HData

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 ./bin/package-hdata.sh 命令，执行成功后将会生成压缩包 ./build/hdata.tar.gz ，然后解压即可。

• 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

<?xml version="1.0" encoding="UTF-8"?>

<job id="job_example">
    <reader name="jdbc">
		<url>jdbc:mysql://127.0.0.1:3306/testdb</url>
		<driver>com.mysql.jdbc.Driver</driver>
		<table>testtable</table>
		<username>username</username>
		<password>password</password>
		<parallelism>3</parallelism>
	</reader>

	<writer name="hive">
		<metastore.uris>thrift://127.0.0.1:9083</metastore.uris>
		<hdfs.conf.path>/path/to/hdfs-site.xml</hdfs.conf.path>
		<database>default</database>
		<table>testtable</table>
		<hadoop.user>hadoop</hadoop.user>
		<parallelism>2</parallelism>
	</writer>
</job>

运行命令：

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

【配置参数】

其中，参数parallelism为读/写并行度，所有插件均有该参数，默认为1。

设置合理的parallelism参数可提高性能。

【Reader配置参数】

• console

无配置参数，一般仅用于测试

• jdbc

参数	是否必选	描述
driver	是	JDBC驱动类名，如：com.mysql.jdbc.Driver
url	是	JDBC连接地址，如: jdbc:mysql://localhost:3306/db
username	是	数据库用户名
password	是	数据库密码
table	是	表名（包含数据库名或schema名），如：db.table，也支持分表，例如:table[001-100]
columns	否	字段名，多个字段用逗号“,”分隔。不填则选取所有字段。
exclude.columns	否	排除的字段名，多个字段用逗号“,”分隔
where	否	查询条件，如：day=’20140418’
sql	否	自定义查询SQL
split.by	否	并行读取切分的字段
max.size.per.fetch	否	单次执行SQL获取的最多记录数
null.string	否	替换当字符串类型的字段值为NULL时的值
null.non.string	否	替换当非字符串类型的字段值为NULL时的值
field.wrap.replace.string	否	若字符串字段中存在换行符时需要替换的值
number.format	否	小数类型字段的输出格式
keyword.escaper	否	关键字转义字符，默认为`

• hive

参数	是否必选	描述
metastore.uris	是	Hive Metastore连接地址，如：thrift://localhost:9083
database	否	数据库名，默认：default
table	是	表名
partitions	否	分区，例如: visit_date='2016-07-07'
hadoop.user	否	具有HDFS读权限的用户名
hdfs.conf.path	否	hdfs-site.xml配置文件路径
select.columns	否	选择读取的字段
convert.null	否	设置值为NULL时对应的字符串，默认："NULL"

• hdfs

参数	是否必选	描述
dir	是	HDFS目录路径，如：hdfs://192.168.1.1:8020/user/dir1
filename	是	文件名，支持正则表达式
schema	否	输出的字段定义
fields.separator	否	字段分隔符，默认：\0001
encoding	否	文件编码，默认：UTF-8
hadoop.user	否	具有HDFS读权限的用户名
hdfs.conf.path	否	hdfs-site.xml配置文件路径

• hbase

参数	是否必选	描述
zookeeper.quorum	是	Zookeeper连接地址，如：192.168.1.16,192.168.1.17
zookeeper.client.port	否	Zookeeper客户端端口，默认：2181
table	是	表名
start.rowkey	否	Rowkey起始值
end.rowkey	否	Rowkey结束值
columns	是	读取的列，如：:rowkey,cf:start_ip,cf:end_ip
schema	是	输出的字段定义，如：id,start_ip,end_ip
zookeeper.znode.parent	否	hbase使用的Zookeeper根节点

• http

参数	是否必选	描述
url	是	URL链接
encoding	否	编码，默认UTF-8

• kafka

参数	是否必选	描述
topic	是	需要消费的topic
group.id	是	consumer组id
zookeeper.connect	是	Zookeeper连接地址，如：198.168.12.34:2181
consumer.stream.count	否	数据消费流的数量，默认为1
encoding	否	编码，默认UTF-8
max.fetch.size	否	最大fetch数，默认：100000
max.wait.second	否	最大等待时间（单位：秒），默认：300
partition.id	否	默认：0
start.offset	否	需要消费的起始offset
fields.separator	否	字段分隔符，默认\t
schema	否	输出的字段定义，如：id,start_ip,end_ip

