hive亿级数据导入ClickHouse并增量更新

hive亿级数据导入ClickHouse，并每日导入
（技术工具看上文）

hive中表结构： 数据量7.6亿

DROp TABLE IF EXISTS dwd_ipqc_online;
CREATE EXTERNAL TABLE dwd_ipqc_online
(
    MACH_ID       string COMMENT '機台ID',
    MACH_IP       string COMMENT '機台IP',
    CREATE_TIME   string COMMENT '創建時間',
    IPQC_onLINEID string COMMENT 'ID',
    INS_TIME      string COMMENT '插入時間',
    PROD_SN       string COMMENT '產品SN',
    DOT_ID        string COMMENT '点位',
    DOT_VALUE     string COMMENT '值'
) COMMENT '在線量測记录'
    PARTITIonED BY (`dt` string)
    STORED AS PARQUET
    LOCATION '/warehouse/xx/dwd/dwd_ipqc_online/'
    TBLPROPERTIES ("parquet.compression" = "lzo");

ClickHouse中表：采用本地表

drop table if exists dwd_ipqc_online;
create  table dwd_ipqc_online
(
    mach_id       String comment '機台ID',
    mach_ip       String comment '機台IP',
    create_time   DateTime comment '創建時間',
    ipqc_onlineid String comment 'ID',
    ins_time      DateTime comment '插入時間',
    prod_sn       String comment '產品SN',
    dot_id        String comment '点位',
    dot_value     String comment '值'
)engine =MergeTree
    ORDER BY (create_time)
partition by toYYYYMMDD(create_time)
;

touch ~/bin/mytest1.sh && chmod u+x ~/bin/mytest1.sh && vim ~/bin/mytest1.sh

#!/bin/bash

# 环境变量
unset SPARK_HOME
export SPARK_HOME=$SPARK2_HOME
SEATUNNEL_HOME=/u/module/seatunnel-1.5.1
# 接收两个参数，第一个为要抽取的表，第二个为抽取时间
# 若输入的第一个值为first，不输入第二参数则直接退出脚本
if [[ $1 = first ]]; then
  if [ -n "$2" ] ;then
   do_date=$2
  else 
   echo "请传入日期参数"
   exit
  fi 
# 若输入的第一个值为all，不输入第二参数则取前一天
elif [[ $1 = all ]]; then
    # 判断非空，如果不传时间默认取前一天数据，传时间就取设定，主要是用于手动传参
  if [ -n "$2" ] ;then
    do_date=$2
  else
    do_date=`date -d '-1 day' +%F`
  fi
else
  if [ -n "$2" ] ;then
   do_date=$2
  else 
   echo "请传入日期参数"
   exit
  fi 
fi

echo "日期：$do_date"

import_conf(){
  # 打印数据传输脚本并赋值
cat>$SEATUNNEL_HOME/jobs/hive2ck_test.conf< 
相比之前的脚本，我主要修改了Spark的执行参数。
 这里first是首日历史数据导入，all是每日增量更新
 import_test仅仅是测试，主要看import_dwd_ipqc_online
 所以这里首日我执行脚本：
 
mytest1.sh first 2021-11-30
 
测试无误，抽取结果：
 我感觉抽取速度在100w+数据/s
 实际：
 
 
>>> 7.6*10000*10000/2084
364683.30134357006

 
emm，果然直觉什么的都是骗人的，可能是开始快，后面就慢了，但整体还ok
 
需注意的错误： 
 java.lang.ClassCastException: java.sql.Timestamp cannot be cast to java.lang.String
 
hive中的string可直接转为ck中的时间,但datetime字段要截取一下，因为hive中时间timestamp，我这边在ods存的是timestamp，所以dwd也是timestamp，导出错误
 
Caused by: org.apache.parquet.hadoop.BadConfigurationException: Class com.hadoop.compression.lzo.LzoCodec was not found

 
这边hive中dwd压缩格式是parquet+lzo，读取出来没问题，插入时报错，我直接将之前搭建Hadoop集群时$HADOOP_HOME/share/hadoop/common/hadoop-lzo-0.4.20.jar放到/u/module/spark-2.4.8-bin-hadoop2.7/jars（spark目录下的jars）下，即可解决
 
另注意：
 sql语句不能有分号
 
总结： 
这样就完成了从hive导入ClickHouse,这个脚本可以放在Azkaban调度执行，后续将探索kafka+spark/flink 批量插入，毕竟这一套还是太重了。