使用kettle工具定时抽取mysql数据到hbase集群的表中（一）

关注

原创最新推荐文章于 2026-09-21 21:11:57 发布 2.5k 阅读 AI 写同款· GEO 优化 ›

Kettle笔记 —— 利用Transformation和job完成不同数据源的数据处理和写入 Kettle是一款开源的ETL工具，纯java编写，可以在Window、Linux、Unix上运行，绿色无需安装，数据抽取高效稳定。 Kattle的工程存储方式有（1）以XML形式存储，（2）以资源库方式存储（不同的用户可以共同使用） Kattle的两种设计： Transformation（转换）：针对于数据的基础转换（着重于数据的ETL过程） Job（作业）：完成整个工作流的控制（着重于不同步骤之间的控制流程）区别：一个Job中可以包含多个Transformation Transformatio 阅读详情

前言

最近由于工作中的项目将要用到大数据和底层数据抽取，所以花了些时间研究了相关的技术。已经整理出了相关的文档上传到了csdn，但是现在上传的资源不能自己设置免费，系统自动生成了5积分才能下载，所以打算在博客中写出来。如果有不对的地方欢迎指正。

简介

1.hadoop：大数据处理框架，三个基本组件hdfs,yarn,Mapreduce

2.hbase：和hadoop配合使用，结构化数据的分布式存储系统

3.kettle:开源的etl工具，用来进行数据抽取

如标题所说，在使用关系型数据库（例如mysql，oracle）时，如果数据是按秒级进行刷新，并且历史数据需要记录方便以后进行数据分许，那么这个数据量就非常大，这个时候使用hadoop来存储非常合适。想要实现最终目的我分了5个步骤。也分为5篇文章来叙述。

1）hadoop集群环境搭建

2）使用kettle抽取mysql数据到hadoop

3）基于hadoop集群搭建hbase

4）抽取mysql数据到hbase表中

5）抽取任务定时执行

hadoop集群环境搭建

Linux命令

1.向系统中增加了一个新组zu1，同时指定新组的组标识号（GID）是888。

groupadd -g 888 zu1

2.删除已知组zu1

groupdel zu1

3.将组zu1的标识号改为10000，组名修改为zu2

groupmod –g 10000 -n zu2 zu1

4.将当前用户切换到root用户组，前提条件是root用户组确实是该用户的主组或附加组

newgrp root

5.查看组信息：cat /etc/group

在/etc/group 中的每条记录分四个字段：

　　第一字段：用户组名称;

　　第二字段：用户组密码;

　　第三字段：GID

　　第四字段：用户列表，每个用户之间用逗号(，)号分割;本字段可以为空;如果字段为空表示用户组为GID的用户名;

