Week08_day07（DataX从mysql上读取数据传输到HDFS上）

简介
DataX 是阿里巴巴集团内被广泛使用的离线数据同步工具/平台，实现包括 MySQL、Oracle、HDFS、Hive、OceanBase、HBase、OTS、ODPS 等各种异构数据源之间高效的数据同步功能。DataX采用了框架 + 插件 的模式，目前已开源，代码托管在github。

DataX安装部署及小试
1.下载压缩包：
下载页面地址：https://github.com/alibaba/DataX 在页面中【Quick Start】--->【Download DataX下载地址】进行下载。下载后的包名：datax.tar.gz。解压后{datax}目录下有{bin conf job lib log log_perf plugin script tmp}几个目录。

2.安装
将下载后的压缩包直接解压后可用，前提是对应的java及python环境满足要求。
  System Requirements：

Linux
JDK(1.6以上，推荐1.6)
Python(推荐Python2.6.X)一定要为python2，因为后面执行datax.py的时候，里面的python的print会执行不了，导致运行不成功，会提示你print语法要加括号，python2中加不加都行 python3中必须要加，否则报语法错
Apache Maven 3.x (Compile DataX)

测试：

json的读写两端可以去github上进行截取自己需要的代码。

https://github.com/alibaba/DataX

虽然在使用之前花费的不少的时间去研究json的写法，但是传输速度真的要比sqoop的传输速度要快很多。

1、编写json文件，去这个github上截取自己锁需要的read和write,我这里需要的是mysqlreader 和 hdfswriter，拼起来是下面的代码（需要修改自己数据库，对应的表名，ip地址，对应的字段及其类型，以及hdfs上的字段名，分隔符）在对应的md下面有各个参数介绍，根据自己需要进行修改添加。（注意，这里要现在hive中进行建表，对应字段和类型，不然会出现我下面的报错）

{
    "job": {
        "setting": {
            "speed": {
                 "channel": 3
            },
            "errorLimit": {
                "record": 0,
                "percentage": 0.02
            }
        },
        "content": [
            {
                "reader": {
                    "name": "mysqlreader",
                    "parameter": {
                        "username": "root",
                        "password": "123456",
                        "column": [
                            "id",
                            "name",
                            "age",
                            "gender",
                            "clazz"
                        ],
                        "splitPk": "clazz",
                        "connection": [
                            {
                                "table": [
                                    "student_zeng"
                                ],
                                "jdbcUrl": [
     "jdbc:mysql://192.168.230.20:3306/test"
                                ]
                            }
                        ]
                    }
                },
               "writer": {
                     "name": "hdfswriter",
                    "parameter": {
                        "defaultFS": "hdfs://192.168.230.20:9000",
                        "fileType": "text",
                        "path": "/user/hive/warehouse/test.db/dataX_hdfs",
                        "fileName": "dataX_hdfs",
                        "column": [
                            {
                                "name": "id",
                                "type": "INT"
                            },
                            {
                                "name": "name",
                                "type": "VARCHAR"
                            },
                            {
                                "name": "age",
                                "type": "INT"
                            },
                            {
                                "name": "gender",
                                "type": "VARCHAR"
                            },
                            {
                                "name": "clazz",
                                "type": "VARCHAR"
                            }
                        ],
                        "writeMode": "append",
                        "fieldDelimiter": ","

                        }
                    }
            }
        ]
    }
}

2、去安装dataX的bin目录下执行命令：

python datax.py /usr/local/soft/a_data_shujia006/test/flumedata/mysql_hdfs.json

注意：

python datax.py 加上你的json文件的绝对路径

3、因为我漏了在hdfs上建表，所以，我报了如下的错误：

4、所以我又在hive中建表，建表语句如下：（注意对应类型）

CREATE EXTERNAL TABLE IF NOT EXISTS dataX_hdfs(
    id BIGINT ,
    name STRING ,
    age INT ,
    gender STRING ,
    clazz STRING
)
comment '学生表'
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS TEXTFILE

5、再执行一遍，如下图：（看到这样的结果就说明执行成功）

6、查看HDFS网页

7、查看内容

8、结果发现，虽然将数据上传了，但是这个分区和结果不是我们想要的，可能是因为json的参数没有设置好。