亿级数据从 MySQL 到 Hbase 的三种同步方案与实践
点击上方蓝色“程序猿DD”，选择“设为星标”
回复“资源”获取独家整理的学习资料！
2.工欲善其事，必先利其器
2.1 环境需知
实验的环境有：
MySQL Hadoop伪分布式/完全分布式 HBase Phoenix Zookeeper Kafka Maxwell Flink
2.2 伪分布式环境部署
2.2.1.准备工作
【JAVA】
★https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html
”
【用户】
sudo useradd -s /bin/bash -g hadoop -d /home/hadoop -m hadoop
vi /etc/sudoers
编辑上述文件：
# User privilege specification
root ALL=(ALL:ALL) ALL
hadoop ALL=(ALL:ALL) ALL # 添加此行
light@city:~$ sudo useradd -s /bin/bash -g hadoop -d /home/hadoop -m hadoop
useradd：“hadoop”组不存在
light@city:/home$ sudo groupadd hadoop
再次执行即可：
light@city:~$ sudo useradd -s /bin/bash -g hadoop -d /home/hadoop -m hadoop
设置或修改密码：
sudo passwd hadoop
【SSH】
安装ssh
sudo apt-get install openssh-server
配置免密登陆
su - hadoop
ssh-keygen -t rsa
cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
chmod 0600 ~/.ssh/authorized_keys
然后输入
ssh localhost
此时不需要输入密码，说明成功!
注意：关于ssh免秘登陆失败问题，大家可以通过以下方法进行尝试，大部分问题在于目录及文件权限！
sudo chmod 755 $HOME
sudo chmod 600 id_rsa
sudo chmod 600 id_rsa.pub
sudo chmod 644 authorized_keys
2.2.2 伪分布式
【Hadoop】
下载及安装
在下列镜像中下载Hadoop版本，我下载的3.0.2。
★https://mirrors.cnnic.cn/apache/hadoop/common/
”
wget https://mirrors.cnnic.cn/apache/hadoop/common/hadoop-3.0.2/hadoop-3.0.2.tar.gz
tar zxvf hadoop-3.0.2.tar.gz
sudo mv hadoop-3.0.2 /usr/local/hadoop
配置
编辑etc/hadoop/core-site.xml，configuration配置为
<configuration>
<property>
<name>fs.defaultFS</name>
<value>hdfs://localhost:9000</value>
</property>
</configuration>
sudo netstat -alnp | grep 9000
会发现9000端口被php-fpm给占用了，所以这里得修改为其他端口，比如我修改为9012，然后可以再次执行这个命令，会发现没被占用，说明可行！
编辑etc/hadoop/hdfs-site.xml，configuration配置为
<configuration>
<property>
<name>dfs.replication</name>
<value>1</value>
</property>
</configuration>
初始化
格式化HDFS
bin/hdfs namenode -format
注意：格式化执行一次即可！
启动NameNode和DataNode
sbin/start-dfs.sh
这时在浏览器中访问http://localhost:9870/，可以看到NameNode相关信息。
http://localhost:9864/查看DataNode相关信息。
由于hadoop3.x版本与2.x版本监听端口不一样，所以如果还是原先的50070便访问不到相关信息,不知道上述9870或者9864，没关系，可以通过下面命令查看！
输入netstat命令即可查看tcp监听端口：
sudo netstat -ntlp
上述两个重要端口，9864后面可以看到进程ID为17270，通过JPS查看可以看到对应DataNode，9870类似方法。
配置YARN
编辑etc/hadoop/mapred-site.xml，configuration配置为
<configuration>
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
</configuration>
编辑etc/hadoop/yarn-site.xml，configuration配置为
<configuration>
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
</configuration>
启动YARN
sbin/start-yarn.sh
查看进程：
Jps
NodeManager
SecondaryNameNode
NameNode
ResourceManager
DataNode
YARN就是上述的资源管理：ResourceManager。
同理，可以通过上述方法查看ResourceManager的端口，默认为8088。
