离线同步MySQL数据到HDFS

案例：使用NiFi将MySQL中数据导入到HDFS中。

以上案例用到的处理器有“QueryDatabaseTable”、“ConvertAvroToJSON”、“SplitJson”、“PutHDFS”四个处理器。

一、配置“QueryDatabaseTable”处理器

该处理器主要使用提供的SQL语句或者生成SQL语句来查询MySQL中的数据，查询结果转换成Avro格式。该处理器只能运行在主节点上。

关于“QueryDatabaseTable”处理器的“Properties”配置的说明如下：

配置项	默认值	允许值	描述
Database Connection Pooling Service （数据库连接池服务）			用于获得与数据库的连接的Controller Service。
Database Type （数据库类型）	Generic		选择数据库类型。 Generic 通用类型 Oracle Oracle 12+ MS SQL 2012+ MS SQL 2008 MySQL PostgreSQL
Table Name （表名）			查询数据库的表名，当使用“Custom Query”时，此为查询结果的别名，并作为FlowFile中的属性。
Columns to Return （返回的列）			查询返回的列，多个列使用逗号分隔。如果列中有特殊名称需要加引号，则所有列都需要加引号处理。
Additional WHERE clause （where条件）			在构建SQL查询时添加到WHERE条件中的自定义子句。
Custom Query （自定义SQL查询）			自定义的SQL语句。该查询被构建成子查询，设置后不会从其他属性构建SQL查询。自定义SQL不支持Order by查询。
Maximum-value Columns （最大值列）			指定增量查询获取最大值的列，多列使用逗号分开。指定后，这个处理器只能检索到添加/更新的行。不能设置无法比较大小的列，例如：boolean/bit。如果不指定，则参照表中所有的列来查询全量数据，这会对性能产生影响。
Max Wait Time （最大超时时间）	0 seconds		SQL查询最大时长，默认为0没有限制，设置小于0的时间默认为0。
Fetch Size （拉取数据量）	0		每次从查询结果中拉取的数据量。
Max Rows Per Flow File （每个FlowFile行数）	0		在一个FlowFile文件中的数据行数。通过这个参数可以将很大的结果集分到多个FlowFile中。默认设置为0，所有结果存入一个FlowFile。
Output Batch Size （数据输出批次量）	0		输出的FlowFile批次数据大小，当设置为0代表所有数据输出到下游关系。如果数据量很大，则有可能下游很久没有收到数据，如果设置了，则每次达到该数据量就释放数据，传输到下游。
Maximum Number of Fragments （最大片段数）	0		设置返回的最大数据片段数，设置0默认将所有数据片段返回，如果表非常大，设置后可以防止OOM错误。
Normalize Table/Column Names （标准表/列名）	false	true false	是否将列名中不兼容avro的字符修改为兼容avro的字符。例如，冒号和句点将被更改为下划线，以构建有效的Avro记录。
Transaction Isolation Level			设置事务隔离级别。
Use Avro Logical Types (使用Avro逻辑类型)	false	true false	是否对DECIMAL/NUMBER, DATE, TIME 和 TIMESTAMP 列使用Avro逻辑类型。
Default Decimal Precision （Decimal数据类型位数）	10		当 DECIMAL/NUMBER 数据类型转换成Avro类型数据时，指定的数据位数。
Default Decimal Scale （Decimal 数据类型小数位数）	0		当 DECIMAL/NUMBER 数据类型转换成Avro类型数据时，指定的小数点后的位数。

Generic 通用类型
Oracle
Oracle 12+
MS SQL 2012+
MS SQL 2008
MySQL
PostgreSQL

Table Name （表名）

查询数据库的表名，当使用“Custom Query”时，此为查询结果的别名，并作为FlowFile中的属性。 Columns to Return （返回的列）

查询返回的列，多个列使用逗号分隔。如果列中有特殊名称需要加引号，则所有列都需要加引号处理。 Additional WHERE clause （where条件）

在构建SQL查询时添加到WHERE条件中的自定义子句。 Custom Query （自定义SQL查询）

自定义的SQL语句。该查询被构建成子查询，设置后不会从其他属性构建SQL查询。自定义SQL不支持Order by查询。 Maximum-value Columns （最大值列）

