实时同步MySQL数据到Hive
案例：将mysql中新增的数据实时同步到Hive中。
以上案例需要用到的处理器有：“CaptureChangeMySQL”、“RouteOnAttribute”、“EvaluateJsonPath”、“ReplaceText”、“PutHiveQL”。
(资料图片)
首先通过“CaptureChangeMySQL”读取MySQL中数据的变化（需要开启MySQL binlog日志），将Binlog中变化的数据同步到“RouteOnAttribute”处理器，通过此处理器获取上游数据属性，获取对应binlog操作类型，再将想要处理的数据路由到“EvaluateJsonPath”处理器，该处理器可以将json格式的binlog数据解析，通过自定义json 表达式获取json数据中的属性放入FlowFile属性,将FlowFile通过“ReplaceText”处理器获取上游FowFile属性，动态拼接sql替换所有的FlowFile内容，将拼接好的sql组成FlowFile路由到“PutHiveQL”将数据写入到Hive表。
一、开启MySQL的binlog日志
mysql-binlog是MySQL数据库的二进制日志，记录了所有的DDL和DML(除了数据查询语句)语句信息。一般来说开启二进制日志大概会有1%的性能损耗。这里需要开启MySQL的binlog日志方便后期使用“CaptureChangeMySQL”处理器来获取MySQL中的CDC事件。MySQL的版本最好是5.7版本之上。
1、登录mysql查看MySQL是否开启binlog日志
[root@node2 ~]# mysql -u root -p123456mysql> show variables like "log_%";
2 、开启mysql binlog日志
在/etc/my.cnf文件中[mysqld]下写入以下内容：
[mysqld]#随机指定一个不能和其他集群中机器重名的字符串server-id=123#配置binlog日志目录，配置后会自动开启binlog日志，并写入该目录log-bin=/var/lib/mysql/mysql-bin
3、重启mysql 服务，重新查看binlog日志情况
[root@node2 ~]# service mysqld restart[root@node2 ~]# mysql -u root -p123456mysql> show variables like "log_%";
二、配置“CaptureChangeMySQL”处理器
“CaptureChangeMySQL”主要是从MySQL数据库捕获CDC(Change Data Capture)事件。CDC事件包括INSERT，UPDATE，DELETE操作，事件按操作发生时的顺序输出为单独的FlowFile文件。
关于“CaptureChangeMySQL”处理器的“Properties”主要配置的说明如下：
配置项 | 默认值 | 允许值 | 描述 |
|---|
MySQL Hosts（MySQL 节点） | | | MySQL集群节点相对应的主机名/端口项的列表。多个节点使用逗号分隔，格式为:host1:port、host2:port…,处理器将尝试按顺序连接到列表中的主机。如果一个节点关闭，并且群集启用了故障转移，那么处理器将连接到活动节点。 |
MySQL Driver Class Name（MySQL驱动名称） | com.mysql.jdbc.Driver | | MySQL数据库驱动程序类的类名。 |
MySQL Driver Location(s)（MySQL驱动的位置） | | | 包含MySQL驱动程序包及其依赖项的文件/文件夹和/或url的逗号分隔列表（如果有），例如"/var/tmp/mysql-connector-java-5.1.38-bin.jar文件"。 |
Username（用户名） | | | 访问MySQL集群的用户名。 |
Password（密码） | | | 访问MySQL集群的密码。 |
Database/Schema Name Pattern（匹配数据库/Schema） | | | 用于根据CDC事件列表匹配数据库（或模式，具体取决于RDBMS类型）的正则表达式。正则表达式必须与存储在RDBMS中的数据库名称匹配。如果未设置属性，则数据库名称将不会用于筛选CDC事件。 |
Table Name Pattern（匹配表） | | | 用于匹配影响匹配表的CDC事件的正则表达式（regex）。regex必须与存储在数据库中的表名匹配。如果未设置属性，则不会根据表名筛选任何事件。 |
Max Wait Time（最大连接等待时长） | 30 seconds | | 允许建立连接的最长时间，零表示实际上没有限制。 |
Distributed Map Cache Client（分布式缓存客户端） | | | 指定用于保存处理器所需的各种表、列等信息的分布式映射缓存客户端控制器服务。如果未指定，则生成的事件将不包括列类型或名称等信息。 |
