从Hive导入数据到ES

标签：cdh   mem   scheduler   overwrite   creat   3.0   nload   merge   需要   

具体的步骤如下：
step1 将elasticsearch-hadoop-hive-version.jar添加到hive

wget https://artifacts.elastic.co/downloads/elasticsearch-hadoop/elasticsearch-hadoop-6.3.0.zip
unzip elasticsearch-hadoop-6.3.0.zip
hdfs dfs -mkdir /user/test/es_hadoop/
hdfs dfs -put elasticsearch-hadoop-hive-6.3.0.jar /user/test/es_hadoop/
ADD JAR hdfs://test/user/test/es_hadoop/elasticsearch-hadoop-hive-6.3.0.jar;

step2 创建Hive表：

CREATE EXTERNAL TABLE elastic_table(
   uuid string,
   key1 int,
   key2 int,
   day string
)
STORED BY ‘org.elasticsearch.hadoop.hive.EsStorageHandler‘
TBLPROPERTIES(‘es.resource‘=‘index/type‘,
‘es.nodes‘=‘serverIP:port‘,
‘es.index.auto.create‘=‘TRUE‘,
‘es.mapping.id‘ = ‘uuid‘
);

step3 添加数据

INSERT OVERWRITE TABLE elastc_table
SELECT uuid, key1,key2, day FROM source s;

为了避免客户端版本的问题，es-hadoop使用es的restfull接口导入数据,该接口使用的是Http协议。

通常使用ES, 首当其冲的问题就是： 如何快速将海量数据导入ES? 由于ES的数据需要建立倒排索引，所以导入数据到ES的瓶颈往往在ES这里。

本文记录了将Hive表的数据导入ES的方法。这里背后隐藏了mapreduce，即集群的威力。 这里有个系列博客，讲述如何最大限度的挖掘ES索引数据的性能，立足点是ES。

https://qbox.io/blog/series/how-to-maximize-elasticsearch-indexing-performance

作者总结有3点：

1. 根据应用场景创建mapping, 去除不必要的字段，如_all, _source;
   这里是从应用场景下手，以避免存储不必要的信息来提升索引数据的性能。

2. 修改es/lucene默认的设置，比如
   refresh_interval,
   index.number_of_replicas,
   index.merge.scheduler.max_thread_count,
   index.translog.interval,
   indices.memory.index_buffer_size
index.index_concurrency
   等参数。 这里是从集群的角度进行调优， 通常用于大批量导入数据到ES。

3. 如果前面两种还是没能解决问题，那就需要对集群进行横向扩展了，比如增加集群的分片数量。
   集群大了后，各个结点的功能就需要单一化，专注化了。

比如节点只承担数据相关的任务。

node.master: false
node.data: true
node.ingest: false

bulk api的批量值需要实验，找到最佳参数。建议bulk的大小在5M～10M.

使用SSD硬盘。索引数据时，副本数设置为0。

参考:
http://note4code.com/2016/06/17/hive-%E5%90%91-elasticsearch-%E5%AF%BC%E5%87%BA%E6%95%B0%E6%8D%AE/

从Hive导入数据到ES

标签：cdh   mem   scheduler   overwrite   creat   3.0   nload   merge   需要   

原文地址：http://blog.51cto.com/sbp810050504/2134819