问题导读:
1、如何使用Flink导入数据?
2、如何使用Spark导入数据?
3、如何从MySQL中导入数据?
4、如何从Hive中导入数据?
本文分享主要是ClickHouse的数据导入方式,本文主要介绍如何使用Flink、Spark、Kafka、MySQL、Hive将数据导入ClickHouse,具体内容包括:
- 使用Flink导入数据
- 使用Spark导入数据
- 从Kafka中导入数据
- 从MySQL中导入数据
- 从Hive中导入数据
使用Flink导入数据
本文介绍使用 flink-jdbc将数据导入ClickHouse,Maven依赖为:
- <dependency>
- <groupId>org.apache.flink</groupId>
- <artifactId>flink-jdbc_${scala.binary.version}</artifactId>
- <version>1.10.1</version>
- </dependency>
复制代码
示例
本示例使用Kafka connector,通过Flink将Kafka数据实时导入到ClickHouse
- public class FlinkSinkClickHouse {
- public static void main(String[] args) throws Exception {
- String url = "jdbc:clickhouse://192.168.10.203:8123/default";
- String user = "default";
- String passwd = "hOn0d9HT";
- String driver = "ru.yandex.clickhouse.ClickHouseDriver";
- int batchsize = 500; // 设置batch size,测试的话可以设置小一点,这样可以立刻看到数据被写入
-
- // 创建执行环境
- EnvironmentSettings settings = EnvironmentSettings
- .newInstance()
- .useBlinkPlanner()
- .inStreamingMode()
- .build();
-
- StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
-
- StreamTableEnvironment tEnv = StreamTableEnvironment.create(env, settings);
-
- String kafkaSource11 = "" +
- "CREATE TABLE user_behavior ( " +
- " `user_id` BIGINT, -- 用户id\n" +
- " `item_id` BIGINT, -- 商品id\n" +
- " `cat_id` BIGINT, -- 品类id\n" +
- " `action` STRING, -- 用户行为\n" +
- " `province` INT, -- 用户所在的省份\n" +
- " `ts` BIGINT, -- 用户行为发生的时间戳\n" +
- " `proctime` AS PROCTIME(), -- 通过计算列产生一个处理时间列\n" +
- " `eventTime` AS TO_TIMESTAMP(FROM_UNIXTIME(ts, 'yyyy-MM-dd HH:mm:ss')), -- 事件时间\n" +
- " WATERMARK FOR eventTime AS eventTime - INTERVAL '5' SECOND -- 在eventTime上定义watermark\n" +
- ") WITH ( 'connector' = 'kafka', -- 使用 kafka connector\n" +
- " 'topic' = 'user_behavior', -- kafka主题\n" +
- " 'scan.startup.mode' = 'earliest-offset', -- 偏移量,从起始 offset 开始读取\n" +
- " 'properties.group.id' = 'group1', -- 消费者组\n" +
- " 'properties.bootstrap.servers' = 'kms-2:9092,kms-3:9092,kms-4:9092', -- kafka broker 地址\n" +
- " 'format' = 'json', -- 数据源格式为 json\n" +
- " 'json.fail-on-missing-field' = 'true',\n" +
- " 'json.ignore-parse-errors' = 'false'" +
- ")";
-
- // Kafka Source
- tEnv.executeSql(kafkaSource11);
- String query = "SELECT user_id,item_id,cat_id,action,province,ts FROM user_behavior";
- Table table = tEnv.sqlQuery(query);
-
- String insertIntoCkSql = "INSERT INTO behavior_mergetree(user_id,item_id,cat_id,action,province,ts)\n" +
- "VALUES(?,?,?,?,?,?)";
-
- //将数据写入 ClickHouse Sink
- JDBCAppendTableSink sink = JDBCAppendTableSink
- .builder()
- .setDrivername(driver)
- .setDBUrl(url)
- .setUsername(user)
- .setPassword(passwd)
- .setQuery(insertIntoCkSql)
- .setBatchSize(batchsize)
- .setParameterTypes(Types.LONG, Types.LONG,Types.LONG, Types.STRING,Types.INT,Types.LONG)
- .build();
-
- String[] arr = {"user_id","item_id","cat_id","action","province","ts"};
