最近在跟一位粉丝聊天，聊起来了做离线数仓时该用那些技术栈。于是根据我的经验和参考一些资料于就有本篇文章。在这里我会分享三个案例，仅供参考。
我们团队用的调度系统是 Apache Airflow（https://github.com/apache/airflow），数据传输工具是 DataX（https://github.com/alibaba/DataX），这两个工具的介绍读者可以自行查看对应的链接，不多叙述。
业务场景：是在oracle 数据库和 hive 数据库中 ，有多个相同结构的表，要求数据从2个库定时双向同步。
2020年10月27日 1.平台支持 如果使用Oracle 12作为元数据库，支持从HDP2.x到DC-Ambari的原地升级； 支持使用Oracle 19作为元数据库，包括全新安装和升级； 支持SLES 12 SP5操作系统，包括全新安装和升级； 支持Postgres 11作为元数据库，支持全新安装和DC-Ambari； 2.功能 Hive 新增参数：hive.create.as.external.legacy，新增建表语法：CREATE [MANAGED] TABLE，方便老的CDH5/CDH6用户保
本文阐述了从Oracle实时同步到Hadoop集群的架构实践，分析了如何实现高效、稳定、易维护的同步方案。通过在两个集群上部署OGG，利用Oracle GoldenGate技术实现数据的实时同步，并阐述了如何通过业务逻辑编排实现多个集群之间的数据同步。同时，本文还提供了同步后的数据治理方案，以保障数据的一致性和可用性。
https://cloud.tencent.com/developer/article/1004462
上一篇文章已经为大家介绍了 Hive 在用户画像的标签数据存储中的具体应用场景，本篇我们来谈谈MySQL的使用！
例如我的项目路径是：D:\PythonProject\OneMake_Spark\venv\Scripts
DataX 是阿里云DataWorks数据集成的开源版本，在阿里巴巴集团内被广泛使用的离线数据同步工具/平台。DataX 实现了包括 MySQL、Oracle、OceanBase、SqlServer、Postgre、HDFS、Hive、ADS、HBase、TableStore(OTS)、MaxCompute(ODPS)、Hologres、DRDS 等各种异构数据源之间高效的数据同步功能。
Apache SeaTunnel 是一个非常易用的超高性能分布式数据集成产品，支持海量数据的离线及实时同步。每天可稳定高效同步万亿级数据，已应用于数百家企业生产，也是首个由国人主导贡献到 Apache 基金会的数据集成顶级项目。
中通快递业务的规模目前是世界第一，是第一个达成年百亿业务量的快递企业，在 2019 年的双十一更是完成了订单量超过 2 亿的佳绩。中通科技是中通快递旗下的互联网物流科技平台，拥有一支千余人规模的研发团队，秉承着“互联网+物流”的理念，与公司的战略、业务紧密的衔接，为中通生态圈的业务打造全场景全链路的数字化平台服务。
Transwarp Data Hub（TDH） 是星环科技自主研发的企业级一站式多模型大数据基础平台，其领先的多模型技术架构提供统一的接口层，统一的计算引擎层，统一的分布式存储管理层，统一的资源调度层，以及异构存储引擎层。8种异构存储引擎可以支持包括关系表、文本、时空地理、图数据、文档、时序等在内的10种数据模型。存算解耦特性支持弹性扩展，让资源配置更灵活。
温馨提示：如果使用电脑查看图片不清晰，可以使用手机打开文章单击文中的图片放大查看高清原图。 Fayson的github： https://github.com/fayson/cdhproject 提示：代码块部分可以左右滑动查看噢 1.文档编写目的 ---- 在前面的文章Fayson介绍了关于StreamSets的一些文章，参考《如何在CDH中安装和使用StreamSets》、《如何使用StreamSets从MySQL增量更新数据到Hive》、《如何使用StreamSets实现MySQL中变化数据实时写入K
0x00 前言 数据仓库体系里面的主要内容也写的差不多了，现在补一点之前遗漏的点。这一篇就来聊一下 ETL。 文章结构 先聊一下什么是 ETL。 聊一下大致的概念和一般意义上的理解。 聊一聊数据流是什么样子。因为 ETL 的工作主要会体现在一条条的数据处理流上，因此这里做一个说明。 举个具体的例子来说明。 0x01 什么是 ETL ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过
