Hive Writer插件实现了从Hive写出数据至HDFS的功能，本文为您介绍Hive Writer的工作原理、参数和示例。

背景信息

Hive是基于Hadoop的数据仓库工具，用于解决海量结构化日志的数据统计。Hive可以将结构化的数据文件映射为一张表，并提供SQL查询功能。
重要 Hive Writer仅支持使用新增和使用独享数据集成资源组，不支持使用使用公共资源组和自定义资源组。Hive Writer支持的版本请参见版本支持汇总。
Hive的本质是转化HQL或SQL语句为MapReduce程序：
  • Hive处理的数据存储在HDFS中。
  • Hive分析数据底层的实现是MapReduce。
  • Hive的执行程序运行在Yarn上。

实现原理

Hive Writer插件通过访问Hive Metastore服务，解析出您配置的数据表的HDFS文件存储路径、文件格式和分隔符等信息。通过读取HDFS文件的方式，从Hive写出数据至HDFS。再通过Hive JDBC客户端执行LOAD DATA SQL语句，加载HDFS文件中的数据至Hive表。

Hive Writer底层的逻辑和HDFS Writer插件一致，您可以在Hive Writer插件参数中配置HDFS Writer相关的参数，配置的参数会透传给HDFS Writer插件。

参数说明

参数 描述 是否必选 默认值
datasource 数据源名称，必须与添加的数据源名称保持一致。 是 无
column 需要写出的字段列，例如"column": ["id", "name"]。
  • 支持列裁剪：即可以导出部分列。
  • column必须显示指定同步的列集合，不允许为空。
  • 不支持列换序。
 是 无
table 需要写出的Hive表名。
说明 请注意大小写。
是 无
partition Hive表的分区信息：
  • 如果您写出的Hive表是分区表，您需要配置partition信息。同步任务会写出partition对应的分区数据。
  • 如果您的Hive表是非分区表，则无需配置partition。
否 无
writeMode Hive表数据的写出模式。数据写出至HDFS文件后，Hive Writer插件会执行LOAD DATA INPATH (overwrite) INTO TABLE，加载数据至Hive表中。
writeMode用于表示数据的加载行为：
  • 如果writeMode为truncate，表示先清空数据再加载。
  • 如果writeMode为append，表示保留原有数据。
  • 如果writeMode为其它，则表示数据写出至HDFS文件，无需再加载数据至Hive表。
说明 writeMode是高危参数，请您注意数据的写出目录和writeMode行为，避免误删数据。

加载数据行为需要配合hiveConfig使用，请注意您的配置。

是 无
hiveConfig 您可以在hiveConfig中配置进一步的Hive扩展参数，包括hiveCommand、jdbcUrl、username和password：
  • hiveCommand：表示Hive客户端工具的全路径，执行hive -e后，会执行writeMode相关联的LOAD DATA INPATH数据加载操作。

    Hive相关的访问信息由hiveCommand对应的客户端保证。

  • jdbcUrl、username和password表示Hive的JDBC访问信息。HiveWriter会通过Hive JDBC驱动访问Hive后，执行writeMode相关联的LOAD DATA INPATH数据加载操作。 
    "hiveConfig": {
    "hiveCommand": "",
    "jdbcUrl": "",
    "username": "",
    "password": ""
        }
  • Hive Writer插件底层通过HDFS客户端，写入数据至HDFS文件。您也可以通过hiveConfig配置HDFS客户端的高级参数。
是 无
hdfsUsername 向Hive表写数据时，默认会用Hive数据源页面配置的用户写入，若数据源页面配置匿名登录，则会默认使用admin账户写入数据，同步任务时如果出现权限问题，需要转脚本默认配置hdfsUsername。 否 无

向导开发介绍

在数据开发页面，双击打开新建的数据同步节点，即可在右侧的编辑页面配置任务。详情请参见通过向导模式配置离线同步任务。

您需要在数据同步任务的编辑页面进行以下配置：
  1. 选择数据源。
    配置同步任务的数据来源和数据去向。数据去向
    参数 描述
    数据源 即上述参数说明中的datasource，通常选择您配置的数据源名称。
    表 即上述参数说明中的table。
    分区信息 您需要指定到最后一级分区，且仅支持写入单个分区。
    写入模式 即上述参数说明中的writeMode。
    parquet schema parquet类型存储文件的模式。示例配置如下：
    message tmp{
REQUIRED BINARY  id;
REQUIRED BINARY name;
REQUIRED BINARY cyctime1;
}
    仅当Hive表底层存储文件为parquet类型时，需要配置该参数。
  2. 字段映射，即上述参数说明中的column。左侧的源头表字段和右侧的目标表字段为一一对应的关系。 字段映射
    参数 描述
    同名映射 单击同名映射，可以根据名称建立相应的映射关系，请注意匹配数据类型。
    同行映射 单击同行映射，可以在同行建立相应的映射关系，请注意匹配数据类型。
    取消映射 单击取消映射，可以取消建立的映射关系。
    自动排版 可以根据相应的规律自动排版。
  3. 通道控制。通道控制
    参数 描述
    任务期望最大并发数 数据同步任务内，可以从源并行读取或并行写入数据存储端的最大线程数。向导模式通过界面化配置并发数，指定任务所使用的并行度。
    同步速率 设置同步速率可以保护读取端数据库，以避免抽取速度过大，给源库造成太大的压力。同步速率建议限流，结合源库的配置，请合理配置抽取速率。
    错误记录数 错误记录数，表示脏数据的最大容忍条数。

脚本开发介绍

配置一个从Hive写出数据的JSON示例，使用脚本模式开发的详情请参见通过脚本模式配置离线同步任务。 
{
    "type": "job",
    "steps": [
        {
            "stepType": "hive",
            "parameter": {
            },
            "name": "Reader",
            "category": "reader"
        },
        {
            "stepType": "hive",
            "parameter": {
                "partition": "year=a,month=b,day=c", // 分区配置
                "datasource": "hive_ha_shanghai", // 数据源
                "table": "partitiontable2", // 目标表
                "column": [ // 列配置
                    "id",
                    "name",
                    "age"
                ],
                "writeMode": "append" ,// 写入模式
                "hdfsUsername" : "hdfs"
            },
            "name": "Writer",
            "category": "writer"
        }
    ],
    "version": "2.0",
    "order": {
        "hops": [
            {
                "from": "Reader",
                "to": "Writer"
            }
        ]
    },
    "setting": {
        "errorLimit": {
            "record": ""
        },
        "speed": {
            "throttle":true,//当throttle值为false时，mbps参数不生效，表示不限流；当throttle值为true时,表示限流。
            "concurrent":2, //作业并发数。
            "mbps":"12"//限流
        }
    }
}