ETL数据导入导出工具HData使用-编程学习网

短信预约信息系统项目管理师报名、考试、查分时间动态提醒

ETL数据导入导出工具HData使用

注：近期因朋友的请求协助了解Hdata工具的使用，抽空进行了摸索，特整理此文；该ETL数据交换工具开发者已经有三、四年没有更新维护记录了，不确定该项目是否会继续维护，因此选择该工具应用于项目时，请考虑后续的技术支持与问题处理等所需要的解决方案成本； 1、介绍(转载官方) HData是一个异构的ETL数据导入/导出工具，致力于使用一个工具解决不同数据源（JDBC、Hive、HDFS、HBase、MongoDB、FTP、Http、CSV、Excel、Kafka等）之间数据交换的问题。HData在设计上同时参考了开源的Sqoop、DataX，却与之有不同的实现。HData采用“框架+插件”的结构，具有较好的扩展性，框架相当于数据缓冲区，插件则为访问不同的数据源提供实现。

【HData特性】 1、异构数据源之间高速数据传输； 2、跨平台下独立运行； 3、数据传输过程全内存操作，不读写磁盘； 4、插件式扩展。

【HData设计】 配置文件：XML格式，配置Reader、Writer的参数（如：并行度、数据库连接地址、账号、密码等）； Reader：数据读取模块，负责从数据源读取数据并写入RingBuffer； Splitter：根据配置文件中Reader的并行度构造相应数据的ReaderConfig对象供Reader使用，以实现数据的并行读取； RingBugffer：来自Disruptor的高性能环形数据缓冲区，基于事件监听模式的异步实现，采用无锁方式针对CPU缓存优化，在此用于Reader和Writer的数据交换； Writer：数据写入模块，负责从RingBuffer中读取数据并写入目标数据源。 HData框架通过配置读取解析、RingBugffer 缓冲区、线程池封装等技术，统一处理了数据传输中的基本问题，并提供Reader、Splitter、Writer插件接口，基于此可以方便地开发出各种插件，以满足各种数据源访问的需求。 【编译&运行】 编译执行 mvn clean package -Pmake-package 命令，执行成功后将会生成压缩包 ./build/hdata.tar.gz ，然后解压即可。编译时也可以夹带自己的配置, 如：mvn clean package -Pcdh5 -Pmake-package 运行 1、命令行配置方式


./bin/hdata --reader READER_NAME -Rk1=v1 -Rk2=v2 --writer WRITER_NAME -Wk1=v1 -Wk2=v2

READER_NAME、WRITER_NAME分别为读/写插件的名称，例如：jdbc、hive Reader插件的参数配置以-R为前缀，Writer插件的参数配置以-W为前缀。例子（Mysql -> Hive）：


./bin/hdata --reader jdbc -Rurl="jdbc:mysql://127.0.0.1:3306/testdb" -Rdriver="com.mysql.jdbc.Driver" -Rtable="testtable" -Rusername="username" -Rpassword="password" -Rparallelism=3 --writer hive -Wmetastore.uris="thrift://127.0.0.1:9083" -Whdfs.conf.path="/path/to/hdfs-site.xml" -Wdatabase="default" -Wtable="testtable" -Whadoop.user="hadoop" -Wparallelism=2

2、XML配置方式

job.xml




    
		jdbc:mysql://127.0.0.1:3306/testdb
		com.mysql.jdbc.Driver
		testtable
		username
		password
		3
	
	
		thrift://127.0.0.1:9083
		/path/to/hdfs-site.xml
		default
		testtable
		hadoop
		2

运行命令


./bin/hdata -f /path/to/job.xml

2、使用实战 【github下载】 https://github.com/uptonking/hdata 【编译环境】 jdk1.7(只能是1.7) maven 3+ 【配置maven】 建议用独立setting.xml配置，不影响项目工程开发 hdata-settting.xml



 
  D:/apache-maven-3.5.4/repository
  
  
  
  
  	
		
      *
      mirror-all
      http://mirrors.cloud.tencent.com/nexus/repository/maven-public/
      custom
  	
    
  
      
    
	   	
				jdk-1.7
				
					true
					1.7
				
				
					1.7
					1.7
					1.7
				
			 
	    
	        maven-home
	        
	            
	                central
	                https://repo1.maven.org/maven2
	                
	                    true
	                    warn
	                
	                
	                    false
	                
	            
	        
			    
			        
			            central
			            http://repo1.maven.org/maven2

注意：因为部份依赖包无法从中央仓库下载，aliyun镜像仓库也无法下载成功，因此配了多个mirror配置，那个能下载成功就用那个，多试几次，自已手动切换；

【执行打包】


mvn clean package -Pmake-package --settings D:apache-maven-3.5.4confhdata-settings.xml -Dmaven.test.skip=true