Apache Sqoop是一种用于在Apache Hadoop和结构化数据存储(如关系数据库)之间高效传输批量数据的工具。http://sqoop.apache.org/
本次版本更新对 Flink 的支持升级到 Flink1.12，支持多种流类型任务，新版本的使用文档已在社区中推送，大家可以随时下载查阅。
本项目涉及的业务数据包括订单、运输、仓储、搬运装卸等物流环节中涉及的数据、信息。由于多年的积累、庞大的用户群，每日的订单数上千万，传统的数据处理技术已无法满足企业需求。因此通过大数据分析可以提高运输配送效率、减少物流成本，更有效地满足客户服务要求，并对数据结果分析，提出具有中观指导意义的解决方案。
☞ ETL同步之道 [ Sqoop、DataX、Kettle、Canal、StreaSets ]
公司要搞数据平台，首当其冲的是把旧库的数据导入到新库中，原本各种数据库大部分都提供了导入导出的工具，但是数据存储到各个地方，mongdb,hbase,mysql,oracle等各种各样的不同数据库，同步起来头都大了
DataX 是阿里开源的一个异构数据源离线同步工具，致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。
☞ ETL同步之道 [ Sqoop、DataX、Kettle、Canal、StreamSets ]
DataX 是一个异构数据源离线同步工具，致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能
时下流行的词汇是大数据和Hadoop。了解大数据的知道Hadoop有三个组件，即HDFS、MapReduce和Yarn。 HDFS代表Hadoop分布式文件系统。 Hadoop分布式文件系统用于整个集群中以块的形式在计算机之间存储数据。 MapReduce是一种编程模型，可以用来编写我们的业务逻辑并获取所需的数据。 而Yarn是HDFS和Spark、Hbase等其他应用程序之间的接口。我们不知道的是，Hadoop使用了很多其他应用程序有助于其最佳性能和利用率。 1、Hbase HBase是一个基于HDFS的
1、服务器环境1.1 修改主机名称1.2 修改ip地址1.3 linux修改hosts并添加集群主机1.4 windows修改hosts文件并添加集群主机2、免密配置2.1 切换root用户2.2 生成公钥与私钥对2.3 将公钥复制到目标机器，并测试免密登录是否成功2.4 集群其他主机免密配置2.5 异常演示3、关闭防火墙3.1 防火墙设置3.2 设置之后3.3 设置之前4、禁用selinux4.1 selinux介绍4.2 设置selinux5、安装JDK5.1 上传jdk5.2 配置Java环境变量5.3 检查Java环境是否生效6、安装mysql6.1 mysql安装6.2 mysql设置6.3 修改密码6.4 上传驱动7、安装httpd服务7.1 httpd介绍7.1 安装httpd服务7.2 查看httpd服务7.3 tips:网页访问本地文件内容8、安装ntp服务8.1 ntp介绍8.2 安装8.3 修改ntp.conf配置8.4 时钟同步8.5 检查时钟同步效果9、搭建yum环境和创建ambari本地源9.1 安装yum工具9.2 安装9.3 创建repo文件9.4 分发repo文件9.4 生成本地yum源10、安装ambari10.1 在mysql中创建ambari用户和授权10.2 安装ambari10.2 初始化配置10.3 初始化ambari数据库10.4 启动ambari10.5 报错及解决10.6 ambari页面配置步骤10.6.1 第1步 启动安装10.6.2 第2步 输出集群名称10.6.3 第3步 选择版本、选择本地仓库及路径10.6.4 第4步 输入集群节点名称、私钥10.6.5 节点认证10.6.6 选择服务10.6.7 分配主节点10.6.8 分配从节点和客户端10.6.9 自定义服务10.6.10 确认配置10.6.11 安装部署11、启动服务11.1 java权限问题11.2 hive元数据初始化
声明:本文参考了淘宝/滴滴/美团发表的关于大数据平台建设的文章基础上予以整理。参考链接和作者在文末给出。