6.查询 wangkang所属的组都有哪些

[root@localhost ~]# groups wangkang

wangkang: zu1

7.将用户wangkang从zu1中删除

gpasswd zu1 -d wangkang

8.将用户wangkang加入到zu1中
usermod -a -G zu1 wangkang

安装前准备

Java版本：1.8

Hadoop版本：2.7.7

两台CentOS7虚拟机，修改主机名，内存分别为2G，固定ip地址。我的虚拟机分别是

master 192.168.93.131（主服务器）

slave1 192.168.93.132（从服务器）

1.使用root用户

分别在两台机器中新建用户wangkang，主目录为/home/wangkang（也可以在安装系统时直接创建出这个用户）

将用户wangkang加入到root用户组中

2.使用root用户

在两台机器的/etc/hosts文件中都加入

192.168.93.131 master

192.168.93.132 slave1

用丛域名解析

3.使用wangkang用户

将java安装包下载到主目录也就是/home/wangkang目录下（也可以下载好上传至linux系统下），输入命令

$cd ~ （进入主目录）

$tar -zxvf jdk-8u8o-linux-x64.tar.gz （解压缩）

4.使用wangkang用户

因为主从服务器需要相互访问，所以需要设置免密登陆

分别在两台机器上执行

$cd ~

$ssh-keygen -t rsa （生成本机密钥）

在master主机上执行

$cd ~ /.ssh/（进入隐藏文件夹.ssh）

$ssh-copy-id 192.168.93.131（把生成的本机密钥追加到自身的authorized_keys文件里）

$scp /home/wangkang/.ssh/authorized_keys 192.168.93.132:/home/wangkang/.ssh/

（把master中的authorized_keys文件拷贝到slave1中）

在slave1中执行

$ssh-copy-id 192.168.93.132（把生成的本机密钥追加到authorized_keys文件里）

注意：此时authorized_keys问件中包含了两台机器的密钥。

$scp /home/wangkang/.ssh/authorized_keys 192.168.93.131:/home/wangkang/.ssh/

（把slave1中的authorized_keys文件拷贝到master中）

免密登陆配置完成。

验证是否成功：

在master上

$ssh slave1（登陆slave1,第一次登陆需要密码）

输入slave1的密码后成功登陆slave1

$exit（退出）

$ssh slave1（第二次登陆不需要密码）

在slave1上同样去登陆master验证免密登陆是否成功

安装配置hadoop

整个过程使用wangkang用户在master主机上进行

1.和解压缩jdk一样，将hadoop压缩包上传或直接下载到wangkang的主目录下，然后解压缩

2.在hadoop解压后的目录下创建新目录

$cd ~/hadoop-2.7.7

$mkdir tmp

$mkdir hdfs

$mkdir hdfs/data

$mkdir hdfs/name

3.修改hadoop的配置文件

进入~/hadoop-2.7.7/etc/hadoop

1）core-site.xml,添加

<name>fs.defaultFS</name>

</property>

<name>hadoop.tmp.dir</name>

<value>file:/home/wangkang/hadoop-2.7.7/tmp</value>

</property>

<name>io.file.buffer.size</name>

</property>

2）hdfs-site.xml,添加

<name>dfs.namenode.name.dir</name>

<value>file:/home/wangkang/hadoop-2.7.7/hdfs/name</value>

</property>

<name>dfs.datanode.data.dir</name>

<value>file:/home/wangkang/hadoop-2.7.7/hdfs/data</value>

</property>

<name>dfs.replication</name>

</property>

<name>dfs.namenode.secondary.http-address</name>

</property>

<name>dfs.namenode.servicerpc-address</name>

</property>

<name>dfs.webhdfs.enabled</name>

</property>

3）yarn-site.xml,添加

<name>yarn.nodemanager.aux-services</name>

<value>mapreduce_shuffle</value>

</property>

<name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>

<value>org.apache.hadoop.mapred.ShuffleHandler</value>

</property>

<name>yarn.resourcemanager.address</name>

</property>

<name>yarn.resourcemanager.scheduler.address</name>

</property>

<name>yarn.resourcemanager.resource-tracker.address</name>

</property>

<name>yarn.resourcemanager.admin.address</name>

</property>

<name>yarn.resourcemanager.webapp.address</name>

</property>

<name>yarn.nodemanager.resource.memory-mb</name>

</property>

4）mapred-site.xml（如果没有这个文件，就去找mapred-site.xml.templete文件，拷贝一份后，将其中一个文件名改为mapred-site.xml）

<name>mapreduce.framework.name</name>

</property>

<name>mapreduce.jobhistory.address</name>

</property>

<name>mapreduce.jobhistory.webapp.address</name>

</property>

5）slaves文件（3.0的版本中叫workers文件），添加

192.168.93.132

6）hadoop-env.sh,添加

Export JAVA_HOME=/home/wangkang/jdk_1.8.0_75

7）yarn-env.sh,添加

Export JAVA_HOME=/home/wangkang/jdk_1.8.0_75

8）将master主机上配置好的hadoop文件夹赋值到slave1中

$cd ~

$scp -r ./hadoop-2.7.7 192.168.93.132:/home/wangkang

安装后配置

分别在两台机器上使用root用户，打开/etc/profile文件，添加环境变量

export JAVA_HOME=/home/wangkang/jdk1.8.0_131

export CLASSPATH=.:$JAVA_HOME/jre/lib/rt.jar:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

export HADOOP_HOME=/home/wangkang/hadoop-2.7.7

export HADOOP_COMMON_HOME=$HADOOP_HOME

export HADOOP_HDFS_HOME=$HADOOP_HOME

export HADOOP_MAPRED_HOME=$HADOOP_HOME

export HADOOP_YARN_HOME=$HADOOP_HOME

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$HADOOP_HOME/lib

export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native

export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"

