ETL数据导入导出工具HData使用

注：近期因朋友的请求协助了解Hdata工具的使用，抽空进行了摸索，特整理此文；该ETL数据交换工具开发者已经有三、四年没有更新维护记录了，不确定该项目是否会继续维护，因此选择该工具应用于项目时，请考虑后续的技术支持与问题处理等所需要的解决方案成本；

1、介绍(转载官方)

HData是一个异构的ETL数据导入/导出工具，致力于使用一个工具解决不同数据源（JDBC、Hive、HDFS、HBase、MongoDB、FTP、Http、CSV、Excel、Kafka等）之间数据交换的问题。HData在设计上同时参考了开源的Sqoop、DataX，却与之有不同的实现。HData采用“框架+插件”的结构，具有较好的扩展性，框架相当于数据缓冲区，插件则为访问不同的数据源提供实现。

【HData特性】

1、异构数据源之间高速数据传输；

2、跨平台下独立运行；

3、数据传输过程全内存操作，不读写磁盘；

4、插件式扩展。

【HData设计】

配置文件：XML格式，配置Reader、Writer的参数（如：并行度、数据库连接地址、账号、密码等）；

Reader：数据读取模块，负责从数据源读取数据并写入RingBuffer；

Splitter：根据配置文件中Reader的并行度构造相应数据的ReaderConfig对象供Reader使用，以实现数据的并行读取；

RingBugffer：来自Disruptor的高性能环形数据缓冲区，基于事件监听模式的异步实现，采用无锁方式针对CPU缓存优化，在此用于Reader和Writer的数据交换；

Writer：数据写入模块，负责从RingBuffer中读取数据并写入目标数据源。

HData框架通过配置读取解析、RingBugffer 缓冲区、线程池封装等技术，统一处理了数据传输中的基本问题，并提供Reader、Splitter、Writer插件接口，基于此可以方便地开发出各种插件，以满足各种数据源访问的需求。

【编译&运行】

编译

执行 mvn clean package -Pmake-package 命令，执行成功后将会生成压缩包 ./build/hdata.tar.gz ，然后解压即可。

编译时也可以夹带自己的配置, 如：mvn clean package -Pcdh5 -Pmake-package

运行

1、命令行配置方式

./bin/hdata --reader READER_NAME -Rk1=v1 -Rk2=v2 --writer WRITER_NAME -Wk1=v1 -Wk2=v2

READER_NAME、WRITER_NAME分别为读/写插件的名称，例如：jdbc、hive Reader插件的参数配置以-R为前缀，Writer插件的参数配置以-W为前缀。

例子（Mysql -> Hive）：

./bin/hdata --reader jdbc -Rurl="jdbc:mysql://127.0.0.1:3306/testdb" -Rdriver="com.mysql.jdbc.Driver" -Rtable="testtable" -Rusername="username" -Rpassword="password" -Rparallelism=3 --writer hive -Wmetastore.uris="thrift://127.0.0.1:9083" -Whdfs.conf.path="/path/to/hdfs-site.xml" -Wdatabase="default" -Wtable="testtable" -Whadoop.user="hadoop" -Wparallelism=2

2、XML配置方式

job.xml

<?xml version="1.0" encoding="UTF-8"?>
<job id="job_example">
    <reader name="jdbc">
		<url>jdbc:mysql://127.0.0.1:3306/testdb</url>
		<driver>com.mysql.jdbc.Driver</driver>
		<table>testtable</table>
		<username>username</username>
		<password>password</password>
		<parallelism>3</parallelism>
	</reader>
	<writer name="hive">
		<metastore.uris>thrift://127.0.0.1:9083</metastore.uris>
		<hdfs.conf.path>/path/to/hdfs-site.xml</hdfs.conf.path>
		<database>default</database>
		<table>testtable</table>
		<hadoop.user>hadoop</hadoop.user>
		<parallelism>2</parallelism>
	</writer>
</job>

