226 lines
8.5 KiB
Markdown
226 lines
8.5 KiB
Markdown
<!-- toc -->
|
||
|
||
<script async src="https://pagead2.googlesyndication.com/pagead/js/adsbygoogle.js"></script>
|
||
<ins class="adsbygoogle"
|
||
style="display:block; text-align:center;"
|
||
data-ad-layout="in-article"
|
||
data-ad-format="fluid"
|
||
data-ad-client="ca-pub-8828078415045620"
|
||
data-ad-slot="7586680510"></ins>
|
||
<script>
|
||
(adsbygoogle = window.adsbygoogle || []).push({});
|
||
</script>
|
||
|
||
## 使用Apache Hadoop加载批数据
|
||
|
||
本教程向您展示如何使用远程Hadoop集群将数据文件加载到Apache Druid中。
|
||
|
||
对于本教程，我们假设您已经使用[快速入门](../GettingStarted/chapter-2.md)中所述的 `micro-quickstart` 单机配置完成了前边的[批处理摄取指南](./chapter-1.md)。
|
||
|
||
### 安装Docker
|
||
|
||
本教程要求将[Docker](https://docs.docker.com/install/)安装在教程计算机上。
|
||
|
||
Docker安装完成后，请继续执行本教程中的后续步骤
|
||
|
||
### 构建Hadoop Docker镜像
|
||
在本教程中，我们为Hadoop 2.8.5集群提供了一个Dockerfile，我们将使用它运行批处理索引任务。
|
||
|
||
该Dockerfile和相关文件位于 `quickstart/tutorial/hadoop/docker`。
|
||
|
||
从apache-druid-0.17.0软件包根目录中，运行以下命令以构建名为"druid-hadoop-demo"的Docker镜像，其版本标签为"2.8.5"：
|
||
|
||
```json
|
||
cd quickstart/tutorial/hadoop/docker
|
||
docker build -t druid-hadoop-demo:2.8.5 .
|
||
```
|
||
该命令运行后开始构建Hadoop镜像。镜像构建完成后，可以在控制台中看到 `Successfully tagged druid-hadoop-demo:2.8.5` 的信息。
|
||
|
||
### 安装Hadoop Docker集群
|
||
#### 创建临时共享目录
|
||
|
||
我们需要一个共享目录以便于主机和Hadoop容器之间进行传输文件
|
||
|
||
我们在 `/tmp` 下创建一些文件夹，稍后我们在启动Hadoop容器时会使用到它们：
|
||
|
||
```json
|
||
mkdir -p /tmp/shared
|
||
mkdir -p /tmp/shared/hadoop_xml
|
||
```
|
||
|
||
#### 配置 /etc/hosts
|
||
|
||
在主机的 `/etc/hosts` 中增加以下入口：
|
||
```json
|
||
127.0.0.1 druid-hadoop-demo
|
||
```
|
||
#### 启动Hadoop容器
|
||
在 `/tmp/shared` 文件夹被创建和 `/etc/hosts` 入口被添加后，运行以下命令来启动Hadoop容器：
|
||
|
||
```json
|
||
docker run -it -h druid-hadoop-demo --name druid-hadoop-demo -p 2049:2049 -p 2122:2122 -p 8020:8020 -p 8021:8021 -p 8030:8030 -p 8031:8031 -p 8032:8032 -p 8033:8033 -p 8040:8040 -p 8042:8042 -p 8088:8088 -p 8443:8443 -p 9000:9000 -p 10020:10020 -p 19888:19888 -p 34455:34455 -p 49707:49707 -p 50010:50010 -p 50020:50020 -p 50030:50030 -p 50060:50060 -p 50070:50070 -p 50075:50075 -p 50090:50090 -p 51111:51111 -v /tmp/shared:/shared druid-hadoop-demo:2.8.5 /etc/bootstrap.sh -bash
|
||
```
|
||
|
||
容器启动后，您的终端将连接到容器内运行的bash shell：
|
||
|
||
```json
|
||
Starting sshd: [ OK ]
|
||
18/07/26 17:27:15 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
|
||
Starting namenodes on [druid-hadoop-demo]
|
||
druid-hadoop-demo: starting namenode, logging to /usr/local/hadoop/logs/hadoop-root-namenode-druid-hadoop-demo.out