浏览器输入：http://localhost:8088/cluster
启动与停止
启动：
sbin/start-dfs.sh
sbin/start-yarn.sh
停止：
sbin/stop-dfs.sh
sbin/stop-yarn.sh
至此，伪分布式搭建完毕！后面开始HBase与Phoenix搭建！
【HBase】
下载安装
★https://mirrors.cnnic.cn/apache/hbase/
”
wget https://mirrors.cnnic.cn/apache/hbase/stable/hbase-1.4.9-bin.tar.gz
tar zxvf hbase-1.4.9-bin.tar.gz
sudo mv zxvf hbase-1.4.9-bin /usr/local/hbase
单机HBase配置
编辑conf/hbase-site.xml，configuration配置为
<configuration>
<property>
<name>hbase.rootdir</name>
<value>hdfs://localhost:9012/hbase</value>
</property>
<property>
<name>hbase.zookeeper.property.dataDir</name>
<value>/home/hadoop/zookeeper</value>
</property>
</configuration>
启动
bin/start-hbase.sh
jps查看进程：
HMaster
Jps
终端
bin/hbase shell
如果想要关闭HBase，则输入：
bin/stop-hbase.sh
HBase伪分布式配置
编辑conf/hbase-site.xml，configuration中添加
<property>
<name>hbase.cluster.distributed</name>
<value>true</value>
</property>
然后修改root由本地文件系统到HDFS，编辑conf/hbase-site.xml，hbase.rootdir值由
file:///home/hadoop/hbase
修改为
hdfs://localhost:9012/hbase
★注意后面的端口号9012，需要保证与Hadoop DFS配置中的fs.defaultFS相同！
”
这样子修改后，会在hdfs文件系统中看到HBase目录，当然你也可以不用配置此项！
上述配置完毕后，保存后，重启HBase即可！
【封装】
每次启动这些输入太多命令，太繁琐，直接一个bash脚本搞定,首先进入/usr/local，然后再运行这个脚本！
启动脚本：
#!/bin/bash
hadoop/sbin/start-dfs.shkuangjia
hadoop/sbin/start-yarn.sh
hbase/bin/start-hbase.sh
停止脚本：
#!/bin/bash
hadoop/sbin/stop-dfs.sh
hadoop/sbin/stop-yarn.sh
hbase/bin/stop-hbase.sh
【zookeeper】
由于Hbase自带了zookeeper，一开始使用自带的，后来发现出了很多问题，换成自己配置zookeeper，配置方法如下：
最近做的数据迁移，当上游数据流向下游过大的时候，HBase就会崩溃。HBase自带的Zookeeper出了问题，就尝试自己安装独立的Zookeeper。
（1）禁用HBase自带的Zookeeper
修改 ./conf/hbase-env.sh
export HBASE_MANAGES_ZK=false（如果值为true，则使用自带的Zookeeper，会随着HBase一起启动）
（2）安装及配置独立Zookeeper
Zookeeper最新的版本可以通过官网获取
wget http://apache.fayea.com/zookeeper/zookeeper-xxx/zookeeper-xxx.tar.gz
tar xfz zookeeper-xxx.tar.gz
mv zookeeper-xxx /usr/local/zookeeper
★拷贝配置文件
”
cd zookeeper-xxx/conf/
cp zoo_sample.cfg zoo.cfg
★修改配置项
”
dataDir=/usr/local/zookeeper/data
dataLogDir=/usr/local/zookeeper/logs
dataDir：Zookeeper保存节点数据的目录。dataLogDir：Zookeeper保存节点数据的日志。
如果没有这个目录，就创建一下。
（3）HBase配置
★拷贝 zoo.cfg 到 hbase/conf/ 目录下
”
cp zoo.cfg /usr/local/hbase/conf/
这是官方文档推荐的做法，如果不拷贝 zoo.cfg，在 hbase-site.xml 中也可以对Zookeeper进行相关配置，但HBase会优先使用 zoo.cfg（如果有的话）的配置
★修改 hbase-site.xml
”
在原文件上加入：
<property>
<name>hbase.cluster.distributed</name>
<value>true</value>
</property>
如果不加的话，在启动独立安装的Zookeeper后，HBase不能正常启动。
（4）启动Zookeeper
./bin/zkServer.sh start
（5）检查服务是否启动
ps -ef | grep zookeeper
（6）启动HBase
在成功启动Zookeeper后，就可以启动HBase了：
./bin/start-hbase.sh
【Phoenix】
版本要与HBase相匹配！
