大数据平台Hive数据迁移至阿里云ODPS平台流程与问题记录

一、背景介绍

　　最近几天，接到公司的一个将当前大数据平台数据全部迁移到阿里云ODPS平台上的任务。而申请的这个ODPS平台是属于政务内网的，因考虑到安全问题当前的大数据平台与阿里云ODPS的网络是不通的，所以不能使用数据采集工作流模板。

　　然而，考虑到原大数据平台数据量并不是很大，可以通过将原大数据平台数据导出到CSV文件，然后再将CSV文件导入到ODPS平台。在这个过程中踩的坑有点多，所以想写篇文档作为记录。

二、大数据平台Hive数据导出到本地

　　编写export_data.sh脚本如下：

#!/bin/bash
#
#导出数据
hive -e "use swt_ods; show tables;" > /root/hive_data/table_names.txt
for table_name in `cat /root/hive_data/table_names.txt`
do
  hive -e "select * from swt_ods.$table_name;" > /root/hive_data/export_data/$table_name".csv"
  sed -i 's/\t/,/g' /root/hive_data/export_data/$table_name".csv"
done

　　执行脚本，并将数据/root/hive_data/export_data/目录下载到本地。

三、ODPS平台创建对应表

3.1 导出原大数据平台Hive建表语句

　　编写export_create_table_sql.sh脚本如下：

#!/bin/bash
#
#导出DDL
hive -e "use swt_ods; show tables;" > /root/hive_data/table_names.txt
for table_name in `cat /root/hive_data/table_names.txt`
do
  hive -e "show create table swt_ods.$table_name;" > /root/hive_data/export_create_table_sql/$table_name
  tac $table_name| sed 1,14d| tac > /root/hive_data/export_create_table_sql/$table_name".sql"
  rm -f $table_name
  echo ";" >> /root/hive_data/export_create_table_sql/$table_name".sql"
  cat /root/hive_data/export_create_table_sql/$table_name".sql" >> /root/hive_data/export_create_table_sql/all.sql
done

　　执行脚本，并将/root/hive_data/export_create_table_sql/all.sql下载到本地。

3.2 在ODPS中创建对应的表

3.2.1 下载并配置MaxCompute 命令行工具

　　点击压缩包链接下载

　　在Windows中，解压即安装。在解压目录中配置odps_config.ini文件

　　在解压目录odpscmd_public\bin目录下，双击运行odpscmd.bat。

3.2.2 使用命令行创建表

　　将all.sql中的建表语句粘贴到命令行执行即可创建表。

3.2.3 建表过程遇到的问题

　　主要问题：
　　一是，hive中建表的属性的数据类型和MaxCompute的数据类型不对应。可以参考数据类型说明文档，https://help.aliyun.com/document_detail/27821.html?spm=a2c4g.11186623.2.5.X8fmyl 。例如：decimal类型不需要添加精度，如果写成decimal(a,b)则会报错；MaxCompute没有date类型，只有datetime类型；没有char类型。所以要根据MaxCompute的数据类型，对hive的建表语句进行调整。

　　二是，涉及到新数据类型（TINYINT、SMALLINT、 INT、 FLOAT、VARCHAR、TIMESTAMP BINARY），需在SQL语句前加语句set odps.sql.type.system.odps2=true;，执行时set语句和SQL语句一起提交执行。
　　在解决完上述两个问题后，在重复步骤二，在命令行中批量执行建表语句。

四、本地数据导入到ODPS平台

4.1 命令行使用tunnel命令导入数据

 　　使用命令行的方式批量导入数据到对应的表中。

        tunnel上传数据的命令为：tunnel upload [options] <path> <[project.]table[/partition]>。详见：https://help.aliyun.com/document_detail/27833.html?spm=a2c4g.11186623.2.1.rLlM5i 
        例如：tunnel upload C:\PATH\table_name.csv project_name.table_name;

4.2 导入数据遇到的主要问题

4.2.1 decimal类型数据无法插入空值

　　问题描述：
　　在导入数据时报format error, decimal nullcontent错误。

　　可能需要加什么选项或者参数可以解决，但是在查看tunnel upload命令的详细介绍后也没有找到使用命令行来解决这个问题的方法。

　　解决方法：
       使用MaxCompute Studio 导入数据可以解决上述问题。MaxCompute Studio安装及介绍可参看文档，https://help.aliyun.com/document_detail/50889.html?spm=a2c4g.11186623.6.745.ZVGpPm

4.2.2 原始数据存在的问题

　　问题描述：

　　在导入数据时报column missmatch错误。

　　解决方法：
　　经检查原始数据，可以发现数据中存在列，该列的值中含有逗号。而数据导入按逗号作为列分隔符，所以会出现数据列数大于表的列数。因为这样的表比较少，所以直接修改数据中那一列中的逗号为其他符号，然后再导入。 
posted @ 2018-06-27 18:17  Huidoo_Yang  阅读(2645)  评论(0)  编辑  收藏  举报