export LD_LIBRARY_PATH=$HADOOP_HOME/lib/native

执行命令是环境变量立刻生效

#source /etc/profile

此命令生效后，如果关闭终端再打开，会发现环境变量失效了，此时还要再执行一遍#source /etc/profile。

解决办法是关机重启，然后环境变量就会一直生效了。

环境变量失效的后果是，很多脚本命令执行起来会报命令不存在的提示，例如jps

hadoop fs ，start-all.sh

初始化及运行验证（全部使用wangkang用户）

在master机器上执行以下命令：

$hdfs namenode -format

（格式化hdfs，此操作只能执行一次，多次执行可能会出现问题，当看见/name has been succussfully formatted 表名格式化成功）

$start-dfs.sh（启动hdfs,第一次启动较慢）

$start-yarn.sh（启动yarn）

$ jps（使用jps命令查看master机器上的java进程），如下

在slave1机器上执行以下命令：

通过问页面查看namemode，在虚拟加master上打开浏览器，输入192.168.93.131:50070，可以进入页面

但是在本机上访问虚拟机master的192.168.93.131:50070地址却打不开。

查证后发现是虚拟机的防火墙没有关闭，关闭后即可访问

分别在master上slave1上使用root用户

#sudo firewall-cmd --state（查看防火墙状态）

#sudo systemctl stop firewalld.service（关闭防火墙，只对本次启动有用，重启后防火墙依然打开）

# sudo systemctl disable firewalld.service（设置防火墙默认关闭，下次启动后不会开启）

如图

运行hadoop自带的mapreduce例子wordcount

wordcount是一个jar包，一个简单的mapreduce实现，用来统计文件中每个单词出现的次数

1.在/home/wangkang下创建一个叫做test.txt的文件，里面写上几个单词，如图

2.在hdfs文件系统中创建名为word的路径

$hadoop fs -mkdir -p /word

3.将本地的test文件上传至hdfs文件系统中的word路径下

$hadoop fs -put /home/wankang/test.txt /word/

4.需要执行的jar包在hadoop安装目录下，路径为

/home/wangkang/hadoop-2.7.7/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar，执行此jar的命令是

$hadoop jar /home/wangkang/hadoop-2.7.7/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar wordcount /word /out

其中

wordcount是这个jar包内部映射的一个别名;

/word是hdfs文件系统中，需要计算的文件存放的路径;

/out是计算结果存放的路径。这个路径是有你来指定的，系统会在hdfs文件系统中自动生成。但是，这个路径在执行命令前一定不能存在，否则会执行失败

执行结果如图

5.查看执行的结果

$hadoop fs -text /out/part-r-00000

6.执行时会遇到的问题。

问题1.

Invalid resource request, requested memory < 0, or requested memory > max configured, requestedMemory=1536, maxMemory=1024

第一次执行时可能会报这个错误，报错信息是说，这个任务请求的内存是1536，但是我们配置的内存最大只有1024

解决方案：

先关闭所有hadoop服务（$stop-all.sh）

找到hadoop-2.7.7/etc/hadoop/yarn-site.xml

将yarn.nodemanager.resource.memory-mb属性由原来的1024改为2048

注意，需要将master机器和slave1机器都改掉。

改完后重启服务（$start-all.sh）

问题2.

执行jar的时候任务卡死。

Running job: job_1559553475936_0001

卡在这个地方不动了。

解决方案：

查阅资料之后了解到是虚拟机内存太小。我的两台虚拟机内存为2G。

先将服务全部关闭。然后关闭虚拟机，将两台虚拟机内存调整为4G，然后重启。

结束：

参考书籍《Hadoop构建数据仓库实践》

收录于

java

linux

hadoop

Kettle 8.3 实战MySQL 数据导入 HDFS 通过以上简单的六个步骤，我们成功地使用Kettle 8.3 将MySQL数据库中的数据抽取并加载到了HDFS分布式文件系统。Kettle作为一款强大的可视化ETL工具，极大地降低了数据集成任务的复杂性，让数据流动变得更加高效便捷。在Kettle中创建和运行一个基本的转换。配置MySQL数据库连接，并使用SQL抽取数据。配置Hadoop文件输出组件，将数据写入HDFS。通过Kettle日志和Hadoop命令行工具验证数据传输结果。这仅仅是Kettle功能的冰山一角！阅读详情

使用kettle工具定时抽取mysql数据到hbase集群的表中（一）

前言

简介

hadoop集群环境搭建

相关推荐