打包过程执行的有些久，因为要下载大量依赖包，稍等片刻，直到最后打包完成


....
....
.....
[INFO] Reading assembly descriptor: src/build/package.xml
[INFO] Building tar: D:Workspacesidea_2HData-masterassembly..uildhdata-0.2.8.tar.gz
[INFO] ------------------------------------------------------------------------
[INFO] Reactor Summary:
[INFO]
[INFO] HData 0.2.8 ........................................ SUCCESS [ 18.604 s]
[INFO] hdata-api .......................................... SUCCESS [ 14.069 s]
[INFO] hdata-core ......................................... SUCCESS [  4.442 s]
[INFO] hdata-console ...................................... SUCCESS [  0.234 s]
[INFO] hdata-csv .......................................... SUCCESS [  0.632 s]
[INFO] hdata-jdbc ......................................... SUCCESS [  1.343 s]
[INFO] hdata-ftp .......................................... SUCCESS [  0.753 s]
[INFO] hdata-http ......................................... SUCCESS [  0.234 s]
[INFO] hdata-kafka ........................................ SUCCESS [  6.452 s]
[INFO] hdata-hdfs ......................................... SUCCESS [ 20.008 s]
[INFO] hdata-hive ......................................... SUCCESS [ 30.733 s]
[INFO] hdata-hbase ........................................ SUCCESS [ 35.710 s]
[INFO] hdata-mongodb ...................................... SUCCESS [  3.634 s]
[INFO] hdata-excel ........................................ SUCCESS [ 14.700 s]
[INFO] hdata-wit .......................................... SUCCESS [  4.037 s]
[INFO] hdata-assembly 0.2.8 ............................... SUCCESS [ 17.239 s]
[INFO] ------------------------------------------------------------------------
[INFO] BUILD SUCCESS
[INFO] ------------------------------------------------------------------------
[INFO] Total time: 02:53 min
[INFO] Finished at: 2020-06-16T12:12:33+08:00
[INFO] ------------------------------------------------------------------------

【查看目录结构】


D:Workspacesidea_2HData-master>dir
...
2020/06/16  12:12              .
2020/06/16  12:12              ..
2018/01/11  19:22                14 .gitignore
2020/06/16  15:45              .idea
2020/06/16  12:12              assembly
2020/06/15  13:49              bin
2020/06/16  14:06              build
2020/06/15  13:49              conf
2020/06/15  13:49              doc
2020/06/16  12:10              hdata-api
2020/06/16  12:10              hdata-console
2020/06/16  12:10              hdata-core
2020/06/16  12:10              hdata-csv
2020/06/16  12:12              hdata-excel
2020/06/16  12:10              hdata-ftp
2020/06/16  12:11              hdata-hbase
2020/06/16  12:10              hdata-hdfs
2020/06/16  12:11              hdata-hive
2020/06/16  12:10              hdata-http
2020/06/16  12:10              hdata-jdbc
2020/06/16  12:10              hdata-kafka
2020/06/16  12:11              hdata-mongodb
2020/06/16  12:12              hdata-wit
2020/06/15  13:52               574 hdata.iml
2020/06/16  11:44             5,337 pom.xml
2018/01/11  19:22            13,774 README.md
2020/06/16  12:10              target
...

 
 
  多了一个build，即为编译后的目录，在该目录下有一个 
  hdata-0.2.8.tar.gz压缩文件，即打包后的可执行程序包；解压该包，进入到根目录即可执行命令；
  
 
   
  
  
  
   【执行同步】
   
  
   将 
   hdata-0.2.8.tar.gz压缩文件解压，复制到D:/test/目录下。
   
  
D:	esthdata-0.2.8>dir
 ....
2020/06/16  16:06              .
2020/06/16  16:06              ..
2020/06/16  14:06              bin
2020/06/16  16:17              conf
2020/06/16  14:06              lib
2020/06/16  14:06              plugins
... 
  
   bin：存放hdata和hdata.bat脚本，分别用于linux和windows下运行的起始脚本；
   
  
   conf：存放hdata的配置，如：缓冲区大小、线程等待策略等..
   
  
   lib：存放hdata核心框架jar程序
   
  
   plugins：存放hdata的各种插件与依赖jar程序
   
    
   
   【执行mysql到mysql的数据库同步】 
   
  
   说明：输入端和输出端，必需存在指定数据库和表，否则数据同步将失败；
   
  
   命令行参数
   
   
   
java -Xss256k -Xms1G -Xmx1G -Xmn512M -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:+CMSClassUnloadingEnabled -XX:+CMSParallelRemarkEnabled -XX:+DisableExplicitGC -XX:CMSInitiatingOccupancyFraction=75 -XX:+UseCMSInitiatingOccupancyOnly -XX:+HeapDumpOnOutOfMemoryError -XX:SoftRefLRUPolicyMSPerMB=0 -Dhdata.conf.dir="D:	esthdata-0.2.8conf" -Dlog4j.configurationFile=file:///D:	esthdata-0.2.8conflog4j2.xml -classpath ".;D:	esthdata-0.2.8lib*" "com.github.stuxuhai.hdata.CliDriver" -Dhttps.protocols=TLSv1.2 -Dfile.encoding="UTF-8" --reader jdbc -Rurl="jdbc:mysql://127.0.0.1:3306/gateway?characterEncoding=utf8&useSSL=false" -Rdriver="com.mysql.jdbc.Driver" -Rtable="client" -Rusername="root" -Rpassword="123456" --writer jdbc -Wurl="jdbc:mysql://192.168.1.35:3306/gateway?characterEncoding=utf8&useSSL=false" -Wdriver="com.mysql.jdbc.Driver" -Wtable="client" -Wusername="root" -Wpassword="root_it_123465" 
   