下载apache-phoenix-4.14.2-HBase-1.4-bin.tar.gz
★安装
”
tar -xvf apache-phoenix-4.14.2-HBase-1.4-bin.tar.gz
mv apache-phoenix-4.14.2-HBase-1.4-bin.tar.gz /usr/local/phoenix
★配置
”
将hbase-site.xml配置文件拷贝到phoenix的bin目录下
★启动
”
首先启动zookeeper与hbase。
hadoop@city: ./start_zk.sh
ZooKeeper JMX enabled by default
Using config: /usr/local/zookeeper/bin/../conf/zoo.cfg
Starting zookeeper ... STARTED
hadoop@city: ./start_hbase.sh
running master, logging to /usr/local/hbase/logs/hbase-hadoop-master-city.out
: running regionserver, logging to /usr/local/hbase/logs/hbase-hadoop-regionserver-city.out
启动phoenix:
sqlline.py localhost
【Kafka】
★什么是Kafka？
”
Kafka 是一种分布式的，基于发布 / 订阅的消息系统。在这里可以把Kafka理解为生产消费者模式。
Kafka是使用Java开发的应用程序，Kafka需要运行Zookeeper，两者都需要Java，所以在需要安装Zookeeper和Kafka之前，先安装Java环境。
★启动Zookeeper
”
直接输入zkServer.sh start即可！
★Kafka安装及配置
”
Kafka下载地址：
★http://kafka.apache.org/downloads
”
同上述安装，这里下载.tgz文件，也是解压后移动到/usr/local即可！
关于配置文件可以直接采用默认的即可。
★启动Kafka
”
./bin/kafka-server-start.sh ./config/server.properties
★Topic创建
”
当使用下面maxwell提取出来的binlog信息的时候，默认使用kafka进行消费。
./kafka/bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic test
★发布与订阅
”
向Topic上发布消息，按Ctrl+D结束：
./kafka-console-producer.sh --broker-list localhost:9092 --topic test
从Topic上接收消息，按Ctrl+C结束：
./kafka-console-consumer.sh --bootstrap-server localhost:9092 --topic test --from-beginning
【Maxwell】
★Maxwell是什么？
”
官网原语：Maxwell's daemon, a mysql-to-json kafka producer。
这里解释一下Maxwell是将mysql binlog中的insert、update等操作提取出来，并以json数据返回作为kafka生产者。
当然自己也可以用编程实现binlog数据提取，并返回一个json数据。
★下载地址：http://maxwells-daemon.io/
”
安装方式同上。
★mysql配置Maxwell
”
Maxwell配置文件中默认用户名密码均为maxwell，所以需要在mysql中做相应的授权。
mysql> GRANT ALL on maxwell.* to'maxwell'@'%' identified by 'maxwell';
mysql> GRANT SELECT, REPLICATION CLIENT,REPLICATION SLAVE on *.* to 'maxwell'@'%';
mysql> flush privileges;
★配置Maxwell
”
cp config.properties.example config.properties
vi config.properties
maxwell配置：
log_level=info
# 默认生产者
producer=kafka
kafka.bootstrap.servers=localhost:9092
# mysql login info
host=localhost
user=maxwell
password=maxwell
# kafka配置
kafka_topic=test
kafka.compression.type=snappy
kafka.acks=all
kinesis_stream=test
★启动maxwell
”
./maxwell/bin/maxwell --user='maxwell' --password='maxwell' --host='127.0.0.1' --producer=kafka --kafka.bootstrap.servers=localhost:9092 --kafka_topic=test
当然也可以把上述封装成一个启动脚本：
#!/bin/bash
./maxwell/bin/maxwell --user='maxwell' --password='maxwell' --host='127.0.0.1' --producer=kafka --kafka.bootstrap.servers=localhost:9092 --kafka_topic=test
直接启动：
./start_maxwell.sh
【Flink】
★什么是Flink?