|
||
localhost: starting datanode, logging to /usr/local/hadoop/logs/hadoop-root-datanode-druid-hadoop-demo.out
|
||
Starting secondary namenodes [0.0.0.0]
|
||
0.0.0.0: starting secondarynamenode, logging to /usr/local/hadoop/logs/hadoop-root-secondarynamenode-druid-hadoop-demo.out
|
||
18/07/26 17:27:31 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
|
||
starting yarn daemons
|
||
starting resourcemanager, logging to /usr/local/hadoop/logs/yarn--resourcemanager-druid-hadoop-demo.out
|
||
localhost: starting nodemanager, logging to /usr/local/hadoop/logs/yarn-root-nodemanager-druid-hadoop-demo.out
|
||
starting historyserver, logging to /usr/local/hadoop/logs/mapred--historyserver-druid-hadoop-demo.out
|
||
bash-4.1#
|
||
```
|
||
`Unable to load native-hadoop library for your platform... using builtin-java classes where applicable` 这个信息可以安全地忽略掉。
|
||
|
||
##### 进入Hadoop容器shell
|
||
|
||
运行下边命令打开Hadoop容器的另一个shell：
|
||
```json
|
||
docker exec -it druid-hadoop-demo bash
|
||
```
|
||
|
||
#### 拷贝数据到Hadoop容器
|
||
|
||
从apache-druid-0.17.0安装包的根目录拷贝 `quickstart/tutorial/wikiticker-2015-09-12-sampled.json.gz` 样例数据到共享文件夹
|
||
|
||
```json
|
||
cp quickstart/tutorial/wikiticker-2015-09-12-sampled.json.gz /tmp/shared/wikiticker-2015-09-12-sampled.json.gz
|
||
```
|
||
|
||
#### 设置Hadoop目录
|
||
|
||
在Hadoop容器shell中，运行以下命令来设置本次教程需要的HDFS目录，同时拷贝输入数据到HDFS上：
|
||
|
||
```json
|
||
cd /usr/local/hadoop/bin
|
||
./hdfs dfs -mkdir /druid
|
||
./hdfs dfs -mkdir /druid/segments
|
||
./hdfs dfs -mkdir /quickstart
|
||
./hdfs dfs -chmod 777 /druid
|
||
./hdfs dfs -chmod 777 /druid/segments
|
||
./hdfs dfs -chmod 777 /quickstart
|
||
./hdfs dfs -chmod -R 777 /tmp
|
||
./hdfs dfs -chmod -R 777 /user
|
||
./hdfs dfs -put /shared/wikiticker-2015-09-12-sampled.json.gz /quickstart/wikiticker-2015-09-12-sampled.json.gz
|
||
```
|
||
如果在命令执行中遇到了namenode相关的错误，可能是因为Hadoop容器没有完成初始化，等一会儿后重新执行命令。
|
||
|
||
### 配置使用Hadoop的Druid
|
||
|
||
配置用于Hadoop批加载的Druid集群还需要额外的一些步骤。
|
||
|
||
#### 拷贝Hadoop配置到Druid classpath
|
||
|
||
从Hadoop容器shell中，运行以下命令将Hadoop.xml配置文件拷贝到共享文件夹中：
|
||
```json
|
||
cp /usr/local/hadoop/etc/hadoop/*.xml /shared/hadoop_xml
|
||
```
|
||
|
||
在宿主机上运行下边命令，其中{PATH_TO_DRUID}替换为Druid软件包的路径：
|
||
|
||
```json
|
||
mkdir -p {PATH_TO_DRUID}/conf/druid/single-server/micro-quickstart/_common/hadoop-xml
|
||
cp /tmp/shared/hadoop_xml/*.xml {PATH_TO_DRUID}/conf/druid/single-server/micro-quickstart/_common/hadoop-xml/
|
||
```
|
||
|
||
#### 更新Druid段与日志的存储
|
||
