《Hadoop实战手册》一1.8 从MongoDB导入数据到HDFS

1.8 从MongoDB导入数据到HDFS

本节将使用MongoInputFormat类加载MongoDB中的数据导入HDFS中。

准备工作
使用Mongo Hadoop适配器最简单的方法是从GitHub上克隆Mongo-Hadoop工程，并且将该工程编译到一个特定的Hadoop版本。克隆该工程需要安装一个Git客户端。

本节假定你使用的Hadoop版本是CDH3。

Git客户端官方的下载地址是：http://git-scm.com/downloads。

在Windows操作系统上可以通过http://windows.github.com/访问GitHub。

在Mac操作系统上可以通过http://mac.github.com/访问GitHub。

可以通过https://github.com/mongodb/mongo-hadoop获取到Mongo Hadoop适配器。该工程需要编译在特定的Hadoop版本上。编译完的JAR文件需要复制到Hadoop集群每个节点的$HADOOP_HOME/lib目录下。

Mongo Java驱动包也需要安装到Hadoop集群每个节点的$HADOOP_HOME/lib目录下。该驱动包可从https://github.com/mongodb/mongo-java-driver/downloads下载。

操作步骤
完成下面步骤实现将MongoDB中的数据复制到HDFS中。

1．通过下面的命令实现克隆mongo-hadoop工程：

git clone https://github.com/mongodb/mongo-hadoop.git

2．切换到稳定发布的1.0分支版本：

git checkout release-1.0

3．必须保持mongo-hadoop与Hadoop的版本一致。使用文本编辑器打开mongo-hadoop克隆目录下的build.sbt文件，修改下面这行：

hadoopRelease in ThisBuild := "default"

修改为：

hadoopRelease in ThisBuild := "cdh3"

4．编译mongo-hadoop：

./sbt package.

这将会在core/target文件夹下生成一个名为mongo-hadoop-core_cdh3u3-1.0.0.jar的JAR文件。

5．从https://github.com/mongodb/mongo-java-driver/downloads下载MongoDB 2.8.0版本的Java驱动包。

6．复制mongo-hadoop和MongoDB Java驱动包到Hadoop集群每个节点的$HADOOP_HOME/lib：

cp mongo-hadoop-core_cdh3u3-1.0.0.jar mongo-2.8.0.jar $HADOOP_HOME/lib

7．编写MapReduce读取MongoDB数据库中的数据并写入HDFS中：

import java.io.*;
import org.apache.commons.logging.*;
import org.apache.hadoop.conf.*;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.*;
import org.apache.hadoop.mapreduce.lib.output.*;
import org.apache.hadoop.mapreduce.*;
import org.bson.*; 

import com.mongodb.hadoop.*;
import com.mongodb.hadoop.util.*; 

public class ImportWeblogsFromMongo { 

   private static final Log log = LogFactory.
getLog(ImportWeblogsFrom Mongo.class);

   public static class ReadWeblogsFromMongo extends Mapper<Object,
BSONObject, Text, Text>{

      public void map(Object key, BSONObject value, Context context) throws
IOException, InterruptedException{
         System.out.println("Key: " + key);
         System.out.println("Value: " + value); 

         String md5 = value.get("md5").toString();
         String url = value.get("url").toString();
         String date = value.get("date").toString();
         String time = value.get("time").toString();
         String ip = value.get("ip").toString();
         String output = "\t" + url + "\t" + date + "\t" +
                          time + "\t" + ip;
         context.write( new Text(md5), new Text(output));
    }
}
public static void main(String[] args) throws Exception{
   final Configuration conf = new Configuration();
   MongoConfigUtil.setInputURI(conf, "mongodb://<HOST>:<PORT>/test.weblogs");
   MongoConfigUtil.setCreateInputSplits(conf, false);
   System.out.println("Configuration: " + conf);
   final Job job = new Job(conf, "Mongo Import");
   Path out = new Path("/data/weblogs/mongo_import");
   FileOutputFormat.setOutputPath(job, out);
   job.setJarByClass(ImportWeblogsFromMongo.class);
   job.setMapperClass(ReadWeblogsFromMongo.class);
   job.setOutputKeyClass(Text.class);
   job.setOutputValueClass(Text.class);
   job.setInputFormatClass(MongoInputFormat.class);
   job.setOutputFormatClass(TextOutputFormat.class);
   job.setNumReduceTasks(0);
   System.exit(job.waitForCompletion(true) ? 0 : 1 );
   }
}

这个只有map的作业用到了Mongo Hadoop适配器提供的几个类。从HDFS读入的数据会被转换成一个BSONObject对象。该类描述的是一个二进制的JSON值。MongoDB使用这些BSONObject对象来有效地序列化、传输和存储数据。

Mongo Hadoop适配器还提供了一个方便的工具类MongoConfigUtil，使得可以把MongoDB当成是一个文件系统来访问。

8．导出为一个可运行的JAR文件，并运行该作业：

hadoop jar ImportWeblogsFromMongo.jar

9．验证weblogs数据是否已经导入HDFS中：

hadoop fs -ls /data/weblogs/mongo_import

工作原理
Mongo Hadoop适配器提供了一种新的兼容Hadoop的文件系统实现，包括MongoInputFormat和MongoOutputFormat。这些抽象实现使得访问MongoDB和访问任何兼容Hadoop的文件系统一样。