运行命令

./bin/hdata -f /path/to/job.xml

2、使用实战

【github下载】

https://github.com/uptonking/hdata

【编译环境】

jdk1.7(只能是1.7)

maven 3+

【配置maven】

建议用独立setting.xml配置，不影响项目工程开发

hdata-settting.xml

<?xml version="1.0" encoding="UTF-8"?>
<settings xmlns="http://maven.apache.org/SETTINGS/1.0.0"
          xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
          xsi:schemaLocation="http://maven.apache.org/SETTINGS/1.0.0 http://maven.apache.org/xsd/settings-1.0.0.xsd"> 
  <localRepository>D:/apache-maven-3.5.4/repository</localRepository>
  <pluginGroups></pluginGroups>
  <proxies></proxies>
  <servers></servers>
  <mirrors>
  	<!--
  	<mirror>
        <id>alimaven</id>
        <mirrorOf>*</mirrorOf>
        <url>http://maven.aliyun.com/nexus/content/groups/public</url>
    </mirror>    
    <mirror>
			<id>aliyunmaven</id>
			<mirrorOf>*</mirrorOf>
			<name>阿里云spring插件仓库</name>
			<url>http://maven.aliyun.com/repository/spring-plugin</url>
		</mirror>
    -->
		<mirror>
      <mirrorOf>*</mirrorOf>
      <name>mirror-all</name>
      <url>http://mirrors.cloud.tencent.com/nexus/repository/maven-public/</url>
      <id>custom</id>
  	</mirror>
    <!--
		<mirror>
			<id>repo2</id>
			<name>Mirror from Maven Repo2</name>
			<url>http://repo.spring.io/plugins-release/</url>
			<mirrorOf>central</mirrorOf>
		</mirror>
	  -->
  </mirrors>
  <profiles>    
    <profile>
	   	<profile>
				<id>jdk-1.7</id>
				<activation>
					<activeByDefault>true</activeByDefault>
					<jdk>1.7</jdk>
				</activation>
				<properties>
					<maven.compiler.source>1.7</maven.compiler.source>
					<maven.compiler.target>1.7</maven.compiler.target>
					<maven.compiler.compilerVersion>1.7</maven.compiler.compilerVersion>
				</properties>
			</profile> 
	    <profile>
	        <id>maven-home</id>
	        <repositories>
	            <repository>
	                <id>central</id>
	                <url>https://repo1.maven.org/maven2</url>
	                <releases>
	                    <enabled>true</enabled>
	                    <checksumPolicy>warn</checksumPolicy>
	                </releases>
	                <snapshots>
	                    <enabled>false</enabled>
	                </snapshots>
	            </repository>
	        </repositories>
			    <pluginRepositories>
			        <pluginRepository>
			            <id>central</id>
			            <url>http://repo1.maven.org/maven2</url>
			        </pluginRepository>
			    </pluginRepositories>
			</profile>
	</profiles>
</settings>

注意：因为部份依赖包无法从中央仓库下载，aliyun镜像仓库也无法下载成功，因此配了多个mirror配置，那个能下载成功就用那个，多试几次，自已手动切换；

【执行打包】

mvn clean package -Pmake-package --settings D:\apache-maven-3.5.4\conf\hdata-settings.xml -Dmaven.test.skip=true