”
干说Flink比较抽象，直接举个例子吧，就拿本节的同步来说，本节使用的Flink就是做实时流计算的一个场景ETL，数据仓库的实时同步，当上游下发数据到Kafka队列中，然后通过Flink程序做window的收集，并将数据sink到Hbase中。
★下载：https://flink.apache.org/
”
安装的时候，直接进行解压缩并配置path环境即可！
★解压缩
”
tar -zxf xxx.tgz
mv xxx /usr/local
★配置环境变量
”
vim ~/.bashrc
export FLNK_HOME=/usr/local/flink
export PATH=$FLINK_HOME/bin:$PATH
使上述生效：
source ~/.bashrc
★启动与关闭flink
”
cd flink/bin
./start-cluster.sh # 启动
stop-cluster.sh # 关闭
3.亿级MySQL数据插入
本节题目为：亿级数据从 MySQL 到 Hbase 的三种同步方案与实践，首先需要了解如何快速插入MySQL。
那么MySQL数据插入将会从以下几个方法入手：
load data infilePython 单条插入
Python 多线程插入
当然也可以使用其他语言进行实现！！！
下面来逐步谈谈数据插入！
数据插入之前，需要了解我们的数据，先来看一下数据字段描述：
数据以ASCII文本表示，以逗号为分隔符，以回车换行符(0x0D 0x0A)结尾。数据项及顺序：车辆标识、触发事件、运营状态、GPS时间、GPS经度、GPS纬度,、GPS速度、GPS方向、GPS状态
车辆标识：6个字符
触发事件：0=变空车，1=变载客，2=设防，3=撤防，4=其它
运营状态：0=空车，1=载客，2=驻车，3=停运，4=其它
GPS时间：格式yyyymmddhhnnss，北京时间
GPS经度：格式ddd.ddddddd，以度为单位。
GPS纬度：格式dd.ddddddd，以度为单位。
GPS速度：格式ddd，取值000-255内整数，以公里/小时为单位。
GPS方位：格式ddd，取值000-360内整数，以度为单位。
GPS状态：0=无效，1=有效
结束串:回车符+换行符
154747,4,2,20121130001607,116.6999512,39.9006233,0,128,1
078245,4,0,20121130001610,116.3590469,39.9909782,0,92,1
194086,4,1,20121130001610,116.5017776,40.0047951,25,220,1
那么只需要将上述的数据字段与数据对上就行了，一行为一条数据记录。
首先编写创建数据库与表命令：
create database loaddb;
CREATE TABLE loadTable(id int primary key not null auto_increment,
carflag VARCHAR(6),touchevent CHAR(1),opstatus CHAR(1),gpstime DATETIME,
gpslongitude DECIMAL(10,7),gpslatitude DECIMAL(9,7),gpsspeed TINYINT,
gpsorientation SMALLINT,gpsstatus CHAR(1))engine=MyISAM;
注意：上述选择了MyISAM引擎是因为load命令使用的时候，保证数据插入的效率！
3.1 load data infile
load data infile在导入大数据场景下非常的快！具体的说明后面会在比较的时候详细说，这里说一下使用语法，如下：
load data local infile "/home/light/mysql/gps1.txt" into table loadTable fields terminated by ',' lines terminated by "\n" (carflag, touchevent, opstatus,gpstime,gpslongitude,gpslatitude,gpsspeed,gpsorientation,gpsstatus);
在使用这个命令的时候，是在MySQL的clinet端使用，登陆后敲这个命令即可！在数据字段描述中大家会看到几个关键点：以逗号为分隔符，以回车换行符，对应于上述代码是：
fields terminated by ',' lines terminated by "\n"
注意：更换自己的数据集路径！
3.2 Python 批量插入
Python单条插入使用的是pymysql库。下面是部分代码，完整代码见：
批量提交源码
with open('/home/light/mysql/gps1.txt', 'r') as fp:
for line in fp:
...
...
