hadoop项目实战--ETL--（三）实现mysql表到HIVE表的全量导入与增量导入

一 在HIVE中创建ETL数据库

　　->create database etl;

二 在工程目录下新建MysqlToHive.py 和conf文件夹

　　在conf文件夹下新建如下文件，最后的工程目录如下图

　　

三 源码

　　Import.xml

<?xml version="1.0" encoding="UTF-8"?>
<root>
	<importtype>
		<value>add</value>    <!-- 增量导入或者全导入 -->
	</importtype>

	<task type="all">
		<table>user_all</table> <!-- 数据库中需要增量导入的第一张表名 -->
		<table>oder_all</table> <!-- 数据库中需要增量导入的第一张表名 -->
	</task>
	
	<task type="add">
		<table>user_add</table> <!-- 数据库中需要增量导入的第一张表名 -->
		<table>oder_add</table> <!-- 数据库中需要增量导入的第一张表名 -->
	</task>
	
</root>

　　oder_add.xml

<?xml version="1.0" encoding="UTF-8"?>

<root>
	<sqoop-shell type="import">
		<param key="connect">jdbc:mysql://192.168.0.154:3306/db_etl</param> <!-- 数据库连接地址 -->
		<param key="username">root</param> <!-- 数据库用户名 -->
		<param key="password">123456</param> <!-- 数据库密码 -->
		<param key="table">oderinfo</param><!-- 数据库中待导出的表名 -->
		<param key="hive-database">etl</param> <!-- 指定导入到HIVE的哪个数据库中 -->
		<param key="hive-partition-key">dt</param>   <!-- 通过时间分区 -->
		<param key="hive-partition-value">$dt</param>
		<param key="hive-import"></param>
		<param key="check-column">crt_time</param> <!-- 增量导入检查的列 -->
		<param key="incremental">lastmodified</param> <!-- 按照时间簇来进行增量导入 -->
		<param key="last-value">23:59:59</param> <!-- 增量导入时间划分点 -->
		<param key="num-mappers">1</param>   <!-- 使用map任务个数 -->
		<param key="split-by">id</param> <!-- 将表按照id水平切分交给map处理  -->
	</sqoop-shell>
</root>

　　oder_all.xml

<?xml version="1.0" encoding="UTF-8"?>

<root>
	<sqoop-shell type="import">
		<param key="connect">jdbc:mysql://192.168.0.154:3306/db_etl</param>   <!-- 数据库连接地址 -->
		<param key="username">root</param><!-- 数据库用户名 -->
		<param key="password">123456</param><!-- 数据库密码 -->
		<param key="table">oderinfo</param><!-- 数据库中待导出的表名 -->
		<param key="hive-database">etl</param> <!-- 指定导入到HIVE的哪个数据库中 -->
		<param key="hive-partition-key">dt</param>   <!-- 通过时间分区 -->
		<param key="hive-partition-value">$dt</param>
		<param key="hive-import"></param>                  
		<param key="create-hive-table"></param>   <!-- 在hive中新建一张同名同结构的表 -->
		<param key="hive-overwrite"></param> <!-- 覆盖原来以存在的表 -->
		<param key="num-mappers">1</param>   <!-- 使用map任务个数 -->
		<param key="split-by">id</param> <!-- 将表按照id水平切分交给map处理  -->
	</sqoop-shell>
</root>

　　user_add.xml

<?xml version="1.0" encoding="UTF-8"?>

<root>
	<sqoop-shell type="import">
		<param key="connect">jdbc:mysql://192.168.0.154:3306/db_etl</param> <!-- 数据库连接地址 -->
		<param key="username">root</param> <!-- 数据库用户名 -->
		<param key="password">123456</param> <!-- 数据库密码 -->
		<param key="table">userinfo</param><!-- 数据库中待导出的表名 -->
		<param key="hive-database">etl</param> <!-- 指定导入到HIVE的哪个数据库中 -->
		<param key="hive-partition-key">dt</param>   <!-- 通过时间分区 -->
		<param key="hive-partition-value">$dt</param>
		<param key="hive-import"></param>
		<param key="check-column">crt_time</param> <!-- 增量导入检查的列 -->
		<param key="incremental">lastmodified</param> <!-- 按照时间簇来进行增量导入 -->
		<param key="last-value">23:59:59</param> <!-- 增量导入时间划分点 -->
		<param key="num-mappers">1</param>   <!-- 使用map任务个数 -->
		<param key="split-by">id</param> <!-- 将表按照id水平切分交给map处理  -->
	</sqoop-shell>
</root>

　　user_all.xml

　　