    执行xml配置参数
    
   
hdata.bat -f D:/test/hdata-0.2.8/conf/mysqlToMysql.xml 
   
    mysqlToMysql.xml
    
    
    


  
		
		com.mysql.jdbc.Driver
		client
		root
		123456
		3
	
	
		
		com.mysql.jdbc.Driver
		client
		root
		123456
		3
	

 
     
     【执行mysql到excel的数据同步】 
     
    
     说明：输入端和输出端，必需存在指定数据库和表，否则数据同步将失败，输出时自动创建excel文件；
     
    
     命令行参数
     
     
     
java -Xss256k -Xms1G -Xmx1G -Xmn512M -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:+CMSClassUnloadingEnabled -XX:+CMSParallelRemarkEnabled -XX:+DisableExplicitGC -XX:CMSInitiatingOccupancyFraction=75 -XX:+UseCMSInitiatingOccupancyOnly -XX:+HeapDumpOnOutOfMemoryError -XX:SoftRefLRUPolicyMSPerMB=0 -Dhdata.conf.dir="D:	esthdata-0.2.8conf" -Dlog4j.configurationFile=file:///D:	esthdata-0.2.8conflog4j2.xml -classpath ".;D:	esthdata-0.2.8lib*" "com.github.stuxuhai.hdata.CliDriver" -Dhttps.protocols=TLSv1.2 -Dfile.encoding="UTF-8" --reader jdbc -Rurl="jdbc:mysql://127.0.0.1:3306/gateway?characterEncoding=utf8&useSSL=false" -Rdriver="com.mysql.jdbc.Driver" -Rtable="client" -Rusername="root" -Rpassword="123456" --writer excel -Wpath="D://test//client.xlsx" -Winclude.column.names="true" 
     
      执行xml配置参数
      
      
      
hdata.bat -f D:/test/hdata-0.2.8/conf/mysqlToExcel.xml 
      
       mysqlToExcel.xml
       
      


  
		
		com.mysql.jdbc.Driver
		client
		root
		123456
		3
	
	
		
		true
	
 
       
       【执行http到excel的数据同步】 
       
      
       说明：输入端和输出端，必需存在URL所表示的http服务，否则数据同步将失败，输出时自动创建excel文件；
       
      
       执行http到excel
       
       
       
java -Xss256k -Xms1G -Xmx1G -Xmn512M -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:+CMSClassUnloadingEnabled -XX:+CMSParallelRemarkEnabled -XX:+DisableExplicitGC -XX:CMSInitiatingOccupancyFraction=75 -XX:+UseCMSInitiatingOccupancyOnly -XX:+HeapDumpOnOutOfMemoryError -XX:SoftRefLRUPolicyMSPerMB=0 -Dhdata.conf.dir="D:	esthdata-0.2.8conf" -Dlog4j.configurationFile=file:///D:	esthdata-0.2.8conflog4j2.xml -classpath ".;D:	esthdata-0.2.8lib*" "com.github.stuxuhai.hdata.CliDriver" -Dhttps.protocols=TLSv1.2 -Dfile.encoding="UTF-8" --reader http -Rurl="https://www.baidu.com/" --writer excel -Wpath="D://test//html2.xlsx" -Winclude.column.names="true" 
       
        执行xml配置参数
        
        
        
hdata.bat -f D:/test/hdata-0.2.8/conf/httpToExcel.xml 
        
         httpToExcel.xml
         
        


  
      
  
	
		
		true
	
 
        3、IDEA中查看代码 
        导入工程 
        
         
         
          
        
       
        2.配置启动参数
        
       
       
        
      
     
      Configuration配置
      
      
      
VM Options: -Dhttps.protocols=TLSv1.2 -Dhdata.conf.dir="D:\Workspaces\idea_2\HData-master\conf"
Program arguments: --reader jdbc -Rurl="jdbc:mysql://127.0.0.1:3306/gateway?characterEncoding=utf8&useSSL=false" -Rdriver="com.mysql.jdbc.Driver" -Rtable="client" -Rusername="root" -Rpassword="123456"  --writer jdbc -Wurl="jdbc:mysql://192.168.1.35:3306/gateway?characterEncoding=utf8&useSSL=false" -Wdriver="com.mysql.jdbc.Driver" -Wtable="client" -Wusername="root" -Wpassword="123456" 
      
       3.直接从hdata-core模块的CliDriver类中运行即可
       
      
       
       
        
      
     
    
   
  
 
 
 
  4、问题
  
 
  1.[Fatal Error] mysqlToMysql.xml:5:73: 对实体 "useSSL" 的引用必须以 ";" 分隔符结尾。
  
 
[Fatal Error] mysqlToMysql.xml:5:73: 对实体 "useSSL" 的引用必须以 ";" 分隔符结尾。

因为xml结构内有&=等特殊符号，xml解析失败，将内容以 包装起来即可；