...
count += 1
if count and count%70000==0:
# 执行多行插入，executemany(sql语句,数据(需一个元组类型))
self.cur.executemany(sql, data_list)
# 提交数据,必须提交，不然数据不会保存
self.conn.commit()
data_list = []
print("提交了：" + str(count) + "条数据")
if data_list:
# 执行多行插入，executemany(sql语句,数据(需一个元组类型))
self.cur.executemany(sql, data_list)
# 提交数据,必须提交，不然数据不会保存
self.conn.commit()
print("提交了：" + str(count) + "条数据")
self.cur.close() # 关闭游标
self.conn.close() # 关闭pymysql连接
上述有个关键点需要说明一下：
（1）使用executemany而非execute，这个提交速度要快！（2）使用批量插入，而非单条插入提交，这样会提升效率！
3.3 Python 多线程插入
原始数据为一个gps1.txt文件，这个数据太大，如果直接使用多线程插入，不太方便，所以先使用文件切分方法，然后进行多线程的插入。
关于文件切分，可以点击这里：文件切分源码。
Python中使用多线程源码
def multicore(self):
file_list = [1,2324,4648,6972,9298]
m1 = mp.Process(target=self.run, args=(file_list[0],file_list[1],'m1',))
m2 = mp.Process(target=self.run, args=(file_list[1]+1,file_list[2],'m2',))
m3 = mp.Process(target=self.run, args=(file_list[2]+1,file_list[3],'m3',))
m4 = mp.Process(target=self.run, args=(file_list[3]+1,file_list[4],'m4',))
m1.start()
m2.start()
m3.start()
m4.start()
m1.join()
m2.join()
m3.join()
m4.join()
具体插入思路是使用四个线程分别读取每个区间段的数据，然后再对数据进行批量插入！如果这一块不懂的伙伴，欢迎留言哈~
3.4 MySQL数据导入方法对比
★load命令与普通的insert区别
”
| 相同点 | 不同点 |
|---|---|
| 两者都是通过读取本地txt文件，按照相同的分隔来读取进行插入。 | 程序插入法实质为insert语句间接执行。load data设计用于在单个操作中大量加载表格数据。 |
★效率比较
”
两者耗时如下：
第一种：load data (这里截取的是Innodb引擎表的插入结果，当使用MyISAM时，会比现在还快！)
用时1h11分。
第二种：程序插入法(这里只截取了批量插入的！)
用时：27322.45/36=7.58h
上述对比可知，load data效率非常高，原因在于使用的是load data infile方式，而第二种则为传统的insert方式。
究其根源主要是MySQL内部对于load 和 insert的处理机制不同。
Load的处理机制是:在执行load之前,会关掉索引,当load全部执行完成后,再重新创建索引.
Insert的处理机制是:每插入一条则更新一次数据库,更新一次索引.
4.同步利器
4.1 简单粗暴Sqoop
首先来回顾一下Sqoop架构图：
这里大家记住一个规则：大数据需要切分！如果不切分，这个亿级数据直接导入会崩溃！！！
★什么是Sqoop?
”
Sqoop是一个用来将Hadoop和关系型数据库中的数据相互转移的开源工具，可以将一个关系型数据库中的数据导进到Hadoop的HDFS或者HBase等。
sqoop核心参数与代码解释：
sqoop import --connect jdbc:mysql://localhost:3306/loaddb --username root --password xxxx --query "${sql}" --hbase-row-key id --hbase-create-table --column-family info --hbase-table mysql_data --split-by id -m 4
--connect 指定连接的数据库，如果你的数据库不是本地的，记得修改地址！--username 用户名 --password 密码 --query sql语句 --hbase-row-key 指定rowkey，如果存在则修改为该值 --hbase-create-table 创建Hbase表 --column-family 列簇 --hbase-table hbase表名
注意：当-m 设置的值大于1时，split-by必须设置字段!