Retrieve All Records（检索所有记录） | true | ▪true▪false | 指定是否获取所有可用的CDC事件，而不考虑当前的binlog文件名或位置。如果处理器状态中存在binlog文件名和位置值，则忽略此属性的值。这允许4种不同的配置：1).如果处理器State中存在binlog数据，则State用来确定开始位置，并忽略Retrieve All Records的值。(目前NiFi版本测试有问题)2).如果处理器State中不存在binlog数据，此值设置为true意味着从头开始读取Binlog 数据。3).如果处理器State中不存在binlog数据，并且没有指定binlog文件名和位置，此值设置为false意味着从binlog尾部开始读取数据。4).如果处理器State中不存在binlog数据，并指定binlog文件名和位置，此值设置为false意味着从指定binlog尾部开始读取数据。 |
Include Begin/Commit Events(包含开始/提交事件) | false | ▪true▪false | 指定是否发出与二进制日志中的开始或提交事件相对应的事件。如果下游流中需要开始/提交事件，则设置为true，否则设置为false，这将抑制这些事件的生成并可以提高流性能。 |
Include DDL Events（标准表/列名） | false | ▪true▪false | 指定是否发出与数据定义语言（DDL）事件对应的事件，如ALTER TABLE、TRUNCATE TABLE。如果下游流中需要DDL事件，则设置为true，否则设置为false。为false时这将抑制这些事件的生成，并可以提高流性能。 |
配置步骤如下：
1、创建“CaptureChangeMySQL”处理器
2、配置“DistributeMapCacheServer”控制服务
监控mysql变化需要设置“DistributedMapCacheClient”控制服务，其对应的Server中存储处理器所需的各种表、列等信息，所以这里需要首先配置“DistributeMapCacheServer”控制服务。
3、配置“SCHEDULING”
由于这里使用“CaptureChangeMySQL”处理器监控“MySQL”中的数据，所以设置调度访问周期为“10s”，防止一直监听MySQL binlog数据，带来性能消耗。
4、配置“PROPERTIES”
在“CaptureChangeMySQL”处理器中配置“PROPERTIES”，配置如下：
MySQL Host ： 192.168.179.5:3306MySQL Driver Class Name：com.mysql.jdbc.DriverMySQL Driver Location(s)：/root/test/mysql-connector-java-5.1.47.jar
注意：这里需要在每台NiFi节点上创建对应目录，上传mysql驱动包。
“PROPERTIES”配置如下：
此外，在“PROPERTIES”中还需要配置“Distributed Map Cache Client”控制服务，来读取“DistributeMapCacheServer”控制服务中的缓存数据：
另外，这里我们只是监控表“test2”对应的CDC事件，这里设置匹配表名为“test2”,最终“PROPERTIES”的配置如下：
注意：以上“Table Name Pattern”这里配置对应的Value值为：test2，也可以不配置，不配置会监控所有MySQL表的变化对应的binlog事件。当后面向Hive表中插入新增和更新数据时，对应MySQL中的元数据表也会变化，也会监控到对应的binlog事件。为了避免后期出现监控到其他表的binlog日志，这里建议配置上“test2”。
5、启动MySQL，创建表“test2”测试“CaptureChangeMySQL”处理器
登录mysql ,使用“mynifi”库，创建表“test2”。暂时设置“CaptureChangeMySQL”处理器“success”事件自动终止并启动，向表中插入对应的数据查看“CaptureChangeMySQL”处理器能否正常监控事件。
在mysql中创建对应的表：
use mynifi;create table test2 (id int,name varchar(255),age int);
启动“CaptureChangeMySQL”处理器：
向表“test2”中插入以下数据：
insert into test2 values (1,"zs",18);update test2 set name = "ls" where id = 1;delete from test2 where id = 1;
可以在“CaptureChangeMySQL”处理器中右键“View data provenance”查看捕获到的“insert”、“update”、“delete”事件：
注意问题：在配置好“CaptureChangeMySQL”处理器启动后，当MySQL中有数据插入、修改、删除时当前处理器会读取MySql binlog日志，并在当前处理器中记录读取binlog的位置状态。正常来说这里关闭“CaptureChangeMySQL”处理器后再次启动，会接着保存的binlog位置继续读取（可以参照“PROPERTIES”属性中“Retrieve All Records”配置说明），但是经过测试，此NiFi版本出现以下错误（无效的binlog位置，目测是一个版本bug错误）：
所以在之后的测试中，我们可以将“CaptureChangeMysql”处理器读取binlog的状态清空，然后再次启动即可，这里会重复读取MySQL之前已经检测到的新增、修改、删除数据。
清空“CaptureChangeMysql”读取binlog状态：
