简单介绍

基于sqoop封装的抽取程序

封装的目的

1，配合数据平台展示界面中的数据源管理模块，方便前端从mysql获取抽取数据
2，方便通过前端界面来提交任务，只需要将相应的抽取规则写入到mysql，然后提交一个任务到azkaban就好了

背景

1，刚开始用shell写的，抽取元数据存储在一个文本文件中，在生产环境运正常行三个月
2，后来改为用shell+python写的，抽取元数据就存储到mysql中了，仅仅测试通过了，未在生产环境下使用过，如果要使用先自己测试好
3，再后来直接改为用java写了，抽取元数据也是存储在mysql中，已在生产环境正常运行三个多月了

抽取元数据存储在mysql中的表结构

主要有以下几个表：

1，database_info         存储源服务器地址，账号密码等，包括RDBMS/FTP/FILESYSTEM...
2，sqoop_info            存储抽取规则，比如增量合并、增量不合并、全量、是否压缩、是否做字段映射、并发等
3，table_timestamp       存储每个表的抽取时间，主要针对增量抽取
4，hdfs_export_info      存储从hdfs导出到rdbms中的地址
5，hdfs_export_opts      存储从hdfs导出到rdbms时的相应参数
表结构，随时都有更新，最新的参照src/sqoop.sql

代码结构介绍

shell目录：
    fullv4*.sh  纯shell，使用方法比较简单，所有的参数都在para_file文件中，para_file.xlsx是示例，脚本运行加上表名就可以了
    fullv5.sh   是shell+python版本，所有参数都在mysql中使用方法和上面一样
src目录：
    java版本的抽取，针对上面的版本进行改造，改成了java，使用方法也一样，打成jar包，后面加表名就可以了

java开发环境

1，idea
2，java 1.7
3，sshxcute 1.0
4，cdh5.8.4  jars
这里注意：不能采用cdh5.8.4之前的版本，否则sqoop导出会有问题，老版本有bug，SQOOP-2990，cdh5.8.4后修复了

目前已实现的功能

1，从RDBMS中抽取数据到hdfs
2，把清洗后的数据导出到RDBMS中
3，从分布式文件系统HDFS中抽取数据，目前仅考虑了非结构化数据，当然把结构化当作非结构化来抽取也是可以的
4，从本地文件系统中抽取数据，目前仅考虑了非结构化数据，当然把结构化当作非结构化来抽取也是可以的
5，对hdfs上的数据进行压缩

后续规划

1，计划将datax合并进来，弥补上面结构化的数据的抽取的缺失
2，增加从RDBMS中直接抽取到hbase中的支持
3，合并另外一个项目HbaseBulkLoad到当前项目中，实现从hdfs导入数据到hbase中
4，增加导入hbase后，采用solr进行二级索引的功能