由于数据太大，需要分片导入，具体导入代码见仓库：
up=185941000
for((i=1; i>0; i++))
do
start=$(((${i} - 1) * 40000 + 1))
end=$((${i} * 40000))
if [ $end -ge $up ]
then
end=185941000
fi
sql="select id,carflag, touchevent, opstatus,gpstime,gpslongitude,gpslatitude,gpsspeed,gpsorientation,gpsstatus from loaddb.loadTable1 where id>=${start} and id<=${end} and \$CONDITIONS";
sqoop import --connect jdbc:mysql://localhost:3306/loaddb --username root --password xxxx --query "${sql}" --hbase-row-key id --hbase-create-table --column-family info --hbase-table mysql_data --split-by id -m 4
echo Sqoop import from: ${start} to: ${end} success....................................
if [ $end -eq $up ]
then
break
fi
done
思路是每隔4万导入一次，当然您也可以修改。
耗时：（使用linux的time统计bash脚本运行时间）
导入结果：
如果遇到问题，显示虚拟内存溢出，不断新开进程，杀死之前的进程，解决方案：关闭虚拟内存。
修改yarn-site.xml
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
以上就是MySQL同步Hbase方案1。
4.2 Kafka-thrift同步
4.2.1 binlog
binlog是sever层维护的一种二进制日志，与innodb引擎中的redo/undo log是完全不同的日志。
可以简单的理解该log记录了sql标中的更新删除插入等操作记录。通常应用在数据恢复、备份等场景。
★开启binlog
”
对于我的mysql的配置文件在下面这个文件夹，当然直接编辑my.cnf也是可以的。
vi /etc/mysql/mysql.conf.d/mysqld.cnf
对配置文件设置如下：
★查看是否启用
”
进入mysql客户端输入：
show variables like '%log_bin%';
★binlog介绍
”
我的log存放在var下面的log的mysql下面：
在mysql-bin.index中包含了所有的log文件，比如上述图就是包含了1与2文件，文件长度超过相应大小就会新开一个log文件，索引递增，如上面的000001，000002。
★binlog实战
”
首先创建一个表：
create table house(id int not null primary key,house int,price int);
向表中插入数据：
insert into loaddb.house(id,house,price) values(1,2,3);
上面提到插入数据后，binlog会更新，那么我们去查看上面log文件，应该会看到插入操作。
Mysql binlog日志有ROW，Statement，MiXED三种格式；
set global binlog_format='ROW/STATEMENT/MIXED'
命令行：
show variables like 'binlog_format'
对于mysql5.7的，binlog格式默认为ROW，所以不用修改。
那么为何要了解binlog格式呢，原因很简单，我要查看我的binlog日志，而该日志为二进制文件，打开后是乱码的。对于不同的格式，查看方式不一样！
对于ROW模式生成的sql编码需要解码，不能用常规的办法去生成，需要加上相应的参数，如下代码：
sudo /usr/bin/mysqlbinlog mysql-bin.000002 --base64-output=decode-rows -v
使用mysqlbinlog工具查看日志文件：
4.2.2 启动thrift接口
thrift为其他语言与hbase操纵接口。启动目的为后面数据插入做准备。
4.2.3 kafka-thrift流程小结
使用github仓库代码将原始数据进行每2w一个文件切分!
切分输出：
编写Kafka数据入Hbase，完整代码见github仓库代码:
def batchTokafka(self,start_time,table_name):
table = self.conn.table(table_name)
i = 1
with table.batch(batch_size=1024*1024) as bat:
for m in self.consumer:
t = time.time()
database = json.loads(m.value.decode('utf-8'))["database"]
name = json.loads(m.value.decode('utf-8'))["table"]
row_data = json.loads(m.value.decode('utf-8'))["data"]
if database=='loaddb'and name == 'sqlbase1':
row_id = row_data["id"]
row = str(row_id)
print(row_data)
del row_data["id"]
data = {}
for each in row_data:
neweach = 'info:' + each
data[neweach] = row_data[each]
data['info:gpslongitude'] = str(data['info:gpslongitude'])
data['info:gpslatitude'] = str(data['info:gpslatitude'])