三、配置“RouteOnAttribute”处理器
“RouteOnAttribute”是根据FlowFile的属性使用属性表达式进行数据路由。
关于“RouteOnAttribute”处理器的“Properties”主要配置的说明如下：
配置项 | 默认值 | 描述 |
|---|
Routing Strategy（路由策略） | Route to Property name | 指定在计算表达式语言时如何使用哪个关系。有如下几个关系可选择：▪Route to Property nameFlowFile的副本将被路由到对应的表达式计算结果为"true"的每个关系。▪Route to "matched" if all match要求所有用户定义的表达式求值都为"true"，才认为FlowFile是匹配的。▪Route to "matched" if any matches至少有一个用户定义的表达式求值为"true"，才能认为FlowFile是匹配的。 |
注意：该处理器允许用户自定义属性并指定该属性的匹配表达式。属性与动态属性指定的属性表达式相匹配的FileFlow，映射到动态属性上。
配置如下：
1、创建“RouteOnAttribute”处理器
2、配置“PROPERTIES”自定义属性
注意：以上自定义的属性中update、insert、delete对应的json 表达式写法为：${cdc.event.type:equals("delete")}，代表匹配对应类型的FlowFile,“cdc.event.type”是上游FlowFile中的属性，“equales”是对应的方法，“delete”使用单引号引起，表示匹配的CDC事件。
3、连接“CaptureChangeMySQL”处理器与“RouteOnAttribute”处理器
四、配置“EvaluatejsonPath”处理器
“EvaluatejsonPath”处理器将根据上游“RouteOnAttribute”匹配的事件将内容映射成FlowFile属性，方便后期拼接SQL获取数据，上游匹配到的FlowFile中的数据格式为：
EvaluatejsonPath”处理器配置如下：
1、配置“EvaluatejsonPath”的“PROPERTIES”属性
2、连接“RouteOnAttribute”处理器和“EvaluatejsonPath”处理器
连接关系中，我们这里只关注“insert”和“update”的数据，后期获取对应的属性将插入和更新的数据插入到Hive表中，对于“delete”的数据可以路由到其他关系中，例如需要将删除数据插入到另外的Hive表中，可以再设置个分支处理。这里我们将“delete”和“failure”的数据设置自动终止关系。
设置“RouteOnAttribute”处理器其他匹配路由关系为自动终止：
五、配置“ReplaceText”处理器
“ReplaceText”处理器可以获取“EvaluatejsonPath”转换后FlowFile中的属性来替换原有数据组成一个“insert into ... values (... ...)”语句，方便后续将数据插入到Hive中。“ReplaceText”处理器的配置如下：
1、配置“RelaceText”处理器“PROPERTIES”属性
在“Replacement Value”中配置“insert into ${tablename} values (${id},"${name}",${age})”
注意：
以上获取的tablename名称为“test2”，后面这个sql是要将数据插入到Hive中的，所以这里在Hive中也应该创建“test2”的表名称，或者将表名称写成固定表，后期在Hive中创建对应的表即可。
另外，需要注意${name}在插入Hive中时对应的列为字符串，这里需要加上单引号。
2、连接“EvaluatejsonPath”处理器与“ReplaceText”处理器
配置“EvaluatjsonPath”处理器“failure”和“unmatch”路由关系为自动终止。
六、配置Hive 支持HiveServer2
访问Hive有两种方式：HiveServer2和Hive Client，Hive Client需要Hive和Hadoop的jar包，配置环境。HiveServer2使得连接Hive的Client从Yarn和HDFS集群中独立出来，不需要每个几点都配置Hive和Hadoop的jar包和一系列环境。
NiFi连接Hive就是使用了HiveServer2方式连接，所以这里需要配置HiveServer2。
配置HiveServer2步骤如下：
1、在Hive服务端配置hive-site.xml
#在Hive 服务端 $HIVE_HOME/etc/hive-site.xml中配置： hive.server2.thrift.port 10000hive.server2.thrift.bind.host192.168.179.4
2、在每台Hadoop 节点配置core-site.xml
hadoop.proxyuser.root.hosts * hadoop.proxyuser.root.groups *
3、重启HDFS ，Hive ，在Hive服务端启动Metastore和HiveServer2服务
