hadoop - 从两个配置单元表中删除重复数据

Question

我们遇到了一个问题，我们试图在 RDBMS(源)和配置单元(目标)之间进行近乎实时的同步。基本上，源将更改(插入、更新和删除)作为 avro 文件推送到 HDFS。这些被加载到外部表(使用 avro 模式)中，进入 Hive。 ORC中还有一个基表，里面有Source插入新记录集之前进来的所有记录。

收到数据后，我们必须进行重复数据删除(因为可能会更新现有行)并删除所有已删除的记录(因为可能会从源中删除)。

我们现在使用 rank() 对外部表和基表联合上的分区键执行重复数据删除。然后将结果推送到一个新表中，交换名称。这需要很多时间。

我们尝试使用合并、酸性事务，但对分区进行排名，然后过滤掉所有行，这给了我们目前最好的时间。

有没有更好的方法来做到这一点？关于完全改进流程的任何建议？我们有很多表，所以目前我们没有任何分区或存储桶。

Answer 1

您可以尝试将所有事务数据存储到 Hbase 表中。

使用 RDBMS 表的主键作为行键将数据存储到 Hbase 表中:-

一旦你使用 NiFi 处理器(executesql、Querydatabasetable..etc)从 RDBMS 中提取所有数据，我们将从处理器中获得 Avro 格式的输出。

您可以使用 ConvertAvroToJson 处理器，然后使用 SplitJson 处理器从 json 记录数组中拆分每条记录。

将 Hbase 表中的所有记录存储在 RDBMS 表中，以 Rowkey 作为主键。

当我们基于 Last Modified Date 字段获得增量负载时，我们将从 RDBMS 表中更新记录和新添加的记录。

如果我们更新了现有的行键，那么 Hbase 将覆盖该记录的现有数据，对于新添加的记录，Hbase 会将它们作为新记录添加到表中。

然后通过使用 Hive-Hbase 集成，您可以获得使用 Hive 公开的 Hbase 表数据。

https://cwiki.apache.org/confluence/display/Hive/HBaseIntegration

通过使用这种方法，我们将拥有处理所有 upsert 操作的 Hbase 表，并且我们不能期望 hive-hbase 表与 native hive 表的相同性能会执行得更快，因为 hbase 表不适用于 sql 类型的查询, 如果你基于 Rowkey 访问数据，hbase 表是最有效的，

如果我们要拥有数百万条记录，那么我们需要对配置单元查询进行一些调整

Tuning Hive Queries That Uses Underlying HBase Table