转载

Hadoop－Drill深度剖析

1.概述

在《 Hadoop - 实时查询Drill 》一文当中，笔者给大家介绍如何去处理实时查询这样的业务场景，也是简略的提了一下如何去实时查询HDFS，然起相关细节并未说明。今天给大家细说一下相关细节，其中包含：HDFS，Hive以及HBase等内容。

2.数据源和文件格式

在使用Drill去做实时查询，由于其只是一个中间件，其适配的存储介质是有限制的，目前官方支持以下存储介质：

FS
HDFS
HBase
Hive
RDBMS
MongoDB
MapR-DB
S3

这里笔者主要给大家介绍HDFS，Hive，HBase这三种介质。另外，Drill支持以下输入格式的数据源：

Avro
CSV
TSV
PSV
Parquet
MapR-DB*
Hadoop Sequence Files

2.1 文本类型文件（CSV，TSV，PSV）

下面笔者给大家介绍文本类型的相关细节，文本类型的使用，有其固定的使用方法，通用配置如下：

"formats": {   "csv": {     "type": "text",     "extensions": [       "txt"     ],     "delimiter": "/t"   },   "tsv": {     "type": "text",     "extensions": [       "tsv"     ],     "delimiter": "/t"   },   "parquet": {     "type": "parquet"   } }

这里以CSV为例子来说明：

"csv"：表示固定的文本格式
"type"：制定文件的类型，这里指定为文本类型
"extensions"：扩展名为csv
"delimiter"：文本内容，每行的分隔符为一个tab占位符

上面的配置，这里我们也可以进行拓展，比如我们的HDFS上的文件格式如下图所示：

Hadoop－Drill深度剖析

我们要达到以下查询结果，内容如下所示：

0: jdbc:drill:zk=local> SELECT * FROM hdfs.`/tmp/csv_with_header.csv2`; +------------------------+ |        columns         | +------------------------+ | ["hello","1","2","3"]  | | ["hello","1","2","3"]  | | ["hello","1","2","3"]  | | ["hello","1","2","3"]  | | ["hello","1","2","3"]  | | ["hello","1","2","3"]  | | ["hello","1","2","3"]  | +------------------------+

那么，我们可以对其做以下配置，内容如下所示：

"csv": {   "type": "text",   "extensions": [     "csv2"   ],   "skipFirstLine": true,   "delimiter": "," },

这里skipFirstLine这个属性表示忽略一行结果。

另外，同样用到上面的数据源，我们要实现以下查询结果，内容如下所示：

0: jdbc:drill:zk=local> SELECT * FROM hdfs.`/tmp/csv_with_header.csv2`; +-------+------+------+------+ | name  | num1 | num2 | num3 | +-------+------+------+------+ | hello |   1  |   2  |   3  | | hello |   1  |   2  |   3  | | hello |   1  |   2  |   3  | | hello |   1  |   2  |   3  | | hello |   1  |   2  |   3  | | hello |   1  |   2  |   3  | | hello |   1  |   2  |   3  | +-------+------+------+------+

这该如何去修改CSV的属性，我们添加以下内容即可：

"csv": {   "type": "text",   "extensions": [     "csv2"   ],   "skipFirstLine": false,   "extractHeader": true,   "delimiter": "," },

从单词的意义上可以很直接的读懂属性所要表达的意思，这里就不多做赘述了。由于篇幅问题，这里就不一一列举了。

其他格式文件与此类似，填写指定文件格式，文件类型，扩展名，文本分隔符即可，其他扩展属性可按需添加。

3.Plugins

3.1 HDFS

集成HDFS的Plugins，添加内容如下所示：

{   "type": "file",   "enabled": true,   "connection": "hdfs://hdfs.company.com:9000/",   "workspaces": {     "root": {       "location": "/opt/drill",       "writable": true,       "defaultInputFormat": null     }   },   "formats": {     "csv": {       "type": "text",       "extensions": [         "txt"       ],       "delimiter": "/t"     },     "tsv": {       "type": "text",       "extensions": [         "tsv"       ],       "delimiter": "/t"     },     "parquet": {       "type": "parquet"     }   } }

PS：连接HDFS地址注意要正确。

3.2 Hive

集成Hive的Plugins，添加内容如下所示：

{   "type": "hive",   "enabled": true,   "configProps": {     "hive.metastore.uris": "thrift://hdfs.company.com:9083",     "fs.default.name": "hdfs://hdfs.company.com/",     "hive.metastore.sasl.enabled": "false"   } }

PS：这里需要指定Hive的metastore的thrift地址，同时也需要指定hdfs的地址。另外，我们需要启动metastore的thrift服务，命令如下所示：

hive --service metastore

这里需要注意的是，Drill当前不支持写操作到Hive表，在将Hive表结构中的数据类型做查询映射时，支持以下类型：

支持的SQL类型	Hive类型
BIGINT	BIGINT
BOOLEAN	BOOLEAN
VARCHAR	CHAR
DATE	DATE
DECIMAL*	DECIMAL
FLOAT	FLOAT
DOUBLE	DOUBLE
INTEGER	INT,TINYINT,SMALLINT
INTERVAL	N/A
TIME	N/A
N/A	TIMESPAMP (unix的系统时间)
TIMESPAMP	TIMESPAMP (JDBC时间格式：yyyy-mm-dd hh:mm:ss)
None	STRING
VARCHAR	VARCHAR
VARBINARY	BINARY

另外，在Drill中，不支持以下Hive类型：

LIST
MAP
STRUCT
TIMESTAMP（Unix Epoch format）
UNION

3.3 HBase

集成HBase的Plugins，添加内容如下所示：

{   "type": "hbase",   "config": {     "hbase.zookeeper.quorum": "hbase-zk01,hbase-zk02,hbase-zk03",     "hbase.zookeeper.property.clientPort": "2181"   },   "size.calculator.enabled": false,   "enabled": true }

PS：在使用ZooKeeper集群连接信息时，需要注意的是，Drill在解析HBase的Plugins时，会解析其HBase集群上的ZK集群信息，如：在HBase集群中的ZK信息配置使用的时域名，这里在配置其HBase的Plugins的ZK连接信息也需使用对应的域名，若是直接填写IP，解析会失败。保证解析的一致性。

4.总结

另外，在使用JDBC或ODBC去操作Drill的时候，连接信息的使用是需要注意的，直接按照官方给出的连接方式硬套是有问题的，这里我们修改以下连接信息。连接分2种情况，一种指定其Drill的IP和PORT，第二种，使用ZK的连接方式，如jdbc:drill:zk=dn1,dn2,dn3:2181即可。