- TypeInformation[] type = {Types.LONG, Types.LONG,Types.LONG, Types.STRING,Types.INT,Types.LONG};
-
- tEnv.registerTableSink(
- "sink",
- arr,
- type,
- sink
- );
-
- tEnv.insertInto(table, "sink");
-
- tEnv.execute("Flink Table API to ClickHouse Example");
- }
-
- }
复制代码
Note:
- 由于 ClickHouse 单次插入的延迟比较高,我们需要设置 BatchSize 来批量插入数据,提高性能。
- 在 JDBCAppendTableSink 的实现中,若最后一批数据的数目不足 BatchSize,则不会插入剩余数据。
使用Spark导入数据
本文主要介绍如何通过Spark程序写入数据到Clickhouse中。
- <dependency>
- <groupId>ru.yandex.clickhouse</groupId>
- <artifactId>clickhouse-jdbc</artifactId>
- <version>0.2.4</version>
- </dependency>
- <!-- 如果报错:Caused by: java.lang.ClassNotFoundException: com.google.common.escape.Escapers,则添加下面的依赖 -->
- <dependency>
- <groupId>com.google.guava</groupId>
- <artifactId>guava</artifactId>
- <version>28.0-jre</version>
- </dependency>
复制代码
示例
- object Spark2ClickHouseExample {
-
- val properties = new Properties()
- properties.put("driver", "ru.yandex.clickhouse.ClickHouseDriver")
- properties.put("user", "default")
- properties.put("password", "hOn0d9HT")
- properties.put("batchsize", "1000")
- properties.put("socket_timeout", "300000")
- properties.put("numPartitions", "8")
- properties.put("rewriteBatchedStatements", "true")
-
- case class Person(name: String, age: Long)
-
- private def runDatasetCreationExample(spark: SparkSession): Dataset[Person] = {
- import spark.implicits._
- // DataFrames转成DataSet
- val path = "file:///e:/people.json"
- val peopleDS = spark.read.json(path)
- peopleDS.createOrReplaceTempView("people")
- val ds = spark.sql("SELECT name,age FROM people").as[Person]
- ds.show()
- ds
- }
-
- def main(args: Array[String]) {
-
-
- val url = "jdbc:clickhouse://kms-1:8123/default"
- val table = "people"
-
- val spark = SparkSession
- .builder()
- .appName("Spark Example")
- .master("local") //设置为本地运行
- .getOrCreate()
- val ds = runDatasetCreationExample(spark)
-
- ds.write.mode(SaveMode.Append).option(JDBCOptions.JDBC_BATCH_INSERT_SIZE, 100000).jdbc(url, table, properties)
- spark.stop()
- }
- }
复制代码
从Kafka中导入数据
主要是使用ClickHouse的表引擎。
使用方式
- CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster]
- (
- name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],
- name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],
- ...
- ) ENGINE = Kafka()
- SETTINGS
- kafka_broker_list = 'host:port',
- kafka_topic_list = 'topic1,topic2,...',
- kafka_group_name = 'group_name',
- kafka_format = 'data_format'[,]
- [kafka_row_delimiter = 'delimiter_symbol',]
- [kafka_schema = '',]
- [kafka_num_consumers = N,]
- [kafka_max_block_size = 0,]
- [kafka_skip_broken_messages = N,]
- [kafka_commit_every_batch = 0,]
- [kafka_thread_per_consumer = 0]
-
- kafka_broker_list :逗号分隔的brokers地址 (localhost:9092).
- kafka_topic_list :Kafka 主题列表,多个主题用逗号分隔.
- kafka_group_name :消费者组.