data['info:gpsspeed'] = str(data['info:gpsspeed'])
data['info:gpsorientation'] = str(data['info:gpsorientation'])
# self.insertData(table_name, row, data)
print(data)
bat.put(row,data)
if i%1000==0:
print("===========插入了" + str(i) + "数据!============")
print("===========累计耗时：" + str(time.time() - start_time) + "s=============")
print("===========距离上次耗时"+ str(time.time() - t) +"=========")
i+=1
上述运行后，开始MySQL数据插入，这里插入采用4个多进程进行程序插入，速度非常快。
当MySQL数据在插入的同时，数据流向如下：
mysql插入->入库mysql->记录binlog->maxwell提取binlog->返回json给kafka->kafka消费端通过thrift接口->写入hbase。
上述同步的结果如下，为了明确是否真正数据同步，只看了一条数据，作为验证。
★多个进程插入图
”
★kafka消费入hbase图
”
★MySQL数据图
”
★Hbase数据图
”
以上就是从Mysql到Hbase的同步方案2。
4.3 Kafka-Flink
4.3.1 实时同步Flink
方案3为方案2的改进，上述是通过Python写入Hbase，这里改成java，并使用最新的流处理技术：Flink。
Flink在ETL场景中使用频繁，非常适合数据同步，于是在这个方案中采用Flink进行同步。
核心代码实现，完整代码见github仓库地址：
SingleOutputStreamOperator<Student> student = env.addSource(
new FlinkKafkaConsumer011<>(
"test", //这个 kafka topic 需要和上面的工具类的 topic 一致
new SimpleStringSchema(),
props)).setParallelism(9)
.map(string -> JSON.parseObject(string, Student.class))
.setParallelism(9);
long start =System.currentTimeMillis();
student.timeWindowAll(Time.seconds(3)).apply(new AllWindowFunction<Student,
List<Student>, TimeWindow>() {
@Override
public void apply(TimeWindow window, Iterable<Student> values,
Collector<List<Student>> out) throws Exception {
ArrayList<Student> students = Lists.newArrayList(values);
if (students.size() > 0) {
System.out.println("1s内收集到 mysql表 的数据条数是："
+ students.size());
long end =System.currentTimeMillis();
System.out.printf("已经用时time:%d\n",end-start);
out.collect(students);
}
}
}).addSink(new SinkToHBase()).setParallelism(9);
使用Flink进行批量入Hbase。
4.3.2 Flink小结
首先启动maxwell与kafka，hbase也要启动，接着在数据写入端，可以采用load data infile或者python程序插入法进行数据插入，数据会通过maxwell到kafka再到Flink，然后sink到Hbase。
★插入端为load data infile的同步
”
★插入端为Python程序的同步
”
5.Phoenix组件和原生Hbase查询的时间性能对比
原生Hbase查询时间：
count 'mysql_data'
Hbase查询时间为3856秒大约1小时7分钟
Hbase查询优化
count 'mysql_data', INTERVAL => 10000000
每隔一千万查询一次：
间隔查询3372.5740秒，大约耗时：56分钟。
协处理器
耗时：1874188毫秒=1874.188s秒，大约31分钟。
Phoenix查询时间：
而Phoenix查询时间为2015.033秒，大约33分钟左右。
sqoop导入，大约50h左右。kafka-thrift单条插入约等于sqoop导入。kafka-thrift批量插入，大约7h。kafka-flink，大约3-7h。
不同的同步方式，大家可以看到效率有着明显的差别，其中使用Flink效率最高，并且如果自己电脑是集群模式，那么效率就会更加的高！
优化点：Flink窗口收集设置，上游插入速度调整，下游接收调整等。
最后，几点策略总结如下：
大数据需分割、批量插入 插入有序 phoenix大数据查询需设超时时间。 Flink最稳定、效率最高、根据计算机性能影响。 Python thrift，可以批量与单条插入结合。 Sqoop需切分、虚拟内存需关闭。 HBase若崩溃，赶紧查Zookeeper。
本节到此，就结束了，如果你能坚持看到这里，就表示你学会了很多同步与插入方法，本节比较适合上手实践，欢迎大家与我进行交流！
往期推荐
扬言要干掉 RESTful API 的 GraphQL 是什么鬼？
赠书：全球首本VS Code中文书来了，高效编程秘诀全收录！
自建分布式存储新选择，性能是Ceph的1.84倍
项目是如何死掉的？太过真实！
日志系统新贵Loki，确实比笨重的ELK轻
扫一扫，关注我
一起学习，一起进步