ETL（Extract-Transform-Load的缩写，即数据抽取、转换、装载的过程），对于企业或行业应用来说，我们经常会遇到各种数据的处理，转换，迁移，所以了解并掌握一种etl工具的使用，必不可少。换言之，就是用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程。
目录 一、背景 二、概念 三、特性 四、工作原理 五、快速开始 1.数据同步任务模版 kafka to kudu mysql to hive 2.数据同步执行命令 flinkx老版本命令参数： flinkx老版本执行命令： chunjun新版本执行命令：（明显看出命令还是减少了很多的，更简便易用了） 六、dolphinscheduler集成chunjun ---- [CSDN话题挑战赛第2期](https://marketing.csdn.net/p/7b6697fd9dd3795a268d1a6f
数栈是云原生—站式数据中台PaaS，我们在github和gitee上有一个有趣的开源项目：FlinkX，FlinkX是一个基于Flink的批流统一的数据同步工具，既可以采集静态的数据，也可以采集实时变化的数据，是全域、异构、批流一体的数据同步引擎。大家喜欢的话请给我们点个star！star！star！
DataX是一个在异构的数据库/文件系统之间高速交换数据的工具，实现了在任意的数据处理系统(RDBMS/Hdfs/Local filesystem)之间的数据交换，由淘宝数据平台部门完成。Sqoop是
年底啦～2022 年即将走到尾声，不过袋鼠云对产品品质的坚持始终如一，这段时间我们对产品本身以及客户反馈的一些问题进行了持续的更新和优化，例如新增任务告警，进行了 Connector 相关功能优化，以及支持跨时间分区圈群等。
今天谈下大数据平台构建中的数据采集和集成。在最早谈BI或MDM系统的时候，也涉及到数据集成交换的事情，但是一般通过ETL工具或技术就能够完全解决。而在大数据平台构建中，对于数据采集的实时性要求出现变化，对于数据采集集成的类型也出现多样性，这是整个大数据平台采集和集成出现变化的重要原因。
Sqoop是一个用来将hadoop和关系型数据库中的数据相互转移的工具，可以将一个关系型数据库(例如：mysql,oracle,等)中的数据导入到hadoop的HDFS中，也可以将HDFS的数据导入到关系型数据库中。
Oracle GoldenGate 是一款实时访问、基于日志变化捕捉数据，并且在异构平台之间迚行数据传输的产品。GoldenGate TDM是一种基于软件的数据复制方式，它从数据库的日志解析数据的变化（数据量只有日志的四分之一左右）。GoldenGate TDM将数据变化转化为自己的格式，直接通过TCP/IP网络传输，无需依赖于数据库自身的传递方式，而且可以通过高达10:1的压缩率对数据迚行压缩，可以大大降低带宽需求。在目标端，GoldenGate TDM可以通过交易重组，分批加载等技术手段大大加快数据投递的速度和效率，降低目标系统的资源占用，可以在亚秒级实现大量数据的复制，并且目标端数据库是活动的。
温馨提示：要看高清无码套图，请使用手机打开并单击图片放大查看。 Fayson的github：https://github.com/fayson/cdhproject 提示：代码块部分可以左右滑动查看噢 1.文档编写目的 ---- 在前面Fayson介绍了《如何在CDH中安装和使用StreamSets》，通过StreamSets实现数据采集，在实际生产中需要实时捕获MySQL、Oracle等其他数据源的变化数据（简称CDC）将变化数据实时的写入大数据平台的Hive、HDFS、HBase、Solr、Elasti
数据仓库选型是整个数据中台项目的重中之重，是一切开发和应用的基础。而数据仓库的选型，其实就是Hive数仓和非Hive数仓的较量。Hive数仓以Hive为核心，搭建数据ETL流程，配合Kylin、Presto、HAWQ、Spark、ClickHouse等查询引擎完成数据的最终展现。而非Hive数仓则以Greenplum、Doris、GaussDB、HANA（基于SAP BW构建的数据仓库一般以HANA作为底层数据库）等支持分布式扩展的OLAP数据库为主，支持数据ETL加工和OLAP查询。
Oracle：hostname、port、username、password、sid
作为一家以 “客户第一” 为价值观的公司，袋鼠云一直以来关注客户体验，专注提升产品品质，不断收集客户反馈，持续增加新功能并不断优化旧功能，为用户输出最佳产品使用体验。2022 年上半年，我们新增了许多重要功能，并进行了若干细节更新，然后整理了这份产品优化报告，在此与您分享，欢迎您提出宝贵建议。
