Mysql数据实时导入Hive

背景

目前，我公司大数据团队，使用的数据仓库是Hive。

客户端开发团队，使用的数据库是Mysql，客户端上的各种数据都存储在了Mysql中。

每天凌晨，大数据团队会批量把Mysql从库的全部数据导入Hive。

此方案存在的问题是：

每天全量导入数据耗时较长，且对集群消耗较大。

Hive中数据每天更新一次，时效性较低。

在批量导入过程中，不能对Hive进行任何操作。

需要解决的问题是：

弃用全量导数据的方式，采用增量导数据。

Hive中数据要近实时更新，包括Mysql表中的增删改数据。

导数据过程中，可以对Hive进行各种操作，且保证数据的一致性。

已有的解决方案及不足：

使用Sqoop，依据Mysql表每条记录中的修改时间戳字段，进行增量导入。

上述解决方案的优势是，简单，易操作，不需要使用新的组件。

Oracle等公司有针对数据库之间数据同步的成套解决方案，包括Mysql到Hive的增量数据导入。

方案1的不足是：

需要Mysql表中有修改时间戳字段。

增量导入，不能做到近实时性。
方案2的不足是：

需要购买Oracle公司的整套解决方案，费用昂贵。

解决方案不是开源的，维护起来比较困难。

解决方案

Mysql的Binlog日志，记录了Mysql表的增删改查日志。

使用阿里开源的Canal工具，可以实时获取和解析Mysql的Binlog日志。

根据解析后的Binlog日志，可以对Hive进行相应的增删改操作。

Hive 0.14版本之后，支持事务性的增删改。

方案中可能会遇到的难题

在此技术方案中，可能会遇到的技术难题是：

Hive中没有主键的概念，Hive使用事务Id+批次Id来唯一标识一条记录，对Hive中每条记录的增删改操作，Hive都会分配唯一的事务Id+桶Id+批次Id。

当发生增删改操作时，需要根据Mysql表的主键，查找到Hive表中对应的记录，即查找到对应的事务Id+批次Id。

当对Hive进行插入数据操作之后，需要存储事务Id+桶Id+批次Id，Hive原生的方法是将此组合Id存储在Hive表中，这样会造成查找时候的效率低下，严重影响增删改操作的性能。针对这一点的解决方法是，将Hive的事务Id+桶Id+批次Id存储在Hbase中，Hbase支持实时查询，这样可以大幅减少查找的时间。

整体架构

阿里的canal开源工具

开源工具介绍：https://github.com/alibaba/canal

hive2事务性介绍

http://blog.csdn.net/maixia24/article/details/73250155

Streaming Data Ingest介绍

http://blog.csdn.net/maixia24/article/details/73250305

HCatalog Streaming Mutation API

http://blog.csdn.net/maixia24/article/details/73250424

核心代码

作者：maixia24

来源：CSDN