指定增量查询获取最大值的列，多列使用逗号分开。指定后，这个处理器只能检索到添加/更新的行。不能设置无法比较大小的列，例如：boolean/bit。如果不指定，则参照表中所有的列来查询全量数据，这会对性能产生影响。 Max Wait Time （最大超时时间） 0 seconds

SQL查询最大时长，默认为0没有限制，设置小于0的时间默认为0。 Fetch Size （拉取数据量） 0

每次从查询结果中拉取的数据量。 Max Rows Per Flow File （每个FlowFile行数） 0

在一个FlowFile文件中的数据行数。通过这个参数可以将很大的结果集分到多个FlowFile中。默认设置为0，所有结果存入一个FlowFile。 Output Batch Size （数据输出批次量） 0

输出的FlowFile批次数据大小，当设置为0代表所有数据输出到下游关系。如果数据量很大，则有可能下游很久没有收到数据，如果设置了，则每次达到该数据量就释放数据，传输到下游。 Maximum Number of Fragments （最大片段数） 0

设置返回的最大数据片段数，设置0默认将所有数据片段返回，如果表非常大，设置后可以防止OOM错误。 Normalize Table/Column Names （标准表/列名） false true false 是否将列名中不兼容avro的字符修改为兼容avro的字符。例如，冒号和句点将被更改为下划线，以构建有效的Avro记录。 Transaction Isolation Level

设置事务隔离级别。 Use Avro Logical Types (使用Avro逻辑类型) false true false 是否对DECIMAL/NUMBER, DATE, TIME 和 TIMESTAMP 列使用Avro逻辑类型。 Default Decimal Precision （Decimal数据类型位数） 10

当 DECIMAL/NUMBER 数据类型转换成Avro类型数据时，指定的数据位数。 Default Decimal Scale （Decimal 数据类型小数位数） 0

当 DECIMAL/NUMBER 数据类型转换成Avro类型数据时，指定的小数点后的位数。

配置步骤如下：

1、新建“QueryDatabaseTable”处理器

2、配置“SCHEDULING”调度时间

这里调度时间配置为99999s,读取数据库，这里读取一次即可，默认0会不间断读取数据库会对服务器造成非常大压力。执行仅支持“Primary”主节点运行。

3、配置“PROPERTIES”

配置“Database Connection Pooling Service”选择创建，在弹出页面中可以按照默认选择直接点击“Create”。

点击“->”继续配置MySQL连接：

在弹出的页面中填入：

连接MysqlURL:

jdbc:mysql://192.168.179.5:3306/mynifi?characterEncoding=UTF-8&useSSL=false

MySQL驱动类：com.mysql.jdbc.Driver
MySQL jar包路径：需要提前在NiFI集群各个节点上创建对应目录并上传jar包。
连接mysql的用户名和密码。

通过以上配置好连接mysql如下：

配置其他属性如下：

二、配置“ConvertAvroToJSON”处理器

此处理器是将二进制Avro记录转换为JSON对象，提供了一个从Avro字段到JSON字段的直接映射，这样得到的JSON将具有与Avro文档相同的层次结构。输出的JSON编码为UTF-8编码，如果传入的FlowFile包含多个Avro记录，则转换后的FlowFile是一个含有所有Avro记录的JSON数组或一个JSON对象序列(每个Json对象单独成行)。如果传入的FlowFile不包含任何记录，则输出一个空JSON对象。

关于“ConvertAvroToJSON”处理器的“Properties”配置的说明如下：

配置项	默认值	允许值	描述
JSON container options （Json选择）	array	none array	如何解析Json对象，none:解析Json将每个Json对象写入新行。array：解析到的json存入JsonArray一个对象
Wrap Single Record （数据库类型）	false	true false	指定解析到的空记录或者单条记录是否按照“JSON container options”配置包装对象。
Avro schema （表名）			如果Avro数据没有Schema信息，需要配置。