打包过程执行的有些久，因为要下载大量依赖包，稍等片刻，直到最后打包完成

....
....
.....
[INFO] Reading assembly descriptor: src/build/package.xml
[INFO] Building tar: D:\Workspaces\idea_2\HData-master\assembly\..\build\hdata-0.2.8.tar.gz
[INFO] ------------------------------------------------------------------------
[INFO] Reactor Summary:
[INFO]
[INFO] HData 0.2.8 ........................................ SUCCESS [ 18.604 s]
[INFO] hdata-api .......................................... SUCCESS [ 14.069 s]
[INFO] hdata-core ......................................... SUCCESS [  4.442 s]
[INFO] hdata-console ...................................... SUCCESS [  0.234 s]
[INFO] hdata-csv .......................................... SUCCESS [  0.632 s]
[INFO] hdata-jdbc ......................................... SUCCESS [  1.343 s]
[INFO] hdata-ftp .......................................... SUCCESS [  0.753 s]
[INFO] hdata-http ......................................... SUCCESS [  0.234 s]
[INFO] hdata-kafka ........................................ SUCCESS [  6.452 s]
[INFO] hdata-hdfs ......................................... SUCCESS [ 20.008 s]
[INFO] hdata-hive ......................................... SUCCESS [ 30.733 s]
[INFO] hdata-hbase ........................................ SUCCESS [ 35.710 s]
[INFO] hdata-mongodb ...................................... SUCCESS [  3.634 s]
[INFO] hdata-excel ........................................ SUCCESS [ 14.700 s]
[INFO] hdata-wit .......................................... SUCCESS [  4.037 s]
[INFO] hdata-assembly 0.2.8 ............................... SUCCESS [ 17.239 s]
[INFO] ------------------------------------------------------------------------
[INFO] BUILD SUCCESS
[INFO] ------------------------------------------------------------------------
[INFO] Total time: 02:53 min
[INFO] Finished at: 2020-06-16T12:12:33+08:00
[INFO] ------------------------------------------------------------------------

【查看目录结构】

D:\Workspaces\idea_2\HData-master>dir
...
2020/06/16  12:12    <DIR>          .
2020/06/16  12:12    <DIR>          ..
2018/01/11  19:22                14 .gitignore
2020/06/16  15:45    <DIR>          .idea
2020/06/16  12:12    <DIR>          assembly
2020/06/15  13:49    <DIR>          bin
2020/06/16  14:06    <DIR>          build
2020/06/15  13:49    <DIR>          conf
2020/06/15  13:49    <DIR>          doc
2020/06/16  12:10    <DIR>          hdata-api
2020/06/16  12:10    <DIR>          hdata-console
2020/06/16  12:10    <DIR>          hdata-core
2020/06/16  12:10    <DIR>          hdata-csv
2020/06/16  12:12    <DIR>          hdata-excel
2020/06/16  12:10    <DIR>          hdata-ftp
2020/06/16  12:11    <DIR>          hdata-hbase
2020/06/16  12:10    <DIR>          hdata-hdfs
2020/06/16  12:11    <DIR>          hdata-hive
2020/06/16  12:10    <DIR>          hdata-http
2020/06/16  12:10    <DIR>          hdata-jdbc
2020/06/16  12:10    <DIR>          hdata-kafka
2020/06/16  12:11    <DIR>          hdata-mongodb
2020/06/16  12:12    <DIR>          hdata-wit
2020/06/15  13:52               574 hdata.iml
2020/06/16  11:44             5,337 pom.xml
2018/01/11  19:22            13,774 README.md
2020/06/16  12:10    <DIR>          target
...

多了一个build，即为编译后的目录，在该目录下有一个 hdata-0.2.8.tar.gz压缩文件，即打包后的可执行程序包；解压该包，进入到根目录即可执行命令；

【执行同步】

将 hdata-0.2.8.tar.gz压缩文件解压，复制到D:/test/目录下。

D:\test\hdata-0.2.8>dir
 ....
2020/06/16  16:06    <DIR>          .
2020/06/16  16:06    <DIR>          ..
2020/06/16  14:06    <DIR>          bin
2020/06/16  16:17    <DIR>          conf
2020/06/16  14:06    <DIR>          lib
2020/06/16  14:06    <DIR>          plugins
...

bin：存放hdata和hdata.bat脚本，分别用于linux和windows下运行的起始脚本；

conf：存放hdata的配置，如：缓冲区大小、线程等待策略等..

