MapReduce案例-读取数据库表
现在，在ETL的世界中，读取数据库并处理数百万条记录可能是主要的操作。
Hadoop确实提供了各种数据类型，如IntWritable、FloatWritable、DoubleWritable等， 但是要访问数据库的话，我们需要实现自定义OutputWritable，这将使我们能够将数据行写入数据库表。
为了实现自定义输出可写，我们必须实现DBWritable接口。
问题描述
考虑一个假设的情况，我们有一个在线零售商店的数据库，我们有一个包含数百万行的User表，我们有兴趣使用Mapreduce读取这个表。 为了简单起见，我们将读取表，并在HDFS中以key-value对的形式发送记录。
假设有一个名为users的MySql表。表中包含user_id、user_name、department 其3列。
user_id user_name department ------- -------------- --------------------------------------------- 1 张三 大数据部门 2 李四 人力资源部 3 王老五 Java 4 赵小六 Web开发部 5 钱小七 设计部
准备工作
1）在MySQL中创建数据表：
-- 创建数据库 xueai8 create database xueai8; -- 打开数据库 xueai8 use xueai8; -- 在当前数据库中创建用户表users CREATE TABLE users ( user_id INT NOT NULL AUTO_INCREMENT, user_name VARCHAR(45) NOT NULL, Department VARCHAR(45) NOT NULL, PRIMARY KEY (user_id) ); -- 向users表中插入样本数据 insert into users values (1, '张三', '大数据部门'), (2, '李四', '人力资源部'), (3, '王老五', 'Java'), (4, '赵小六', 'Web开发部'), (5, '小七', '设计部');
2）读取RDBMS需要从Hadoop到MySql的数据库连接，所以我们需要将相关的驱动程序jar文件放到Hadoop的lib文件夹中， 所以在我们的例子中，我们已经将mysql-connector-java-5.1.38-bin.jar文件复制到HADOOP common的lib文件夹中。 另外，我们必须将该jar文件复制到启动作业的机器上。
一、创建Java Maven项目
Maven依赖：注意，需要增加mysql驱动依赖。
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>HadoopDemo</groupId>
<artifactId>com.xueai8</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<!--hadoop依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>3.3.1</version>
</dependency>
<!--hdfs文件系统依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-hdfs</artifactId>
<version>3.3.1</version>
</dependency>
<!--MapReduce相关的依赖-->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-core</artifactId>
<version>3.3.1</version>
</dependency>
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-mapreduce-client-jobclient</artifactId>
<version>3.3.1</version>
</dependency>
<!--mysql驱动程序-->
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.49</version>
</dependency>
<!--junit依赖-->
<dependency>
<groupId>junit</groupId>
<artifactId>junit</artifactId>
<version>4.12</version>
<scope>test</scope>
</dependency>
</dependencies>
<build>
<plugins>
<!--编译器插件用于编译拓扑-->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<!--指定maven编译的jdk版本和字符集,如果不指定,maven3默认用jdk 1.5 maven2默认用jdk1.3-->
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<source>1.8</source> <!-- 源代码使用的JDK版本 -->
<target>1.8</target> <!-- 需要生成的目标class文件的编译版本 -->
<encoding>UTF-8</encoding><!-- 字符集编码 -->
</configuration>
</plugin>
</plugins>
</build>
</project>
DBInputWritable.java：
从数据库读取或写入的对象应该实现DBWritable。 DBWritable类似于Writable，但write方法参数采用PreparedStatement，而readFields方法参数采用ResultSet。 实现负责将对象的字段写入PreparedStatement，并从ResultSet读取对象的字段。
package com.xueai8.fromysql;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.sql.SQLException;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.mapreduce.lib.db.DBWritable;
public class DBInputWritable implements Writable, DBWritable{
private int userId;
private String userName,department;
// 写数据表的方法
public void write(PreparedStatement statement) throws SQLException {
statement.setInt(1, userId);
statement.setString(2, userName);
statement.setString(3, department);
}
// 读数据表的方法
public void readFields(ResultSet resultSet) throws SQLException {
userId = resultSet.getInt(1);
userName = resultSet.getString(2);
department=resultSet.getString(3);
}
public void write(DataOutput out) throws IOException {
}
public void readFields(DataInput in) throws IOException {
}
public int getUserId() {
return userId;
}
public String getUserName() {