在常用的文本编辑器中，打开 `conf/druid/single-server/micro-quickstart/_common/common.runtime.properties` 文件做如下修改：
|
||
|
||
**禁用本地深度存储，启用HDFS深度存储**
|
||
```json
|
||
#
|
||
# Deep storage
|
||
#
|
||
|
||
# For local disk (only viable in a cluster if this is a network mount):
|
||
#druid.storage.type=local
|
||
#druid.storage.storageDirectory=var/druid/segments
|
||
|
||
# For HDFS:
|
||
druid.storage.type=hdfs
|
||
druid.storage.storageDirectory=/druid/segments
|
||
```
|
||
**禁用本地日志存储，启动HDFS日志存储**
|
||
```json
|
||
#
|
||
# Indexing service logs
|
||
#
|
||
|
||
# For local disk (only viable in a cluster if this is a network mount):
|
||
#druid.indexer.logs.type=file
|
||
#druid.indexer.logs.directory=var/druid/indexing-logs
|
||
|
||
# For HDFS:
|
||
druid.indexer.logs.type=hdfs
|
||
druid.indexer.logs.directory=/druid/indexing-logs
|
||
```
|
||
#### 重启Druid集群
|
||
|
||
Hadoop.xml文件拷贝到Druid集群、段和日志存储配置更新为HDFS后，Druid集群需要重启才可以让配置生效。
|
||
|
||
如果集群正在运行，`CTRL-C` 终止 `bin/start-micro-quickstart`脚本，重新执行它使得Druid服务恢复。
|
||
|
||
### 加载批数据
|
||
|
||
我们提供了2015年9月12日起对Wikipedia编辑的示例数据，以帮助您入门。
|
||
|
||
要将数据加载到Druid中，可以提交指向该文件的*摄取任务*。我们已经包含了一个任务，该任务会加载存档中包含 `wikiticker-2015-09-12-sampled.json.gz`文件。
|
||
|
||
通过以下命令进行提交 `wikipedia-index-hadoop.json` 任务：
|
||
```json
|
||
bin/post-index-task --file quickstart/tutorial/wikipedia-index-hadoop.json --url http://localhost:8081
|
||
```
|
||
|
||
### 查询数据
|
||
|
||
加载数据后，请按照[查询教程](./chapter-4.md)的操作，对新加载的数据执行一些示例查询.
|
||
|
||
### 清理数据
|
||
|
||
本教程只能与[查询教程](./chapter-4.md)一起使用。
|
||
|
||
如果您打算完成其他任何教程，还需要：
|
||
* 关闭集群，通过删除Druid软件包中的 `var` 目录来重置集群状态
|
||
* 将 `conf/druid/single-server/micro-quickstart/_common/common.runtime.properties` 恢复深度存储与任务存储配置到本地类型
|
||
* 重启集群
|
||
|
||
这是必需的，因为其他摄取教程将写入相同的"wikipedia"数据源，并且以后的教程希望集群使用本地深度存储。
|
||
|
||
恢复配置示例：
|
||
```json
|
||
#
|
||
# Deep storage
|
||
#
|
||
|
||
# For local disk (only viable in a cluster if this is a network mount):
|
||
druid.storage.type=local
|
||
druid.storage.storageDirectory=var/druid/segments
|
||
|
||
# For HDFS:
|
||
#druid.storage.type=hdfs
|
||
#druid.storage.storageDirectory=/druid/segments
|
||
|
||
#
|
||
# Indexing service logs
|
||
#
|
||
|
||
# For local disk (only viable in a cluster if this is a network mount):
|
||
druid.indexer.logs.type=file
|
||
druid.indexer.logs.directory=var/druid/indexing-logs
|
||
|
||
# For HDFS:
|
||
#druid.indexer.logs.type=hdfs
|
||
#druid.indexer.logs.directory=/druid/indexing-logs
|
||
```
|
||
|
||
### 进一步阅读
|
||
|
||
更多关于从Hadoop加载数据的信息，可以查看[Druid Hadoop批量摄取文档](../DataIngestion/hadoopbased.md) |