Skip to content
/ HData Public
forked from DataSky/HData

一个支持多数据源的ETL数据导入/导出工具

0 stars 302 forks Branches Tags Activity
Star
Notifications You must be signed in to change notification settings

sohudo/HData

BranchesTags
 
 

Repository files navigation

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

【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 Design

【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 ./buildhdata.tar.gz ，然后解压即可。

  • 运行

./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。

【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:https://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
  • hive
参数 是否必选 描述
metastore.uris 是 Hive Metastore连接地址，如：thrift:https://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:https://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:https://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:https://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
  • hive
参数 是否必选 描述
metastore.uris 是 Hive Metastore连接地址，如：thrift:https://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:https://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:https://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

About

一个支持多数据源的ETL数据导入/导出工具

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

No packages published

Languages

  • Java 98.5%
  • Shell 1.5%