mysql - 比较来自两个不同数据源(MySQL 和 Hadoop)的数据的有效方法

Question

我有像这样来自 MySQL 的数据..

ItemID
Metric1
Metric2
Metric3

和数据，所以我使用 Hive 来实现 Hadoop..

ItemID
Metric1 
Metric2
Metric3

现在 ItemID 是唯一标识符。因此，我要使用以下列设置输出到一个文件中的内容是:

ItemID
Metric1 (MySQL)
Metric2 (MySQL)
Metric3 (MySQL)
Metric1 (Hadoop)
Metric2 (Hadoop)
Metric3 (Hadoop)

有没有另一种方法，然后循环遍历一个文件，然后在另一个文件中搜索 ItemID 并将匹配的行输出到另一个文件中？这看起来效率很低。

Answer 1

今天是您的幸运日，因为 Hadoop 是为分组而构建的。不幸的是，我不认为有一种自然的方法可以让 Hive 在 SQL 中执行此操作，因为它必须处理非规范化数据。唯一烦人的部分是你的数据格式，但我稍后会谈到。

我的建议是编写一个 MapReduce 作业来加载两个数据集，按唯一项目 ID 值分组，然后在 reducer 中整理它们。

一些伪代码:

mapper for MySQL:
  output ItemID as the key, Metric# + "(MySQL)" as the value
mapper for Hadoop:
  output ItemID as the key, Metric# + "(Hadoop)" as the value
reducer:
  output the ItemID, then each item in the iterator

一些注意事项:

• 我建议使用 MultipleInputs这样您就可以区分数据是来自 Hadoop 还是来自 MySQL。您将为每个设置一个 map 类，然后将该 map 类分配给输入数据。

• 看起来您的输入格式有点令人痛苦，因为“记录分隔符”有点模棱两可。你如何知道你到达了一个 ItemID 的末尾并进入了下一个 ItemID？它们与指标有显着不同吗？您可能需要某种自定义输入格式或记录阅读器来完成此操作。如果您能以某种方式更改输入数据，使其在 ItemID\tMetric1;Metric2;Metric3 中读取，您的生活就会轻松很多。

---

你可以考虑 Pig。它以您对它的“包”更好一点的形式处理非规范化数据。你可以使用 COGROUP运算符在两个单独的 LOAD 语句之后将数据组合在一起，然后将其吐出。您的输入数据格式也会让 pig 讨厌。