我们将“delete”和“failure”的数据设置自动终止关系。

设置“RouteOnAttribute”处理器其他匹配路由关系为自动终止：

五、​​​​​​​​​​​​​​配置“ReplaceText”处理器

“ReplaceText”处理器可以获取“EvaluatejsonPath”转换后FlowFile中的属性来替换原有数据组成一个“insert into ... values (... ...)”语句，方便后续将数据插入到Hive中。“ReplaceText”处理器的配置如下：

1、配置“RelaceText”处理器“PROPERTIES”属性

在“Replacement Value”中配置“insert into ${tablename} values (${id},'${name}',${age})”

注意：

以上获取的tablename名称为“test2”，后面这个sql是要将数据插入到Hive中的，所以这里在Hive中也应该创建“test2”的表名称，或者将表名称写成固定表，后期在Hive中创建对应的表即可。

另外，需要注意${name}在插入Hive中时对应的列为字符串，这里需要加上单引号。

2、连接“EvaluatejsonPath”处理器与“ReplaceText”处理器

配置“EvaluatjsonPath”处理器“failure”和“unmatch”路由关系为自动终止。

六、​​​​​​​​​​​​​​配置Hive 支持HiveServer2

访问Hive有两种方式：HiveServer2和Hive Client，Hive Client需要Hive和Hadoop的jar包，配置环境。HiveServer2使得连接Hive的Client从Yarn和HDFS集群中独立出来，不需要每个几点都配置Hive和Hadoop的jar包和一系列环境。

NiFi连接Hive就是使用了HiveServer2方式连接，所以这里需要配置HiveServer2。

配置HiveServer2步骤如下：

1、在Hive服务端配置hive-site.xml

#在Hive 服务端 $HIVE_HOME/etc/hive-site.xml中配置：
<!-- 配置hiveserver2 -->
<property>
	 <name>hive.server2.thrift.port</name>
	 <value>10000</value>
</property>
<property>
	<name>hive.server2.thrift.bind.host</name>
	<value>192.168.179.4</value>
</property>

2、在每台Hadoop 节点配置core-site.xml

<!-- 配置代理访问用户 -->
<property>     
	<name>hadoop.proxyuser.root.hosts</name>     
	<value>*</value>
 </property> 
<property>     
	<name>hadoop.proxyuser.root.groups</name>    
    <value>*</value> 
</property>

3、重启HDFS ，Hive ，在Hive服务端启动Metastore和HiveServer2服务

nohup hive --service metastore >> ./nohup.out 2>&1 &
nohup hive --service hiveserver2 >> ./nohup.out 2>&1 &

4、在客户端通过beeline连接Hive

[root@node3 test]# beeline
beeline> !connect jdbc:hive2://node1:10000 root
Enter password for jdbc:hive2://node1:10000: 没有密码直接跳过即可
0: jdbc:hive2://node1:10000> show tables;
+------------------------------------+
|              tab_name              |
+------------------------------------+
| personinfo                         |
| test2                              |
+------------------------------------+

以上配置完成后，还需要将配置好的core-site.xml文件发送到各个NiFi节点对应的路径/root/test下替换原有的core-site.xml文件。之后重启NiFi集群，各个NiFi节点上执行命令：

service nifi restart

七、配置“PutHiveQL”处理器

“PutHiveQL”主要执行HiveQL的DDL/DML命令，传入给该处理器的FlowFile内容是要执行的HiveQL命令。HiveQL命令可以使用“？”来指定参数，这种情况下，参数必须存在于FlowFile的属性中，命名约定为hiveql.args.N.type和hiveql.args.N.value，其中N为正整数。

关于“PutHiveQL”处理器的“Properties”主要配置的说明如下：

“PutHiveQL”处理器的配置如下：

1、创建“PutHiveQL”处理器

​

2、 配置“PROPERTIES”

​

点击之后，配置“HiveConnectionPool”控制服务：

注意以上需要配置：

• “Database Connection URL” :这里是Hive的HiveServer2启动的节点，也就是服务端节点。“jdbc:hive2://192.168.179.4:10000”
• “Hive Configuration Resources”：“/root/test/hive-site.xml,/root/test/core-site.xml,/root/test/hdfs-site.xml”，这里需要将以上各个文件在NiFi集群各个节点对应位置准备好。
• “Database User”：root，这里防止操作Hive对应的HDFS时权限问题。

配置完成后，需要启用对应的“HiveConnectionPool”控制服务：

最终配置“PROPERTIES”为：

3、连接“ReplaceText”处理器与“PutHiveQL”处理器并设置关系

​

设置“ReplaceText”处理器“failure”路由关系为自动终止：

设置“PutHiveQL”处理器路由关系为自动终止：

​

八、​​​​​​​​​​​​​​运行测试

1、在Hive中创建表“test2”

动HDFS,启动Hive服务端和客户端，创建表“test2”

create table test2 (id int,name string,age int )row format delimited fields terminated by '\t';

2、启动NiFi处理数据流程,向MySQL中写入数据，查看Hive中表数据

首先清空“CaptureChangeMySQL”处理器的状态，单独启动“CaptureChangeMySQL”处理器，清空重新消费的数据（以上主要就是避免此版本NiFi bug问题），启动当前案例中其他NiFi处理器。

然后向MySQL中插入以下数据：

insert into test2 values (1,"zs",18);
update test2 set name = "ls" where id = 1;
delete from test2 where id = 1;

NiFi页面：

Hive表test2中的结果：