lib：存放hdata核心框架jar程序

plugins：存放hdata的各种插件与依赖jar程序

【执行mysql到mysql的数据库同步】

说明：输入端和输出端，必需存在指定数据库和表，否则数据同步将失败；

命令行参数

java -Xss256k -Xms1G -Xmx1G -Xmn512M -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:+CMSClassUnloadingEnabled -XX:+CMSParallelRemarkEnabled -XX:+DisableExplicitGC -XX:CMSInitiatingOccupancyFraction=75 -XX:+UseCMSInitiatingOccupancyOnly -XX:+HeapDumpOnOutOfMemoryError -XX:SoftRefLRUPolicyMSPerMB=0 -Dhdata.conf.dir="D:\test\hdata-0.2.8\conf" -Dlog4j.configurationFile=file:///D:\test\hdata-0.2.8\conf\log4j2.xml -classpath ".;D:\test\hdata-0.2.8\lib\*" "com.github.stuxuhai.hdata.CliDriver" -Dhttps.protocols=TLSv1.2 -Dfile.encoding="UTF-8" --reader jdbc -Rurl="jdbc:mysql://127.0.0.1:3306/gateway?characterEncoding=utf8&useSSL=false" -Rdriver="com.mysql.jdbc.Driver" -Rtable="client" -Rusername="root" -Rpassword="123456" --writer jdbc -Wurl="jdbc:mysql://192.168.1.35:3306/gateway?characterEncoding=utf8&useSSL=false" -Wdriver="com.mysql.jdbc.Driver" -Wtable="client" -Wusername="root" -Wpassword="root_it_123465"

执行xml配置参数

hdata.bat -f D:/test/hdata-0.2.8/conf/mysqlToMysql.xml

mysqlToMysql.xml

<?xml version="1.0" encoding="UTF-8"?>
<job id="job_example">
  <reader name="jdbc">
		<url><![CDATA[jdbc:mysql://127.0.0.1:3306/gateway?characterEncoding=utf8&useSSL=false]]></url>
		<driver>com.mysql.jdbc.Driver</driver>
		<table>client</table>
		<username>root</username>
		<password>123456</password>
		<parallelism>3</parallelism>
	</reader>
	<writer name="jdbc">
		<url><![CDATA[jdbc:mysql://192.168.1.35:3306/gateway?characterEncoding=utf8&useSSL=false]]></url>
		<driver>com.mysql.jdbc.Driver</driver>
		<table>client</table>
		<username>root</username>
		<password>123456</password>
		<parallelism>3</parallelism>
	</writer>
</job>

【执行mysql到excel的数据同步】

说明：输入端和输出端，必需存在指定数据库和表，否则数据同步将失败，输出时自动创建excel文件；

命令行参数

java -Xss256k -Xms1G -Xmx1G -Xmn512M -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:+CMSClassUnloadingEnabled -XX:+CMSParallelRemarkEnabled -XX:+DisableExplicitGC -XX:CMSInitiatingOccupancyFraction=75 -XX:+UseCMSInitiatingOccupancyOnly -XX:+HeapDumpOnOutOfMemoryError -XX:SoftRefLRUPolicyMSPerMB=0 -Dhdata.conf.dir="D:\test\hdata-0.2.8\conf" -Dlog4j.configurationFile=file:///D:\test\hdata-0.2.8\conf\log4j2.xml -classpath ".;D:\test\hdata-0.2.8\lib\*" "com.github.stuxuhai.hdata.CliDriver" -Dhttps.protocols=TLSv1.2 -Dfile.encoding="UTF-8" --reader jdbc -Rurl="jdbc:mysql://127.0.0.1:3306/gateway?characterEncoding=utf8&useSSL=false" -Rdriver="com.mysql.jdbc.Driver" -Rtable="client" -Rusername="root" -Rpassword="123456" --writer excel -Wpath="D://test//client.xlsx" -Winclude.column.names="true"