- kafka_format – Message format. 比如JSONEachRow、JSON、CSV等等
复制代码
使用示例
在kafka中创建user_behavior主题,并向该主题写入数据,数据示例为:
- {"user_id":63401,"item_id":6244,"cat_id":143,"action":"pv","province":3,"ts":1573445919}
- {"user_id":9164,"item_id":2817,"cat_id":611,"action":"fav","province":28,"ts":1573420486}
- {"user_id":63401,"item_id":6244,"cat_id":143,"action":"pv","province":3,"ts":1573445919}
复制代码
在ClickHouse中创建表,选择表引擎为Kafka(),如下:
- CREATE TABLE kafka_user_behavior (
- user_id UInt64 COMMENT '用户id',
- item_id UInt64 COMMENT '商品id',
- cat_id UInt16 COMMENT '品类id',
- action String COMMENT '行为',
- province UInt8 COMMENT '省份id',
- ts UInt64 COMMENT '时间戳'
- ) ENGINE = Kafka()
- SETTINGS
- kafka_broker_list = 'cdh04:9092',
- kafka_topic_list = 'user_behavior',
- kafka_group_name = 'group1',
- kafka_format = 'JSONEachRow'
- ;
- -- 查询
- cdh04 :) select * from kafka_user_behavior ;
-
- -- 再次查看数据,发现数据为空
- cdh04 :) select count(*) from kafka_user_behavior;
-
- SELECT count(*)
- FROM kafka_user_behavior
-
- ┌─count()─┐
- │ 0 │
- └─────────┘
复制代码
通过物化视图将kafka数据导入ClickHouse
当我们一旦查询完毕之后,ClickHouse会删除表内的数据,其实Kafka表引擎只是一个数据管道,我们可以通过物化视图的方式访问Kafka中的数据。
- 首先创建一张Kafka表引擎的表,用于从Kafka中读取数据
- 然后再创建一张普通表引擎的表,比如MergeTree,面向终端用户使用
- 最后创建物化视图,用于将Kafka引擎表实时同步到终端用户所使用的表中
- -- 创建Kafka引擎表
- CREATE TABLE kafka_user_behavior_src (
- user_id UInt64 COMMENT '用户id',
- item_id UInt64 COMMENT '商品id',
- cat_id UInt16 COMMENT '品类id',
- action String COMMENT '行为',
- province UInt8 COMMENT '省份id',
- ts UInt64 COMMENT '时间戳'
- ) ENGINE = Kafka()
- SETTINGS
- kafka_broker_list = 'cdh04:9092',
- kafka_topic_list = 'user_behavior',
- kafka_group_name = 'group1',
- kafka_format = 'JSONEachRow'
- ;
-
- -- 创建一张终端用户使用的表
- CREATE TABLE kafka_user_behavior (
- user_id UInt64 COMMENT '用户id',
- item_id UInt64 COMMENT '商品id',
- cat_id UInt16 COMMENT '品类id',
- action String COMMENT '行为',
- province UInt8 COMMENT '省份id',
- ts UInt64 COMMENT '时间戳'
- ) ENGINE = MergeTree()
- ORDER BY user_id
- ;
- -- 创建物化视图,同步数据
- CREATE MATERIALIZED VIEW user_behavior_consumer TO kafka_user_behavior
- AS SELECT * FROM kafka_user_behavior_src ;
- -- 查询,多次查询,已经被查询的数据依然会被输出
- cdh04 :) select * from kafka_user_behavior;
-
- Note:
-
- Kafka消费表不能直接作为结果表使用。Kafka消费表只是用来消费Kafka数据,没有真正的存储所有数据。
复制代码
从MySQL中导入数据
同kafka中导入数据类似,ClickHouse同样支持MySQL表引擎,即映射一张MySQL中的表到ClickHouse中。
数据类型对应关系
MySQL中数据类型与ClickHouse类型映射关系如下表。
使用方式
- CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster]
- (
- name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1] [TTL expr1],
- name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2] [TTL expr2],
- ...