return userName;
}
public String getDepartment() {
return department;
}
}
DBMapper.java：
Mapper类。使用Mapper并行读取数据表记录，并构建DBInputWritable对象，以key写入到HDFS中。
package com.xueai8.fromysql;
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class DBMapper extends Mapper<LongWritable, DBInputWritable, Text, NullWritable> {
private Text outKey = new Text();
@Override
protected void map(LongWritable id, DBInputWritable value, Context context) {
try{
String userDetails = value.getUserName() + "," + value.getDepartment();
outKey.set(userDetails);
context.write(outKey, NullWritable.get());
} catch (IOException | InterruptedException ioException) {
ioException.printStackTrace();
}
}
}
DBReducer.java：
无。本例中不需要Reducer。
DBDriver.java：
驱动程序。注意DBInputFormat类和输入源的设置。
package com.xueai8.fromysql;
import com.xueai8.tomysql.DBReducer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.db.DBConfiguration;
import org.apache.hadoop.mapreduce.lib.db.DBInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;
public class DBDriver extends Configured implements Tool {
public static void main(String[] args) throws Exception {
// 数据输入路径和输出路径
int ec = ToolRunner.run(new Configuration(), new DBDriver(), args);
System.exit(ec);
}
@Override
public int run(String[] args) throws Exception {
if(args.length != 1) {
System.out.println("用法: DBDriver <output>");
System.exit(1);
}
/*
* 配置数据库.主要包括以下几项：
* 1、数据库驱动的名称：com.mysql.jdbc.Driver
* 2、数据库URL：jdbc:mysql://localhost:3306/xueai8
* 3、用户名：root
* 4、密码：admin
*/
DBConfiguration.configureDB(getConf(),
"com.mysql.jdbc.Driver", // 驱动程序类
"jdbc:mysql://192.168.190.133:3306/xueai8", // db url
"root", // 账号
"admin"); // 密码
// 新建一个任务
Job job = Job.getInstance(getConf(), "DB Demo");
job.setJarByClass(DBDriver.class);
job.setMapperClass(DBMapper.class);
job.setNumReduceTasks(0);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);
// reducer输出格式
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(NullWritable.class);
// 需要指定输入格式为DBInputFormat(默认就是TextInputFormat)
job.setInputFormatClass(DBInputFormat.class);
job.setOutputFormatClass(TextOutputFormat.class);
// 设置输入源为DBMS
DBInputFormat.setInput(job,
DBInputWritable.class,
"users", // input table name
null, // where
null, // orderBy
"user_id", "user_name", "department"); // table columns
// 输出到HDFS路径
FileOutputFormat.setOutputPath(job, new Path(args[0]));
// 提交任务
return job.waitForCompletion(true) ? 0 : 1;
}
}
二、配置log4j
在src/main/resources目录下新增log4j的配置文件log4j.properties，内容如下：
log4j.rootLogger = info,stdout
### 输出信息到控制抬 ###
log4j.appender.stdout = org.apache.log4j.ConsoleAppender
log4j.appender.stdout.Target = System.out
log4j.appender.stdout.layout = org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern = [%-5p] %d{yyyy-MM-dd HH:mm:ss,SSS} method:%l%n%m%n
三、项目打包
打开IDEA下方的终端窗口terminal，执行"mvn clean package"打包命令，如下图所示：
如果一切正常，会提示打jar包成功。如下图所示：
这时查看项目结构，会看到多了一个target目录，打好的jar包就位于此目录下。如下图所示：
四、项目部署
请按以下步骤执行。
1、启动HDFS集群和YARN集群。在Linux终端窗口中，执行如下的脚本：
$ start-dfs.sh
$ start-yarn.sh
查看进程是否启动，集群运行是否正常。在Linux终端窗口中，执行如下的命令：
$ jps
这时应该能看到有如下5个进程正在运行，说明集群运行正常：
5542 NodeManager
5191 SecondaryNameNode
4857 NameNode
5418 ResourceManager
4975 DataNode
2、提交作业到Hadoop集群上运行。（如果jar包在Windows下，请先拷贝到Linux中。）
在终端窗口中，执行如下的作业提交命令（注意，只有一个命令行参数，为读取的csv文件的路径）：
$ hadoop jar com.xueai8-1.0-SNAPSHOT.jar com.xueai8.fromysql.DBDriver /data/mr
3、查看输出结果。
在终端窗口中，执行如下的HDFS命令，查看输出结果：
$ hdfs dfs -ls /data/mr-output
可以看到如下的输出结果：
张三,大数据部门 李四,人力资源部 王老五,Java 赵小六,Web开发部 小七,设计部