执行xml配置参数

hdata.bat -f D:/test/hdata-0.2.8/conf/mysqlToExcel.xml

mysqlToExcel.xml

<?xml version="1.0" encoding="UTF-8"?>
<job id="job_example">
  <reader name="jdbc">
		<url><![CDATA[jdbc:mysql://127.0.0.1:3306/gateway?characterEncoding=utf8&useSSL=false]]></url>
		<driver>com.mysql.jdbc.Driver</driver>
		<table>client</table>
		<username>root</username>
		<password>123456</password>
		<parallelism>3</parallelism>
	</reader>
	<writer name="excel">
		<path><![CDATA[D://test//client2.xlsx]]></path>
		<include.column.names>true</include.column.names>
	</writer>
</job>

【执行http到excel的数据同步】

说明：输入端和输出端，必需存在URL所表示的http服务，否则数据同步将失败，输出时自动创建excel文件；

执行http到excel

java -Xss256k -Xms1G -Xmx1G -Xmn512M -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:+CMSClassUnloadingEnabled -XX:+CMSParallelRemarkEnabled -XX:+DisableExplicitGC -XX:CMSInitiatingOccupancyFraction=75 -XX:+UseCMSInitiatingOccupancyOnly -XX:+HeapDumpOnOutOfMemoryError -XX:SoftRefLRUPolicyMSPerMB=0 -Dhdata.conf.dir="D:\test\hdata-0.2.8\conf" -Dlog4j.configurationFile=file:///D:\test\hdata-0.2.8\conf\log4j2.xml -classpath ".;D:\test\hdata-0.2.8\lib\*" "com.github.stuxuhai.hdata.CliDriver" -Dhttps.protocols=TLSv1.2 -Dfile.encoding="UTF-8" --reader http -Rurl="https://www.baidu.com/" --writer excel -Wpath="D://test//html2.xlsx" -Winclude.column.names="true"

执行xml配置参数

hdata.bat -f D:/test/hdata-0.2.8/conf/httpToExcel.xml

httpToExcel.xml

<?xml version="1.0" encoding="UTF-8"?>
<job id="job_example">
  <reader name="http">
      <url><![CDATA[https://www.baidu.com/]]></url>
  </reader>
	<writer name="excel">
		<path><![CDATA[D://test//html2.xlsx]]></path>
		<include.column.names>true</include.column.names>
	</writer>
</job>

3、IDEA中查看代码

1.导入工程

2.配置启动参数

Configuration配置

VM Options: -Dhttps.protocols=TLSv1.2 -Dhdata.conf.dir="D:\\Workspaces\\idea_2\\HData-master\\conf"
Program arguments: --reader jdbc -Rurl="jdbc:mysql://127.0.0.1:3306/gateway?characterEncoding=utf8&useSSL=false" -Rdriver="com.mysql.jdbc.Driver" -Rtable="client" -Rusername="root" -Rpassword="123456"  --writer jdbc -Wurl="jdbc:mysql://192.168.1.35:3306/gateway?characterEncoding=utf8&useSSL=false" -Wdriver="com.mysql.jdbc.Driver" -Wtable="client" -Wusername="root" -Wpassword="123456"

3.直接从hdata-core模块的CliDriver类中运行即可

4、问题

1.[Fatal Error] mysqlToMysql.xml:5:73: 对实体 "useSSL" 的引用必须以 ';' 分隔符结尾。

[Fatal Error] mysqlToMysql.xml:5:73: 对实体 "useSSL" 的引用必须以 ';' 分隔符结尾。
<url><![CDATA[jdbc:mysql://127.0.0.1:3306/gateway?characterEncoding=utf8&useSSL=false]]></url>
因为xml结构内有&=等特殊符号，xml解析失败，将内容以<![CDATA["xxxxxx"]]> 包装起来即可；

来源：oschina

链接：https://my.oschina.net/u/437309/blog/4313632

标签

java

mysql

maven

Amp