Kudu 入门指南

原文链接 : http://kudu.apache.org/docs/quickstart.html

译文链接 : http://cwiki.apachecn.org/pages/viewpage.action?pageId=10813610

贡献者 : 小瑶 ApacheCN Apache中文网

Apache Kudu 快速开始

按照这些说明设置和运行 Kudu VM ，并在几分钟之内从 Kudu ，Kudu_Impala 和 CDH 开始。

获得 Kudu 快速开始 VM

先决条件

  1. 安装 Oracle Virtualbox 。VM 已经通过测试，可以在 Ubuntu 14.04 上使用 VirtualBox 4.3 版本，并在 OSX 10.9 上使用 VirtualBox 5 的版本。VirtualBox 也包含在大多数软件包管理器中：apt-get ，brew 等。
  2. 安装完成后，使用 which VBoxManage 命令确保 VBoxManage 在您的 PATH 中。

安装

要下载并启动 VM ，请在终端窗口中执行以下命令。

  1. $ curl -s https://raw.githubusercontent.com/cloudera/kudu-examples/master/demo-vm-setup/bootstrap.sh | bash

此命令下载一个 shell 脚本，这个脚本克隆了 kudu-example Git 仓库，然后将大约 1.2 GB 大小的 VM 映像下载到当前的工作目录中。您可以在此脚本下载下来之后检查这个脚本通过删除上面脚本的 | bash 部分。安装完成之后，您可以通过 SSH 连接到 guest 虚拟机来验证一切是否正常：

  1. $ ssh demo@quickstart.cloudera

上面的 username 和 password 都是演示。此外，演示用户具有无密码的 sudo 权限，以便您可以安装其他软件和管理 guest OS 。您还可以访问 kudu-examples 作为 /home/demo/kudu-examples/ 中的共享文件夹，或者在 host 上的 VirtualBox 共享文件夹位置。这是使脚本或数据对 guest 可见的一种快捷方式。

你可以通过执行以下命令快速验证 Kudu 和 Impala 是否正在运行：

  1. $ ps aux | grep kudu
  2. $ ps aux | grep impalad

如果连接到 VM 或其中一个进程没有运行时出现问题，请务必参阅 “疑难解答” 部分。

加载数据

要使用 Kudu 和 Impala 进行一些典型的操作，我们将使用 San Francisco MTA GPS dataset 。该数据集包含从 SF MTA车队的总线上安装的传感器周期性传输的原始位置数据。

  1. 下载示例数据并将其加载到 HDFS 中首先我们将下载示例数据集，准备并将其上传到 HDFS 集群中。SF MTA 的站点通常有点慢，所以我们从数据集中镜像了一个 CSV 文件样本，网址为 http://kudu-sample-data.s3.amazonaws.com/sfmtaAVLRawData01012013.csv.gz原始数据集使用 DOS 类型的行结尾，因此我们将在上传过程中使用 tr 将其转换为 UNIX 风格。

    1. $ wget http://kudu-sample-data.s3.amazonaws.com/sfmtaAVLRawData01012013.csv.gz
    2. $ hdfs dfs -mkdir /sfmta
    3. $ zcat sfmtaAVLRawData01012013.csv.gz | tr -d '\r' | hadoop fs -put - /sfmta/data.csv

  2. 创建一个新的外部 Impala 表以访问纯文本数据。要在虚拟机中连接到 Impala ，请执行以下命令：

    1. ssh demo@quickstart.cloudera -t impala-shell

    现在，您可以执行以下命令：

    1. CREATE EXTERNAL TABLE sfmta_raw (
    2.   revision int,
    3.   report_time string,
    4.   vehicle_tag int,
    5.   longitude float,
    6.   latitude float,
    7.   speed float,
    8.   heading float
    9. )
    10. ROW FORMAT DELIMITED
    11. FIELDS TERMINATED BY ','
    12. LOCATION '/sfmta/'
    13. TBLPROPERTIES ('skip.header.line.count'='1');

