大数据Apache Druid（五）：Druid批量数据加载

2022-08-21 00:48:28 浏览数 (2)

​Druid批量数据加载

Druid支持流式和批量两种方式的数据摄入，流式数据是指源源不断产生的数据，数据会一直产生不会停止。批量数据是指已经生产完成的数据。这两种数据都可以加载到Druid的dataSource中供OLAP分析使用。

一、Druid加载本地磁盘文件

1、使用webui加载本地数据

Druid可以加载本地磁盘数据文件。我们有一份用户订单数据，格式如下：

代码语言：javascript复制
{"data_dt":"2021-07-01T08:13:23.000Z","uid":"uid001","loc":"北京","item":"衣服","amount":"100"}
{"data_dt":"2021-07-01T08:20:13.000Z","uid":"uid001","loc":"北京","item":"手机","amount":"200"}
{"data_dt":"2021-07-01T09:24:46.000Z","uid":"uid002","loc":"上海","item":"书籍","amount":"300"}
{"data_dt":"2021-07-01T09:43:42.000Z","uid":"uid002","loc":"上海","item":"书籍","amount":"400"}
{"data_dt":"2021-07-01T09:53:42.000Z","uid":"uid002","loc":"上海","item":"书籍","amount":"500"}
{"data_dt":"2021-07-01T12:19:52.000Z","uid":"uid003","loc":"天津","item":"水果","amount":"600"}
{"data_dt":"2021-07-01T14:53:13.000Z","uid":"uid004","loc":"广州","item":"生鲜","amount":"700"}
{"data_dt":"2021-07-01T15:51:45.000Z","uid":"uid005","loc":"深圳","item":"手机","amount":"800"}
{"data_dt":"2021-07-01T17:21:21.000Z","uid":"uid006","loc":"杭州","item":"电脑","amount":"900"}
{"data_dt":"2021-07-01T20:26:53.000Z","uid":"uid007","loc":"湖南","item":"水果","amount":"1000"}
{"data_dt":"2021-07-01T09:38:11.000Z","uid":"uid008","loc":"山东","item":"书籍","amount":"1100"}

将以上数据加载到Druid中，我们可以直接在页面上操作，操作步骤如下：

  • 将以上数据上传到Druid各个Server节点上相同路径

这里将数据存放在Druid各个Server角色的/root/druid_data/目录下，必须是所有节点，这里就是node3、node4、node5节点。

  • 进入http://node5:8888 查询主页面，点击load data标签
  • 选择“Local disk”

点击“Connect data”,在打开的页面中填写对应的数据目录：

注意：为了演示聚合效果，后面图中显示数据与真实导入数据不一样，数据有改动，步骤都是一样的。

  • 点击“Parse data”，解析数据，默认为json格式，此外还支持很多格式
  • 点击“Parse time”来指主时间戳列

在Druid中一般都需要一个时间戳列，这个时间戳列在内部存储为“_time”列，如果数据中没有时间戳列，可以选择“None”指定一个固定的时间当做时间列。

  • 点击“Next Transform”，进行列转换

“列转换”可以根据已有列来合并生成新的列，这里没有需要我们直接点击“Next Filter”即可。

点击“Next Filter”是进行数据过滤，这里我们导入所有数据，所以这里直接点击“Next Configure schema”，可以设置是否“Rollup”上卷，可以将原始数据在注入的时候就进行汇总处理。rollup上卷指的是按照相同维度的数据对度量字段进行聚合操作，可以做到减少存储空间大小。

Druid中每列都有一个类型，可以点击某个列修改该列的类型，这里我们可以按照默认的类型处理，直接点击“Next:Partition”：

  • 设置分区

在Druid中，segment的分区规则会对磁盘占用和性能产生重大影响。默认是按照时间列划分chunk,每个chunk中可以按照三种分区规则来进行分区：

dynamic:摄入速度最快，根据配置的每个segment行数来进行划分segment。

hashed:摄入速度中等，根据数据维度列的hash值进行分区，可以减少数据源大小和查询延迟。

single_dim:摄入速度最慢，根据指定维度值来进行范围分区，查询速度最快。

这里我们选择默认的动态分区方式即可。

  • “点击Next Tune”，优化设置，对Druid读取数据进行参数优化设置，这里按照默认即可，直接点击“Next Publish”即可。
  • 点击“Next Publish”，配置对应的Datasource名称
  • 点击“Next Edit spec”，确认配置