nohup hive --service metastore >> ./nohup.out 2>&1 &nohup hive --service hiveserver2 >> ./nohup.out 2>&1 &
4、在客户端通过beeline连接Hive
[root@node3 test]# beelinebeeline> !connect jdbc:hive2://node1:10000 rootEnter password for jdbc:hive2://node1:10000: 没有密码直接跳过即可0: jdbc:hive2://node1:10000> show tables;+------------------------------------+| tab_name |+------------------------------------+| personinfo || test2 |+------------------------------------+
以上配置完成后，还需要将配置好的core-site.xml文件发送到各个NiFi节点对应的路径/root/test下替换原有的core-site.xml文件。之后重启NiFi集群，各个NiFi节点上执行命令：
service nifi restart
七、配置“PutHiveQL”处理器
“PutHiveQL”主要执行HiveQL的DDL/DML命令，传入给该处理器的FlowFile内容是要执行的HiveQL命令。HiveQL命令可以使用“？”来指定参数，这种情况下，参数必须存在于FlowFile的属性中，命名约定为hiveql.args.N.type和hiveql.args.N.value，其中N为正整数。
关于“PutHiveQL”处理器的“Properties”主要配置的说明如下：
配置项 | 默认值 | 允许值 | 描述 |
|---|
Hive Database Connection Pooling Servic（Hive数据库连接池服务） | | | Hive Controller服务，用于获取与Hive数据库的连接。 |
Batch Size（批次大小） | 100 | | 一批次读取FlowFile的个数。 |
Character Set（编码） | UTF-8 | | 指定数据的编码格式。 |
Statement Delimiter（语句分隔符） | ; | | 语句分隔符，用于分隔多个语句脚本中的SQL语句。 |
Rollback On Failure（失败时回滚） | false | ▪true▪false | 指定如何处理错误。默认false指的是如果在处理FlowFile时发生错误，则FlowFile将根据错误类型路由到“failure”或“retry”关系，处理器继续处理下一个FlowFile。相反，可以设置为true回滚当前已处理的FlowFile，并立即停止进一步的处理。如果设置为true启用，失败的FlowFiles将停留在输入关系中并会反复处理，直到成功处理或通过其他方式将其删除为止。可以设置足够大的“Yield Duration”避免重试次数过多。 |
“PutHiveQL”处理器的配置如下：
1、创建“PutHiveQL”处理器
2、 配置“PROPERTIES”
点击之后，配置“HiveConnectionPool”控制服务：
注意以上需要配置：
“Database Connection URL” :这里是Hive的HiveServer2启动的节点，也就是服务端节点。“jdbc:hive2://192.168.179.4:10000”“Hive Configuration Resources”：“/root/test/hive-site.xml,/root/test/core-site.xml,/root/test/hdfs-site.xml”，这里需要将以上各个文件在NiFi集群各个节点对应位置准备好。“Database User”：root，这里防止操作Hive对应的HDFS时权限问题。
配置完成后，需要启用对应的“HiveConnectionPool”控制服务：
最终配置“PROPERTIES”为：
3、连接“ReplaceText”处理器与“PutHiveQL”处理器并设置关系
设置“ReplaceText”处理器“failure”路由关系为自动终止：
设置“PutHiveQL”处理器路由关系为自动终止：
八、运行测试
1、在Hive中创建表“test2”
动HDFS,启动Hive服务端和客户端，创建表“test2”
create table test2 (id int,name string,age int )row format delimited fields terminated by "\t";
2、启动NiFi处理数据流程,向MySQL中写入数据，查看Hive中表数据
首先清空“CaptureChangeMySQL”处理器的状态，单独启动“CaptureChangeMySQL”处理器，清空重新消费的数据（以上主要就是避免此版本NiFi bug问题），启动当前案例中其他NiFi处理器。
然后向MySQL中插入以下数据：
insert into test2 values (1,"zs",18);update test2 set name = "ls" where id = 1;delete from test2 where id = 1;
NiFi页面：
Hive表test2中的结果：
关键词：
Hive
云数据库
Server
Java