作者｜高俊 编辑｜邓艳琴 在今年 2 月份的 QCon 全球软件开发大会（北京站）上，Apache SeaTunnel PPMC Member 高俊 分享了题为《EtLT 架构下的数据集成平台—Apache SeaTunnel》，本文由此整理，复制链接下载完整 PPT：https://qcon.infoq.cn/202302/beijing/presentation/5173 此次分享的主要内容分为 6 块，分别是—— 1. ETL 到 EtLT 架构演进 2. 数据集成领域的痛点 & 常见的解决方
DataX 是一个异构数据源离线同步工具，致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、ODPS、HBase、FTP等各种异构数据源之间稳定高效的数据同步功能。
在“国产数据库硬核技术沙龙-TDSQL-A技术揭秘”系列分享中，5位腾讯云技术大咖分别从整体技术架构、列式存储及相关执行优化、集群数据交互总线、分布式执行框架以及向量化执行引擎等多方面对TDSQL-A进行了深入解读。 在本系列分享的最后一期，我们整理了关于TDSQL-A大家最关心的十个问题，腾讯云技术大咖们将对这些问题一一解答。 TDSQL-A是腾讯首款分布式分析型数据库引擎，采用全并行无共享架构，具有自研列式存储引擎，支持行列混合存储，适应于海量OLAP关联分析查询场景。它能够支持2000台物理服务器
新的一年我们加紧了更新迭代的速度，增加了数据湖平台 EasyLake 和大数据基础平台 EasyMR，超 40 项功能升级优化。我们将继续保持产品升级节奏，满足不同行业用户的更多需求，为用户带来极致的产品使用体验。
对于数据仓库，大数据集成类应用，通常会采用ETL工具辅助完成。ETL，是英文 Extract-Transform-Load 的缩写，用来描述将数据从来源端经过抽取（extract）、交互转换（transform）、加载（load）至目的端的过程。当前的很多应用也存在大量的ELT应用模式。常见的ETL工具或类ETL的数据集成同步工具很多，以下对开源的Sqoop、dataX、Kettle、Canal、StreamSetst进行简单梳理比较。
如果您有本地集群，则需要知道如何为 Hive Metastore (HMS) 设置后端数据库。设置包括安装受支持的数据库、配置属性、指定 Metastore 位置。您还可以配置可选的连接参数。
ColumnMeta.py：Oracle列的信息对象：用于将列的名称、类型、注释进行封装
我们公司主要从事平台技术开发和建设方面，工作的重点方向主要在解决用户在数据治理中的各种问题，让用户能更高效地管理自己的数据，进而产生更大的价值，比如如何整合现有功能流程，节省用户使用成本；增加新平台不断调研，丰富平台功能；新平台功能、性能改造，从而满足用户大规模使用需求；根据业务实际需求，输出相应的解决方案等。今天分享的内容主要是从数据库内核到大数据平台底层技术开发，分享网易数据科学中心多年的大数据建设经验。
2021年8月6日 1.升级增强 1.CDH6升级 CDH6客户可以直接从CDH 6.1.x, 6.2.x和6.3.x集群原地升级到CDP Private Cloud Base，而不需要搭建一个新的集群。 2.回滚操作文档 支持从CDH6升级到CDP7.1.7的回滚操作； 支持从HDP3升级到CDP7.1.6的回滚操作； 3.新的升级指南 现在docs.cloudera.com网站上提供了一个新的Upgrade Companion，为所有CDP升级相关活动提供一个集中的文档中心。Upgrade Compan
守护撤回了一条消息 【潜水】 A 2019/1/15 8:50:46 之前的做法是先卸数到数据文件，如果调度出问题，第二天还可以从数据文件再重新把数据加载上去，还有什么其他的方法吗 【话唠】B 2019/1/15 8:53:04 增量数据，还是全量 【话唠】B 2019/1/15 8:54:27 源库数据归档备份几天呢，这方法可行？ 【潜水】A 2019/1/15 9:08:21 有的增量有的全量，考虑在不动源库的情况下，源库可能已经有备份机制，在仓库也考虑一下这个情况的处理～ 【活跃】C 2019/1/15 9:26:16 ETL不应该都支持重跑历史么？ 