以上json配置是根据前面配置生成的json配置，没有问题直接点击“submit”生成任务导入数据即可。

  • 提交任务后会自动生成个一个导入数据任务

等待一会，导入数据任务完成之后，在主页面可以看到对应的datasource及segment。

2、​​​​​​​​​​​​​​查询Druid数据

点击“Query”，查询数据，我们可以看到数据中按照指定的小时，所有维度相同的数据自动进行了聚合操作，这里datasource“mydruid_testdata”中存储的数据是预聚合之后的数据，如果有相同维度数据，原来“原子性”数据查询不到了。如果不希望预聚合，可以在步骤中将“rollup”设置关闭。

查询地区物品销售订单数量及销售总金额：

代码语言：javascript复制
#注意：Druid SQL中关键字使用双引号引起来，时间yyyyMMdd 使用单引号引起来。
select 
loc,
item,
sum("count") as total_order_count,
sum(sum_amount) as total_order_amount
from mydruid_testdata
where time_format("__time",'yyyyMMdd')='20210701'
group by loc,item

3、删除Druid数据

永久删除Druid数据分为两个步骤，第一：将要删除的segment标记为“unused”,可以在webui中操作。第二：提交新的任务将数据在Deep Storage中彻底删除。下面我们将datasource“mydruid_testdata”中数据彻底删除，步骤如下：

  • 将segment标记为“unused”

在“segment”标签下，选中要删除的segment，点击“Drop segment（disable）”：

这里删除后，只是将datasource与此segment的映射关系切断，真实存在deep storage中的数据没有被删除，可以查看HDFS数据：

  • 打开postman 发送post请求彻底删除segment数据

postman发送请求地址：http://node3:8081/druid/indexer/v1/task

pstman请求Row中json数据如下：

代码语言：javascript复制
{"type":"kill","dataSource":"mydruid_testdata","interval":"2021-07-01/2021-08-01"}

postman 执行发送请求：

在Druid中对应的会生成删除任务task:

HDFS中对应dataSource下的Segment被清空：

如果想要彻底删除当前Datasource所有数据除了以上这种post发送请求外，还可以直接在Druid webui中做彻底删除操作，步骤如下：

  • 点击“Datasource”标签，将对应的DataSource所有segment标记unused
  • 彻底删除所有segment

再次点击“工具”，点击“issue kill task”，会将所有segment在Deep Storage中彻底删除。

注意：这种方式删除时，动作要快，不然第一步操作完成后，datasource隔一段时间自动会清除，这样就无法执行第二步。

4、​​​​​​​​​​​​​​使用post方式加载本地数据

除了以上可以在页面上提交导入数据操作以外，我们还可以使用命令向Druid中导入数据，步骤如下：

  • 首先准备配置文件

这里的配置文件，就是在前面页面操作提交任务之前根据配置生成的json配置文件，如下：

代码语言：javascript复制
{
  "type": "index_parallel",
  "spec": {
    "dataSchema": {
      "dataSource": "mydruid_testdata",
      "timestampSpec": {
        "column": "data_dt",
        "format": "iso",
        "missingValue": null
      },
      "dimensionsSpec": {
        "dimensions": [
          {
            "type": "string",
            "name": "item",
            "multiValueHandling": "SORTED_ARRAY",
            "createBitmapIndex": true
          },
          {
            "type": "string",
            "name": "loc",
            "multiValueHandling": "SORTED_ARRAY",
            "createBitmapIndex": true
          },
          {
            "type": "string",
            "name": "uid",
            "multiValueHandling": "SORTED_ARRAY",
            "createBitmapIndex": true
          }
        ],
        "dimensionExclusions": [
          "data_dt",
          "amount",
          "sum_amount",
          "count"
        ]
      },
      "metricsSpec": [
        {
          "type": "count",
          "name": "count"
        },
        {
          "type": "longSum",
          "name": "sum_amount",
          "fieldName": "amount",
          "expression": null
        }
      ],
      "granularitySpec": {
        "type": "uniform",
        "segmentGranularity": "DAY",
        "queryGranularity": "HOUR",
        "rollup": true,
        "intervals": null
      },
      "transformSpec": {
        "filter": null,
        "transforms": []
      }
    },
    "ioConfig": {
      "type": "index_parallel",
      "inputSource": {
        "type": "local",
        "baseDir": "/root/druid_data",
        "filter": "*.json",
        "files": []
      },
      "inputFormat": {
        "type": "json",
        "flattenSpec": {
          "useFieldDiscovery": true,
          "fields": []
        },
        "featureSpec": {}
      },
      "appendToExisting": false
    },
    "tuningConfig": {
      "type": "index_parallel",
      "maxRowsPerSegment": 5000000,
      "appendableIndexSpec": {
        "type": "onheap"
      },
      "maxRowsInMemory": 1000000,
      "maxBytesInMemory": 0,
      "maxTotalRows": null,
      "numShards": null,
      "splitHintSpec": null,
      "partitionsSpec": {
        "type": "dynamic",
        "maxRowsPerSegment": 5000000,
        "maxTotalRows": null
      },
      "indexSpec": {
        "bitmap": {
          "type": "roaring",
          "compressRunOnSerialization": true
        },
        "dimensionCompression": "lz4",
        "metricCompression": "lz4",
        "longEncoding": "longs",
        "segmentLoader": null
      },
      "indexSpecForIntermediatePersists": {
        "bitmap": {
          "type": "roaring",
          "compressRunOnSerialization": true
        },
        "dimensionCompression": "lz4",
        "metricCompression": "lz4",
        "longEncoding": "longs",
        "segmentLoader": null
      },
      "maxPendingPersists": 0,
      "forceGuaranteedRollup": false,
      "reportParseExceptions": false,
      "pushTimeout": 0,
      "segmentWriteOutMediumFactory": null,
      "maxNumConcurrentSubTasks": 1,
      "maxRetry": 3,
      "taskStatusCheckPeriodMs": 1000,
      "chatHandlerTimeout": "PT10S",
      "chatHandlerNumRetries": 5,
      "maxNumSegmentsToMerge": 100,
      "totalNumMergeTasks": 10,
      "logParseExceptions": false,
      "maxParseExceptions": 2147483647,
      "maxSavedParseExceptions": 0,
      "maxColumnsToMerge": -1,
      "buildV9Directly": true,
      "partitionDimensions": []
    }
  }
}

将以上json配置命名，名称自定义，这里命名：“ingest_local_disk_data.json”。

  • 使用postman发送以下post请求

postman发送请求地址：http://node3:8081/druid/indexer/v1/task,在Body中选择“Row”，填写以上json配置，并发送post请求，生成提交数据任务。

在Druid task页面中会有对应的提交任务task任务：

注意：在以上加载数据到Druid中时，如果执行失败，在webui中看不到错误详细信息，可以进入到对应的服务节点上查看日志：

  • coordinator-overlord节点日志路径：

/software/apache-druid-0.21.1/var/sv/coordinator-overlord.log

  • historical服务日志路径：

/software/apache-druid-0.21.1/var/sv/historical.log

  • middleManager服务日志路径：

/software/apache-druid-0.21.1/var/sv/middleManager.log

  • broker服务日志路径:

/software/apache-druid-0.21.1/var/sv/broker.log

  • router服务日志路径：

/software/apache-druid-0.21.1/var/sv/router.log

二、​​​​​​​​​​​​​​Druid与HDFS整合

​​​​​​​1、使用webui加载HDFS文件数据

与加载本地文件类似，这里加载的数据是HDFS中的数据，操作步骤如下：

  • 将文件“fact_data.txt”上传至HDFS目录“/testdata”下
代码语言：javascript复制
[root@node3 ~]# hdfs dfs -mkdir /testdata/
[root@node3 ~]# hdfs dfs -put /root/druid_data/fact_data.txt /testdata/

  • 在Druid webui中配置加载HDFS数据

进入http://node5:8888，点击“Load data”加载数据：

选择“Start a new spec”:

选择“HDFS”,点击“Connect data”：

填写HDFS路径，选择“Parse data”：

​编辑配置文本文件为tsv,分割符为“|”,点击“Parse time”：

点击“Transform”，这里没有需要转换的列，直接点击“Filter”即可：

这里也没有需要过滤的数据，直接点击“Configure schema”下一步即可：

这里也不再“roll up”，将“uid”列改成string类型，然后点击“Partition”:

按照“day”划分chunk,点击“Tune”优化，这里也不再设置任何优化，直接点击“publish”，设置Datasource名称为“login_data”：

2、查询Druid中的数据

当点击“submit”后，等待大约1分钟后，可以在Druid主页面中看到有2个DataSource,以及对应的按照天生成的Segment:

在”Query”中查询SQL如下：

代码语言：javascript复制
select count(*) from login_data

代码语言：javascript复制
#聚合查询
select province,city,count(pv) as total_pv from login_data group by province,city order by total_pv

3、​​​​​​​​​​​​​​删除Druid中的数据

在Druid webui中彻底删除“login_data”中的数据。

4、使用post方式加载HDFS文件数据

准备json配置，这里的json配置就是在前面页面配置生成的json配置，如下：

代码语言：javascript复制
{
  "type": "index_parallel",
  "spec": {
    "dataSchema": {
      "dataSource": "login_data",
      "timestampSpec": {
        "column": "dt",
        "format": "auto",
        "missingValue": null
      },
      "dimensionsSpec": {
        "dimensions": [
          {
            "type": "string",
            "name": "province",
            "multiValueHandling": "SORTED_ARRAY",
            "createBitmapIndex": true
          },
          {
            "type": "string",
            "name": "city",
            "multiValueHandling": "SORTED_ARRAY",
            "createBitmapIndex": true
          },
          {
            "type": "string",
            "name": "uid",
            "multiValueHandling": "SORTED_ARRAY",
            "createBitmapIndex": true
          },
          {
            "type": "string",
            "name": "os",
            "multiValueHandling": "SORTED_ARRAY",
            "createBitmapIndex": true
          },
          {
            "type": "long",
            "name": "pv",
            "multiValueHandling": "SORTED_ARRAY",
            "createBitmapIndex": false
          }
        ],
        "dimensionExclusions": [
          "dt"
        ]
      },
      "metricsSpec": [],
      "granularitySpec": {
        "type": "uniform",
        "segmentGranularity": "DAY",
        "queryGranularity": {
          "type": "none"
        },
        "rollup": false,
        "intervals": null
      },
      "transformSpec": {
        "filter": null,
        "transforms": []
      }
    },
    "ioConfig": {
      "type": "index_parallel",
      "inputSource": {
        "type": "hdfs",
        "paths": [
          "/testdata/"
        ]
      },
      "inputFormat": {
        "type": "tsv",
        "columns": [
          "dt",
          "province",
          "city",
          "uid",
          "os",
          "pv"
        ],
        "listDelimiter": null,
        "delimiter": "|",
        "findColumnsFromHeader": false,
        "skipHeaderRows": 0
      },
      "appendToExisting": false
    },
    "tuningConfig": {
      "type": "index_parallel",
      "maxRowsPerSegment": 5000000,
      "appendableIndexSpec": {
        "type": "onheap"
      },
      "maxRowsInMemory": 1000000,
      "maxBytesInMemory": 0,
      "maxTotalRows": null,
      "numShards": null,
      "splitHintSpec": null,
      "partitionsSpec": {
        "type": "dynamic",
        "maxRowsPerSegment": 5000000,
        "maxTotalRows": null
      },
      "indexSpec": {
        "bitmap": {
          "type": "roaring",
          "compressRunOnSerialization": true
        },
        "dimensionCompression": "lz4",
        "metricCompression": "lz4",
        "longEncoding": "longs",
        "segmentLoader": null
      },
      "indexSpecForIntermediatePersists": {
        "bitmap": {
          "type": "roaring",
          "compressRunOnSerialization": true
        },
        "dimensionCompression": "lz4",
        "metricCompression": "lz4",
        "longEncoding": "longs",
        "segmentLoader": null
      },
      "maxPendingPersists": 0,
      "forceGuaranteedRollup": false,
      "reportParseExceptions": false,
      "pushTimeout": 0,
      "segmentWriteOutMediumFactory": null,
      "maxNumConcurrentSubTasks": 1,
      "maxRetry": 3,
      "taskStatusCheckPeriodMs": 1000,
      "chatHandlerTimeout": "PT10S",
      "chatHandlerNumRetries": 5,
      "maxNumSegmentsToMerge": 100,
      "totalNumMergeTasks": 10,
      "logParseExceptions": false,
      "maxParseExceptions": 2147483647,
      "maxSavedParseExceptions": 0,
      "maxColumnsToMerge": -1,
      "buildV9Directly": true,
      "partitionDimensions": []
    }
  }
}

使用postman 来发送请求，将HDFS中的数据导入到Druid中，postman请求url:http://node3:8081/druid/indexer/v1/task,在row中写入以上json配置数据提交即可，执行之后可以在Druid页面中看到对应的Datasource。

大数据处理套件TBDS

0 人点赞