  3. 验证数据是否实际加载运行以下命令：

    1. SELECT count(*) FROM sfmta_raw;
    3. +----------+
    4. | count(*) |
    5. +----------+
    6. | 859086   |
    7. +----------+

  4. 接下来，我们将创建一个 Kudu 表并加载数据。请注意，我们将字符串 report_time 字段转换为 unix 风格的时间戳，以便更有效的存储。

    1. CREATE TABLE sfmta
    2. PRIMARY KEY (report_time, vehicle_tag)
    3. PARTITION BY HASH(report_time) PARTITIONS 8
    4. STORED AS KUDU
    5. AS SELECT
    6.   UNIX_TIMESTAMP(report_time,  'MM/dd/yyyy HH:mm:ss') AS report_time,
    7.   vehicle_tag,
    8.   longitude,
    9.   latitude,
    10.   speed,
    11.   heading
    12. FROM sfmta_raw;
    14. +------------------------+
    15. | summary                |
    16. +------------------------+
    17. | Inserted 859086 row(s) |
    18. +------------------------+
    19. Fetched 1 row(s) in 5.75s

    创建的表使用复合主键。有关 Impala 的扩展 SQL 语法的更详细的介绍，请参阅 Kudu Impala 集成。

读取和修改数据

现在数据存储在 Kudu 中，您可以对其执行查询。以下查询查找包含最高记录车速的数据点。

  1. SELECT * FROM sfmta ORDER BY speed DESC LIMIT 1;
  3. +-------------+-------------+--------------------+-------------------+-------------------+---------+
  4. | report_time | vehicle_tag | longitude          | latitude          | speed             | heading |
  5. +-------------+-------------+--------------------+-------------------+-------------------+---------+
  6. | 1357022342  | 5411        | -122.3968811035156 | 37.76665878295898 | 68.33300018310547 | 82      |
  7. +-------------+-------------+--------------------+-------------------+-------------------+---------+

通过快速的 Google 搜索，我们可以看到这辆公共汽车在 68MPH 的 16 街上东行。乍一看，这似乎不太可能是真实的。也许我们做一些研究，发现这辆公共汽车的传感器设备被打破了，我们决定删除数据。使用 Kudu 和 标准 SQL 这是非常容易纠正的：

  1. DELETE FROM sfmta WHERE vehicle_tag = '5411';
  3. -- Modified 1169 row(s), 0 row error(s) in 0.25s

下一步

以上示例显示了如何使用 Impala 和 Kudu 加载，查询和变更静态数据集。然而， Kudu 的真正实力是以流媒体方式吸收和突变数据的能力。

作为学习 Kudu 编程 API 的练习，请尝试实现一个使用 SFMTA XML 数据 Feed 的程序，将该相同的数据集实时摄取到 Kudu 表中。

故障排除

通过 SSH 访问 VM 的问题

  • 确保主机已安装 SSH 客户端。

  • 确保 VM 正在运行，通过运行以下命令并检查名为 kudu-demo 的虚拟机：

    1. $ VBoxManage list runningvms

  • 验证 VM 的 IP 地址是否包含在主机的 /etc/hosts 文件中。您应该看到一行包含一个 IP 地址，后跟主机名 quickstart.cloudera 。要检查正在运行的 VM 的 IP 地址，请使用下面的 VBoxManage 命令。

    1. $ VBoxManage guestproperty get kudu-demo /VirtualBox/GuestInfo/Net/0/V4/IP
    2. Value: 192.168.56.100

  • 如果您以前使用过 Cloudera QuickStart VM ，则 .ssh/known_hosts 文件可能包含对先前 VM 的 SSH 凭据的引用。从此文件删除对 quickstart.cloudera 的任何引用。

在 VirtualBox 中运行时缺少 SSE4.2 支持

  • 运行 Kudu 目前需要一个支持 SSE4.2 ( Nehalem 或者更高版本的 Intel ) 的 CPU 。要通过 SSE4.2 支持进入 guest 虚拟机，请参阅 VirtualBox 文档。

下一步