• ftp

参数	是否必选	描述
host	是	FTP连接地址，如：192.168.1.1
port	否	FTP端口，默认：21
username	是	用户名
password	是	密码
dir	是	FTP目录，如：/input/dir
filename	是	文件名，支持正则表达式
recursive	否	是否递归搜索文件，默认：false
encoding	否	文件编码，默认：UTF-8
fields.separator	否	字段分隔符，默认：\t
schema	否	输出的字段定义
fields.count.filter	否	符合的字段数，不符合则过滤记录

• mongodb

参数	是否必选	描述
uri	是	MongoDB连接地址，如：mongodb://localhost/test.ip
query	否	查询语句，如：{"city":"XXX"}

• csv

参数	是否必选	描述
path	是	本地文件路径
start.row	否	数据起始行数，默认：1
encoding	否	编码，默认：UTF-8

• excel

参数	是否必选	描述
path	是	文件路径
include.column.names	否	是否包含列名，默认：false

【Writer配置参数】

• jdbc

参数	是否必选	描述
driver	是	JDBC驱动类名，如：com.mysql.jdbc.Driver
url	是	JDBC连接地址，如: jdbc:mysql://localhost:3306/db
username	是	数据库用户名
password	是	数据库密码
table	是	表名（包含数据库名或schema名），如：db.table
batch.insert.size	否	批量插入的记录数，默认值：10000
schema	否	字段名配置，一般用于writer和reader的字段名不一致时
keyword.escaper	否	关键字转义字符，默认为`

• hive

参数	是否必选	描述
metastore.uris	是	Hive Metastore连接地址，如：thrift://localhost:9083
database	否	数据库名，默认：default
table	是	表名
partitions	否	分区条件，如：day='20140418'
hadoop.user	否	具有HDFS写权限的用户名
hdfs.conf.path	否	hdfs-site.xml配置文件路径

• hdfs

参数	是否必选	描述
path	是	HDFS文件路径，如：hdfs://192.168.1.1:8020/user/1.txt
fields.separator	否	字段分隔符，默认：\t
line.separator	否	行分隔符，默认：\n
encoding	否	文件编码，默认：UTF-8
compress.codec	否	压缩编码，如：org.apache.hadoop.io.compress.GzipCodec
hadoop.user	否	具有HDFS写权限的用户名
max.file.size.mb	否	单个文件最大大小限制（单位：MB）
partition.date.index	否	日期字段索引值，起始值为0
partition.date.format	否	日期格式，如：yyyy-MM-dd
hdfs.conf.path	否	hdfs-site.xml配置文件路径

• hbase

参数	是否必选	描述
zookeeper.quorum	是	Zookeeper连接地址，如：192.168.1.16,192.168.1.17
zookeeper.client.port	否	Zookeeper客户端端口，默认：2181
table	是	表名
columns	是	列名，如：:rowkey,cf:start_ip
batch.insert.size	否	批量插入的记录数，默认值：10000
zookeeper.znode.parent	否	hbase使用的Zookeeper根节点

• kafka

参数	是否必选	描述
topic	是	需要消费的topic
fields.separator	否	字段分隔符，默认\t

• ftp

参数	是否必选	描述
host	是	FTP连接地址，如：192.168.1.1
port	否	FTP端口，默认：21
username	是	用户名
password	是	密码
path	是	FTP保存目录
encoding	否	文件编码，默认：UTF-8
fields.separator	否	字段分隔符，默认：\t
line.separator	否	行分隔符，默认\n
gzip.compress	否	是否启用gzip压缩，默认：false

• mongodb

参数	是否必选	描述
uri	是	MongoDB连接地址，如：mongodb://localhost/test.ip
query	否	查询语句，如：{"city":"XXX"}

• csv

参数	是否必选	描述
path	是	本地文件路径
separator	否	字段分隔符，默认逗号","
encoding	否	编码，默认：UTF-8

• excel

参数	是否必选	描述
path	是	文件路径
include.column.names	否	是否包含列名，默认：false

• console

无配置参数，一般仅用于测试

【Reader的并行度切分依据】

Reader	并行度切分依据
jdbc	数值型主键（或配置指定列）的大小范围。默认会根据查询条件查找max(id)和min(id)，然后根据id的区间范围均分，每个线程负责读取其中一份区间的数据
hive	文件数量
hbase	region数量
hdfs	文件数量
mongodb	_id区间
ftp	文件数量
http	http接口中的offset参数
kafka	无。使用High-Level Consumer API
csv	文件数量
excel	无