Académique Documents
Professionnel Documents
Culture Documents
Big Data Analytics Sqoop
Big Data Analytics Sqoop
I- Objectifs
Ce workshop permet aux participants d’exploiter les différents outils de Big data (Hive,
MySQL, Sqoop, HDFS, Avro) pour faire pour importer les données d’une base de données
relationnelle MySQL vers HDFS avec CDH (Cloudera Distribution Including Apache Hadoop)
et les manipuler sous HIVE.
II- Introduction
Les technologies Big Data peuvent être utilisées pour enrichir et optimiser les bases de données
relationnelles et les entrepôts de données. Ceci est une idée très populaire, et elle prend plusieurs
noms mais tous simplement on peut l’appeler « Data Warehouse Augmentation ». Il s’agit de
décrire comment on peut enrichir les supports de discisions traditionnelles et les applications
orientées Data Warehouse avec des sources de données non traditionnelles non supportés par
les systèmes de Data Warehouse classiques. La figure ci-dessous décrit l’extraction et le
chargement des données dans HDFS. Les données structurées sont importées depuis les sources
transactionnelles, et certaines tables dimensions peuvent être récupérées depuis le
datawarehouse existant. Les données non structurées sont aussi importées dans leur état brut.
1
Big Data Analytics 4ERP-BI
Dans ce qui suit, on va se focaliser sur l’importation des données à partir de la base de données
relationnelle MySQL vers HDFS et manipulation des données dans HIVE.
Dans les scénarios de ce workshop, on se focalise sur les données relatives à l’entreprise
DataCo. Le schéma relationnel de la base de données correspondante est présenté à travers la
figure ci-dessous.
Pour analyser ces données, nous avons besoin de les migrer dans le système Hadoop Distributed
File System (HDFS). Pour cette raison, nous avons besoin de trouver un outil qui permet de
transférer facilement des données structurées à partir d'un SGBDR à HDFS, tout en préservant
leur structure. Cela nous permet d'interroger les données sur HDFS sans affecter les données
du SGBDR. Cet outil est Apache Sqoop, qui fait partie du CDH. Il permet de charger
automatiquement nos données relationnelles de MySQL en HDFS, tout en préservant la
structure.
Avec quelques paramètres de configuration supplémentaires, nous pouvons aller un peu plus
loin en chargeant ces données relationnelles directement dans une forme prête à être interrogée
par Hive ou Impala (le moteur de recherche analytique open source inclus avec CDH). Les
données sur HDFS peuvent être stockées sous une forme binaire ou une forme textuelle, nous
2
Big Data Analytics 4ERP-BI
visons exploiter le type de fichier Avro qui représente un format de fichier optimisé dans
Hadoop.
Pour pouvoir importer les données, on commence par installer MySQL dans Cloudera 4.7. Pour
ce faire, on doit exécuter les instructions suivantes :
Une fois, le service mysql démarré, on se connecte à mysql, on crée un nouvel utilisateur et on
importe la base de données à partir du fichier retail_db.sql.
mysql -u root -p
Dans ce scénario, on se propose d’importer la totalité des la base de données retail_db dans
HIVE. Il faut suivre les étapes suivantes :
3
Big Data Analytics 4ERP-BI
En fonction du volume des données à importer, cette commande peut prendre un peu de temps
pour se terminer. Elle lance des opérations (jobs) MapReduce pour transférer les données de la
base de données MySQL, vers HDFS
5. Maintenant, on doit importer les tables dans HIVE. Donc on doit créer les tables
correspondantes :
Create external table h_departments(department_id int, department_name string)
Location '/user/hive/warehouse/h_retail_db.db/departments';
sqoop import-all-tables \
-m 1 \
--connect jdbc:mysql://localhost:3306/retail_db \
--username=retail_dba \
--password=cloudera \
--compression-codec=snappy \
--as-avrodatafile \
--warehouse-dir=/user/hive/warehouse
4
Big Data Analytics 4ERP-BI
ls -l *.avsc
5. Importation des schémas des tables (fichiers .avsc )du local vers HDFS
Il est à noter que le schéma et les données sont stockés dans des fichiers séparés (.avro et .avsc).
Le schéma est appliqué uniquement lorsque les données sont interrogées en se basant sur une
technique appelée 'schema-on-read'.
Cela donne la souplesse nécessaire pour interroger les données avec SQL même si elles sont
dans un format Avro. Tandis que, si on manipule une base de données traditionnelle, il est
obligatoire de définir le schéma avant de gérer des données.
A ce niveau, nous avons importé une grande quantité de données (de SGBD vers HDFS) sans
préciser comment les interroger en utilisant leurs structures.
Les schémas Avro ont été générés dans le système local contrairement aux données qui sont
générées sous HDFS.
Pour interroger ces données avec Apache Hive, nous devons copier les fichiers d’extension
(.avsc) dans HDFS de cette manière :
5
Big Data Analytics 4ERP-BI
Après avoir importé les données et leur schéma dans HDFS, nous passons maintenant à
l’interrogation en utilisant Apache Hive.
Pour créer des tables à partir des fichiers Avro nous devons exécuter ces requêtes de création
des tables comme suit :
LOCATION 'hdfs:///user/hive/warehouse/departments'
/user/cloudera/Retail_db_Schema/departments.avsc');
LOCATION 'hdfs:///user/hive/warehouse/categories
/user/cloudera/Retail_db_Schema/categories.avsc');
LOCATION 'hdfs:///user/hive/warehouse/customers
/user/cloudera/Retail_db_Schema/customers.avsc');
6
Big Data Analytics 4ERP-BI
LOCATION 'hdfs:///user/hive/warehouse/orders
/user/cloudera/Retail_db_Schema/orders.avsc');
LOCATION 'hdfs:///user/hive/warehouse/order_items
/user/cloudera/Retail_db_Schema/order_items.avsc');
LOCATION 'hdfs:///user/hive/warehouse/products
/user/cloudera/Retail_db_Schema/products.avsc');
VII. Scénario 3 : Importations des données à travers une sous interrogation directement
sous Hive
Pour ce faire, il faut tout d’abord vérifier que le dossier « /user/cloudera » ne contient pas un
dossier « categories ». Dans le cas contraire, il faut le supprimer (Sqoop importe la copie de la
7
Big Data Analytics 4ERP-BI
table dans un dossier portant le nom de la table dans « /user/cloudera » puis la transfère à
« hive/warehouse »).