配置步骤如下：

1、创建“ConvertAvroToJSON”处理器

2、配置“PROPERTIES”

3、连接“QueryDatabaseTable”处理器和“CovertAvroToJSON”处理器

连接好两个处理器后，可以配置“Connection”为负载均衡方式传递数据：

三、配置“SplitJson”处理器

该处理器使用JsonPath表达式指定需要的Json数组元素，将Json数组中的多个Json对象切分出来，形成多个FlowFile。每个生成的FlowFile都由指定数组中的一个元素组成，并传输到关系"split"，原始文件传输到关系"original"。如果没有找到指定的JsonPath，或者没有对数组元素求值，则将原始文件路由到"failure"，不会生成任何文件。

关于“SplitJson”处理器的“Properties”配置的说明如下：

配置项	默认值	允许值	描述
JsonPath Expression （Json表达式）			一个JsonPath表达式，它指定用以分割的数组元素。
Null Value Representation（Null值表示）	empty string	empty string the string 'null'	指定结果为空值时的表示形式。

配置步骤如下：

1、创建“SplitJson”处理器

2、配置“PROPERTIES”

3、连接“ConvertAvroToJSON”处理器和“SplitJson”处理器

连接后，连接关系选择“success”：

同时配置“ConverAvroToJSON”处理失败的数据自动终止：

四、配置“PutHDFS”处理器

该处理器是将FlowFile数据写入到HDFS分布式文件系统中。关于“PutHDFS”处理器的“Properties”主要配置的说明如下：

配置项	默认值	允许值	描述
Hadoop Configuration Resources（Hadoop配置）		none array	HDFS配置文件，一个文件或者由逗号分隔的多个文件。不配置将在ClassPath中寻找‘core-site.xml’或者‘hdfs-site.xml’文件。
Directory （目录）			需要写入文件的HDFS父目录。如果目录不存在，将创建该目录。
Conflict Resolution Strategy (冲突解决)	fail	replace ignore fail append	指示当输出目录中已经存在同名文件时如何处理。

配置步骤如下：

1、创建“PutHDFS”处理器

2、配置“PROPERTIES”

注意：以上需要在各个NiFi集群节点上创建“/root/test”目录，并且在该目录下上传hdfs-site.xml和core-site.xml文件。

3、连接“SplitJson”处理器和“PutHDFS”处理器

同时设置“SplitJson”处理器中“failure”和“original”数据关系自动终止。

设置“PutHDFS”处理器“success”和“failure”数据关系自动终止：

配置好的连接关系如下：

五、运行测试

1、在MySQL创建库“mynifi”,并且创建表“test1”，向表中插入10条数据

mysql> create database mynifi;
Query OK, 1 row affected (0.02 sec)

mysql> use mynifi;
Database changed

mysql> create table test1(id int,name varchar(255),age int );
Query OK, 0 rows affected (0.07 sec)

mysql> insert into test1 values (1,"zs",18),(2,"ls",19),(3,"ww",20),(4,"ml",21),(5,"tt",22)

2、首先启动“QueryDatabaseTable”处理器观察队列数据

3、单独启动“ConvertAvroToJson”处理器观察队列数据

4、单独启动“SplitJson”处理器观察队列数据

5、单独启动“PutHDFS”处理器观察HDFS对应目录数据

查看数据：

注意：

如果在“QueryDatabaseTable”处理器中设置增属性“Maximum-value Columns”为id，那么每次查询都是大于id的增量数据。
如果想要存入HDFS文件为多行而不是一行，可以将“CovertAvroToJson”处理器属性“JSON container options”设置为none，直接解析Avro文件得到一个个json数据，然后直接连接“PutHDFS”处理器即可。