Hive2MySQL初步架构

浏览数：197 / 时间：2015年06月12日

系统简介

本系统负责将Hive处理后的数据导出到MySQL服务器上，采用主/从架构。zeus2将待导出的数据信息放到zookeeper上，Zookeeper将该信息发送给master。master通过JobWatcher接收待处理的表信息，将这些信息转换为任务，并分发给client处理。当client处理完成时，会更新MySQL上数据处理表，表示该部分任务已经处理完成

模块简介

master

简介
为服务，会一直运行。包含接收zookeeper上传来的待导出数据的元信息、任务导出、任务超时处理、任务执行完成后的元数据更新、告警等功能
流程
1. 启动master服务
2. 通过JobWatcher线程获取待处理的任务，并更新到队列MasterContext.finishedTZ中
3. MasterContext中加入一个线程，扫描队列MasterContext.finishedTZ，如果有任务，则开始解析任务并进行任务分发
4. 任务分发的时候，将分发任务加入到executor，执行完成的时候，得到返回码，并根据返回码，进行相应的处理
5. MasterContext中加入一个线程，用于监控超时的client，如果超时，则将该client加入到超时列表中，以后不进行分发
关键点
1. MySQL节点的选择
- 需求
  为了后续计算的方便，需要将能存储在一个MySQL服务器上的数据全部导出到一个节点上，例如上个月站点A导出到MySQL1上，这个月，还得将站点A的数据导出到节点MySQL1上。
- 解决方案
  导出时，为了保证每次数据都导出到一个节点上去，需要维持一张site和host间对应的关系表。而部分站点的数据非常大，会超过MySQL服务器的单表阈值，这样部分站点的数据需要分发到不同的节点上去。site和节点之间的关系不是一一对应的。而大站点只是用户中的一部分，还存在一些小站点，一个MySQL服务器可能存放数个站点的数据。为了应对这些挑战，我们将站点分为三种SITE_LEVEL：SMALL_SITE、BIG_SITE、HUG_SITE，并分别采用不同的导出策略。
  SMALL_SITE 网站的数据量较小，一个站点只存放在一个MySQL服务器上去。所有的数据都会导出到一台MYSQL服务器上去。当数据超过MYSQL服务器单表限制的时候，会将数据导出到负载最小的MySQL服务器上去。某site很长时间以来一直使用我们的服务器时，可能会出现这种情况。
  BIG_SITE 导出的策略和SMALL_SITE一样，但是获取MySQL服务器的方法和SMALL_SITE不一样，BIG_SITE按照轮询的方式将HIVE上的数据导出到MYSQL中去，即今天的数据导出到MYSQL1上，明天的数据可能导出到MySQL2上。而SMALL_SITE的数据均导出到一台MYSQL服务器上。
  HUG_SITE 将站点每天的访问信息分发到不同的MYSQL服务器上去
注解
1. HDFS路径
  /user/hive/warehouse/ptmind_data.db/${tableName}_${tableType}/sitetz=${timezone}/partdt=${date}/partsid=${sid}
  如/user/hive/warehouse/ptmind_data.db/sum_page_visits_stats_olap_d/sitetz=E0800/partdt=2014-06-02/partsid=56fbce4e
2. tableType
  明细表的类型为x,其他表暂时只支持天d
```
private String getTabType(String tableName) {
    if (tableName.equals(Constant.TB_1)) {
       return x;
    }
    else {
       return d;
    }
}
```

client

简介
1. 部署在MySQL服务器上
2. 执行HDFS2MySQL的导出任务
流程
1. 通过clientBootstrap监控消息
2. 当监控到任务时，执行HDFS2MySQL的导出任务
  2.1 通过shell脚本，从HDFS上下载数据
  2.2 将元数据更新到MySQL服务器中
  2.3 删除本地文件
  2.4 根据表中插入行的数目判断数据是否导出成功
  2.5 将执行情况返回给master
3. 定时向master发送心跳信息
注解