- ) ENGINE = MySQL('host:port', 'database', 'table', 'user', 'password'[, replace_query, 'on_duplicate_clause']);
复制代码
使用示例
- -- 连接MySQL中clickhouse数据库的test表
- CREATE TABLE mysql_users(
- id Int32,
- name String
- ) ENGINE = MySQL(
- '192.168.10.203:3306',
- 'clickhouse',
- 'users',
- 'root',
- '123qwe');
- -- 查询数据
- cdh04 :) SELECT * FROM mysql_users;
-
- SELECT *
- FROM mysql_users
-
- ┌─id─┬─name──┐
- │ 1 │ tom │
- │ 2 │ jack │
- │ 3 │ lihua │
- └────┴───────┘
- -- 插入数据,会将数据插入MySQL对应的表中
- -- 所以当查询MySQL数据时,会发现新增了一条数据
- INSERT INTO users VALUES(4,'robin');
- -- 再次查询
- cdh04 :) select * from mysql_users;
-
- SELECT *
- FROM mysql_users
-
- ┌─id─┬─name──┐
- │ 1 │ tom │
- │ 2 │ jack │
- │ 3 │ lihua │
- │ 4 │ robin │
- └────┴───────┘
复制代码
注意:对于MySQL表引擎,不支持UPDATE和DELETE操作,比如执行下面命令时,会报错:
- -- 执行更新
- ALTER TABLE mysql_users UPDATE name = 'hanmeimei' WHERE id = 1;
- -- 执行删除
- ALTER TABLE mysql_users DELETE WHERE id = 1;
- -- 报错
- DB::Exception: Mutations are not supported by storage MySQL.
复制代码
从Hive中导入数据
本文使用Waterdrop进行数据导入,Waterdrop是一个非常易用,高性能,能够应对海量数据的实时数据处理产品,它构建在Spark之上。Waterdrop拥有着非常丰富的插件,支持从Kafka、HDFS、Kudu中读取数据,进行各种各样的数据处理,并将结果写入ClickHouse、Elasticsearch或者Kafka中。
我们仅需要编写一个Waterdrop Pipeline的配置文件即可完成数据的导入。配置文件包括四个部分,分别是Spark、Input、filter和Output。
关于Waterdrop的安装,十分简单,只需要下载ZIP文件,解压即可。使用Waterdrop需要安装Spark。
在Waterdrop安装目录的config/文件夹下创建配置文件:hive_table_batch.conf,内容如下。主要包括四部分:Spark、Input、filter和Output。
- Spark部分是Spark的相关配置,主要配置Spark执行时所需的资源大小。
- Input部分是定义数据源,其中pre_sql是从Hive中读取数据SQL,table_name是将读取后的数据,注册成为Spark中临时表的表名,可为任意字段。
- filter部分配置一系列的转化,比如过滤字段
- Output部分是将处理好的结构化数据写入ClickHouse,ClickHouse的连接配置。
- 需要注意的是,必须保证hive的metastore是在服务状态。
- spark {
- spark.app.name = "Waterdrop_Hive2ClickHouse"
- spark.executor.instances = 2
- spark.executor.cores = 1
- spark.executor.memory = "1g"
- // 这个配置必需填写
- spark.sql.catalogImplementation = "hive"
- }
- input {
- hive {
- pre_sql = "select * from default.users"
- table_name = "hive_users"
- }
- }
- filter {}
- output {
- clickhouse {
- host = "kms-1:8123"
- database = "default"
- table = "users"
- fields = ["id", "name"]
- username = "default"
- password = "hOn0d9HT"
- }
- }
复制代码
执行任务
- [kms@kms-1 waterdrop-1.5.1]$ bin/start-waterdrop.sh --config config/hive_table_batch.conf --master yarn --deploy-mode cluster
复制代码
这样就会启动一个Spark作业执行数据的抽取,等执行完成之后,查看ClickHouse的数据。
总结
本文主要介绍了如何通过Flink、Spark、Kafka、MySQL以及Hive,将数据导入到ClickHouse,对每一种方式都出了详细的示例,希望对你有所帮。
作者:西贝
来源:https://mp.weixin.qq.com/s/SOX_4JlcLYk7wHPNDLJ1Rg
最新经典文章,欢迎关注公众号
|