使用Apache Hadoop加载批数据

本教程向您展示如何使用远程Hadoop集群将数据文件加载到Apache Druid中。

对于本教程，我们假设您已经使用快速入门中所述的 micro-quickstart 单机配置完成了前边的批处理摄取指南。

安装Docker

本教程要求将Docker安装在教程计算机上。

Docker安装完成后，请继续执行本教程中的后续步骤

构建Hadoop Docker镜像

在本教程中，我们为Hadoop 2.8.5集群提供了一个Dockerfile，我们将使用它运行批处理索引任务。

该Dockerfile和相关文件位于 quickstart/tutorial/hadoop/docker。

从apache-druid-0.17.0软件包根目录中，运行以下命令以构建名为"druid-hadoop-demo"的Docker镜像，其版本标签为"2.8.5"：

cd quickstart/tutorial/hadoop/docker
docker build -t druid-hadoop-demo:2.8.5 .

该命令运行后开始构建Hadoop镜像。镜像构建完成后，可以在控制台中看到 Successfully tagged druid-hadoop-demo:2.8.5 的信息。

安装Hadoop Docker集群

创建临时共享目录

我们需要一个共享目录以便于主机和Hadoop容器之间进行传输文件

我们在 /tmp 下创建一些文件夹，稍后我们在启动Hadoop容器时会使用到它们：

mkdir -p /tmp/shared
mkdir -p /tmp/shared/hadoop_xml

配置 /etc/hosts

在主机的 /etc/hosts 中增加以下入口：

127.0.0.1 druid-hadoop-demo

启动Hadoop容器

在 /tmp/shared 文件夹被创建和 /etc/hosts 入口被添加后，运行以下命令来启动Hadoop容器：

docker run -it  -h druid-hadoop-demo --name druid-hadoop-demo -p 2049:2049 -p 2122:2122 -p 8020:8020 -p 8021:8021 -p 8030:8030 -p 8031:8031 -p 8032:8032 -p 8033:8033 -p 8040:8040 -p 8042:8042 -p 8088:8088 -p 8443:8443 -p 9000:9000 -p 10020:10020 -p 19888:19888 -p 34455:34455 -p 49707:49707 -p 50010:50010 -p 50020:50020 -p 50030:50030 -p 50060:50060 -p 50070:50070 -p 50075:50075 -p 50090:50090 -p 51111:51111 -v /tmp/shared:/shared druid-hadoop-demo:2.8.5 /etc/bootstrap.sh -bash

容器启动后，您的终端将连接到容器内运行的bash shell：

Starting sshd:                                             [  OK  ]
18/07/26 17:27:15 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Starting namenodes on [druid-hadoop-demo]
druid-hadoop-demo: starting namenode, logging to /usr/local/hadoop/logs/hadoop-root-namenode-druid-hadoop-demo.out
localhost: starting datanode, logging to /usr/local/hadoop/logs/hadoop-root-datanode-druid-hadoop-demo.out
Starting secondary namenodes [0.0.0.0]
0.0.0.0: starting secondarynamenode, logging to /usr/local/hadoop/logs/hadoop-root-secondarynamenode-druid-hadoop-demo.out
18/07/26 17:27:31 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
starting yarn daemons
starting resourcemanager, logging to /usr/local/hadoop/logs/yarn--resourcemanager-druid-hadoop-demo.out
localhost: starting nodemanager, logging to /usr/local/hadoop/logs/yarn-root-nodemanager-druid-hadoop-demo.out
starting historyserver, logging to /usr/local/hadoop/logs/mapred--historyserver-druid-hadoop-demo.out
bash-4.1#

Unable to load native-hadoop library for your platform... using builtin-java classes where applicable 这个信息可以安全地忽略掉。

进入Hadoop容器shell

运行下边命令打开Hadoop容器的另一个shell：

docker exec -it druid-hadoop-demo bash

拷贝数据到Hadoop容器

从apache-druid-0.17.0安装包的根目录拷贝 quickstart/tutorial/wikiticker-2015-09-12-sampled.json.gz 样例数据到共享文件夹

cp quickstart/tutorial/wikiticker-2015-09-12-sampled.json.gz /tmp/shared/wikiticker-2015-09-12-sampled.json.gz