前一天挂了，第二天重跑一下就好了，只要调度工具支持重跑，ETL的代码也要写成支持重跑的。 【冒泡】D 2019/1/15 9:51:28 Indeed 贴源缓冲+作业重跑机制，一般是调度要支持N次自动失败重跑。 【话唠】B 2019/1/15 9:54:37 @C 它这是从源库抽取到ods，正常业务系统源库不保存历史，只保留最新的，如果是ods到dwd，在仓库里，当然可以重跑。 【话唠】B 2019/1/15 9:56:31 n次自动失败重跑，作业预警，发短信，邮件？ 【潜水】A 2019/1/15 10:04:03 @ 是的，只能支持库内重跑，源库只有最新 【潜水】A 2019/1/15 10:05:36 @ @ 现在确实没有失败自动重跑的机制，考虑加一下，请问下你们做etl一般会做卸数到数据文件，备份数据文件的操作吗 【潜水】A 2019/1/15 10:08:05 其实可以直接不用卸数可以直接从源库加载带仓库，但是考虑一个异常情况和数据的备份，为了更安全，加上卸数到数据文件的操作，一般有没有必要呢想了解一下 【冒泡】E 2019/1/15 10:11:48 @A 一般都是要卸载为文件，源库是不断变化的，你的度量会丢失 【群主】北京-胖子哥(1106110976) 2019/1/15 10:12:21 这个里面就可以看到ODS的价值了。 ODS存储短周期，贴源数据 【话唠】B 2019/1/15 10:20:15 @A 你们的源业务系统库，都是啥数据库啊，mysql还是oracle或者其它mongodb，redis，hbase啥的 【冒泡】K 2019/1/15 10:23:30 混杂，Ora、GP、TD都有 【活跃】G 2019/1/15 10:24:32 你讲的是源库到ods当天任务没成功，第二天跑就丢掉了历史变更？ 【冒泡】K 2019/1/15 10:27:23 对 【潜水】A 2019/1/15 10:28:02 源是oracle @ 对，第二天源业务库数据就变了，已经无法从源库取到前一天的数据了 【活跃】C 2019/1/15 10:42:11 你举个场景，看看大家有什么想法，我们很多时候中间状态可以不要 【潜水】A 10:55:19 比如由于源库的表结构变了，没有同步修改仓库；源库有异常的数据加载到仓库出错了；或者源库数据量太大数据加载时候出错了。就是一些比较异常的情况，可能有的也不会发生，就是怕一旦发生什么想象不到的情况，导致某些表的数据没有加载过来，还没有在当天及时处理。 【话唠】B 10:58:53 你们数仓也是基于hive的吗 【话唠】B 11:00:55 我们这边权限控制严格，普通用户没有删表，删字段权限。如果源库做变更了增加字段了，必须发邮件，看看上下游是否有影响，再做同步变更。 【话唠】B 11:02:42 etl报错是难免的，及时的预警，处理，因为各种问题，可以维护个问题集，后边的人报错了，也可以查看。 【潜水】J 11:04:05 源系统变更一般都会做影响分析的吧 【潜水】A 11:18:22 对 是基于hive的 源库的变化都会做影响分析 主要是考虑一些预想外的情况或者疏漏之类的 【潜水】A 11:23:10 非常感谢上面几位的分享建议，我都参考一下想一想
受前段时间Oracle官宣的从2019年1月之后将不再提供免费的的JDK商业版本的影响，Cloudera开始开发基于OpenJDK的Hadoop平台，参考Fayson之前的文章《Java收费，Hadoop怎么办？》。今年11月29日，Cloudera才发布不久的CDH5.16.1正式提供OpenJDK的支持，参考Fayson之前的文章《0466-CDH5.16.1和CM5.16.1的新功能》。本文Fayson主要介绍如何将CDH从Oracle JDK迁移到OpenJDK。
DataX Web是在DataX之上开发的分布式数据同步工具，提供简单易用的 操作界面，降低用户使用DataX的学习成本，缩短任务配置时间，避免配置过程中出错。用户可通过页面选择数据源即可创建数据同步任务，支持RDBMS、Hive、HBase、ClickHouse、MongoDB等数据源，RDBMS数据源可批量创建数据同步任务，支持实时查看数据同步进度及日志并提供终止同步功能，集成并二次开发xxl-job可根据时间、自增主键增量同步数据。
一般的大数据平台从平台搭建到数据分析大概包括以下几个步骤： 1、Linux系统安装
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