<?xml version="1.0" encoding="UTF-8"?>

<root>
	<sqoop-shell type="import">
		<param key="connect">jdbc:mysql://192.168.0.154:3306/db_etl</param>   <!-- 数据库连接地址 -->
		<param key="username">root</param><!-- 数据库用户名 -->
		<param key="password">123456</param><!-- 数据库密码 -->
		<param key="table">userinfo</param><!-- 数据库中待导出的表名 -->
		<param key="hive-database">etl</param> <!-- 指定导入到HIVE的哪个数据库中 -->
		<param key="hive-partition-key">dt</param>   <!-- 通过时间分区 -->
		<param key="hive-partition-value">$dt</param>
		<param key="hive-import"></param>                  
		<param key="create-hive-table"></param>   <!-- 在hive中新建一张同名同结构的表 -->
		<param key="hive-overwrite"></param> <!-- 覆盖原来以存在的表 -->
		<param key="num-mappers">1</param>   <!-- 使用map任务个数 -->
		<param key="split-by">id</param> <!-- 将表按照id水平切分交给map处理  -->
	</sqoop-shell>
</root>

　　MysqlToHive.py

# _*_ coding:UTF-8 _*_
'''
Created on 2016��12��1��

@author: duking
'''
import datetime
import os
import xml.etree.ElementTree as ET
import collections

#获取昨天时间
def getYesterday(): 
    today=datetime.date.today() 
    oneday=datetime.timedelta(days=1) 
    yesterday=today-oneday  
    return yesterday


def Resolve_Conf(dt):
    
    #获取当前工程目录
    PROJECT_DIR = os.getcwd()
    #获得配置文件名
    conf_file = PROJECT_DIR + "confImport.xml"
    #解析配置文件
    xml_tree = ET.parse(conf_file)
    
    #提取出本次导入的类型  全导入或者增量导入  通过配置import.xml中的plan标签的value值设定
    import_types = xml_tree.findall('./importtype')
    for import_type in import_types:
        aim_types = import_type.findall('./value')
        for i in range(len(aim_types)):
            aim_type = aim_types[i].text
            
    #获得task元素
    tasks = xml_tree.findall('./task')
    
    #用来保存待执行的sqoop命令的集合
    cmds = []
    
    for task in tasks:
        #获得导入类型，增量导入或者全量导入
        import_type = task.attrib["type"]
        
        #如果task的标签导入类型与设定类型不同，结束本次循环
        if(import_type != aim_type):
            continue

        #获得表名集合
        tables = task.findall('./table')
        
        #迭代表名集合，解析表配置文件
        for i in range(len(tables)):
            #表名
            table_name = tables[i].text
            #表配置文件名
            table_conf_file = PROJECT_DIR + "conf\" + table_name + ".xml"
            
            #解析表配置文件
            xmlTree = ET.parse(table_conf_file)
            
            #获取sqoop-shell 节点
            sqoopNodes = xmlTree.findall("./sqoop-shell")
            #获取sqoop 命令类型
            sqoop_cmd_type = sqoopNodes[0].attrib["type"]
            
            #首先组装成sqoop命令头
            command = "sqoop " + sqoop_cmd_type
                
            #获取
            praNodes = sqoopNodes[0].findall("./param")
            
            #用来保存param的信息的有序字典
            cmap = collections.OrderedDict()            
            #将所有param中的key-value存入字典中
            for i in range(len(praNodes)):
                #获取key的属性值
                key = praNodes[i].attrib["key"]
                #获取param标签中的值
                value = praNodes[i].text
                #保存到字典中
                cmap[key] = value
             
            #迭代字典将param的信息拼装成字符串
            for key in cmap:
                  
                value = cmap[key]
                 
                #如果不是键值对形式的命令 或者值为空，跳出此次循环
                if(value == None or value == "" or value == " "):
                    value = ""
                    
                if(key == "hive-partition-value"):
                    value = value.replace('$dt',str(dt))  
                #合成前一天的时间
                if(key == "last-value"):
                    value = '"' + str(dt) + " " + value + '"'
                        
                #拼装为命令
                command += " --" + key + " " + value + " " 
                    
            #将命令加入至待执行的命令集合
            cmds.append(command)
        
    return cmds   
        

#python 模块的入口：main函数
if __name__ == '__main__':
    
    dt = getYesterday();
    
    #解析配置文件，生成相应的HQL语句
    cmds = Resolve_Conf(dt)
    
    #迭代集合，执行命令
    for i in range(len(cmds)):
        cmd = cmds[i]
        print cmd
        #执行导入过秤
        os.system(cmd)