设置Hadoop目录

在Hadoop容器shell中，运行以下命令来设置本次教程需要的HDFS目录，同时拷贝输入数据到HDFS上：

cd /usr/local/hadoop/bin
./hdfs dfs -mkdir /druid
./hdfs dfs -mkdir /druid/segments
./hdfs dfs -mkdir /quickstart
./hdfs dfs -chmod 777 /druid
./hdfs dfs -chmod 777 /druid/segments
./hdfs dfs -chmod 777 /quickstart
./hdfs dfs -chmod -R 777 /tmp
./hdfs dfs -chmod -R 777 /user
./hdfs dfs -put /shared/wikiticker-2015-09-12-sampled.json.gz /quickstart/wikiticker-2015-09-12-sampled.json.gz

如果在命令执行中遇到了namenode相关的错误，可能是因为Hadoop容器没有完成初始化，等一会儿后重新执行命令。

配置使用Hadoop的Druid

配置用于Hadoop批加载的Druid集群还需要额外的一些步骤。

拷贝Hadoop配置到Druid classpath

从Hadoop容器shell中，运行以下命令将Hadoop.xml配置文件拷贝到共享文件夹中：

cp /usr/local/hadoop/etc/hadoop/*.xml /shared/hadoop_xml

在宿主机上运行下边命令，其中{PATH_TO_DRUID}替换为Druid软件包的路径：

mkdir -p {PATH_TO_DRUID}/conf/druid/single-server/micro-quickstart/_common/hadoop-xml
cp /tmp/shared/hadoop_xml/*.xml {PATH_TO_DRUID}/conf/druid/single-server/micro-quickstart/_common/hadoop-xml/

更新Druid段与日志的存储

在常用的文本编辑器中，打开 conf/druid/single-server/micro-quickstart/_common/common.runtime.properties 文件做如下修改：

禁用本地深度存储，启用HDFS深度存储

#
# Deep storage
#

# For local disk (only viable in a cluster if this is a network mount):
#druid.storage.type=local
#druid.storage.storageDirectory=var/druid/segments

# For HDFS:
druid.storage.type=hdfs
druid.storage.storageDirectory=/druid/segments

禁用本地日志存储，启动HDFS日志存储

#
# Indexing service logs
#

# For local disk (only viable in a cluster if this is a network mount):
#druid.indexer.logs.type=file
#druid.indexer.logs.directory=var/druid/indexing-logs

# For HDFS:
druid.indexer.logs.type=hdfs
druid.indexer.logs.directory=/druid/indexing-logs

重启Druid集群

Hadoop.xml文件拷贝到Druid集群、段和日志存储配置更新为HDFS后，Druid集群需要重启才可以让配置生效。

如果集群正在运行，CTRL-C 终止 bin/start-micro-quickstart脚本，重新执行它使得Druid服务恢复。

加载批数据

我们提供了2015年9月12日起对Wikipedia编辑的示例数据，以帮助您入门。

要将数据加载到Druid中，可以提交指向该文件的摄取任务。我们已经包含了一个任务，该任务会加载存档中包含 wikiticker-2015-09-12-sampled.json.gz文件。

通过以下命令进行提交 wikipedia-index-hadoop.json 任务：

bin/post-index-task --file quickstart/tutorial/wikipedia-index-hadoop.json --url http://localhost:8081

查询数据

加载数据后，请按照查询教程的操作，对新加载的数据执行一些示例查询.

清理数据

本教程只能与查询教程一起使用。

如果您打算完成其他任何教程，还需要：

• 关闭集群，通过删除Druid软件包中的 var 目录来重置集群状态
• 将 conf/druid/single-server/micro-quickstart/_common/common.runtime.properties 恢复深度存储与任务存储配置到本地类型
• 重启集群

这是必需的，因为其他摄取教程将写入相同的"wikipedia"数据源，并且以后的教程希望集群使用本地深度存储。

恢复配置示例：

#
# Deep storage
#

# For local disk (only viable in a cluster if this is a network mount):
druid.storage.type=local
druid.storage.storageDirectory=var/druid/segments

# For HDFS:
#druid.storage.type=hdfs
#druid.storage.storageDirectory=/druid/segments

#
# Indexing service logs
#

# For local disk (only viable in a cluster if this is a network mount):
druid.indexer.logs.type=file
druid.indexer.logs.directory=var/druid/indexing-logs

# For HDFS:
#druid.indexer.logs.type=hdfs
#druid.indexer.logs.directory=/druid/indexing-logs

进一步阅读

更多关于从Hadoop加载数据的信息，可以查看Druid Hadoop批量摄取文档