Samouczek: wyodrębnianie, przekształcanie i ładowanie danych przy użyciu Interactive Query w usłudze Azure HDInsight

Artykuł
05/10/2024

W tym samouczku pobierzesz nieprzetworzone pliki danych CSV z publicznie dostępnymi danymi lotów. Zaimportuj go do magazynu klastra usługi HDInsight, a następnie przekształć dane przy użyciu Interactive Query w usłudze Azure HDInsight. Po przekształceniu danych dane są ładowane do bazy danych w usłudze Azure SQL Database przy użyciu narzędzia Apache Sqoop.

Ten samouczek obejmuje następujące zadania:

Pobieranie przykładowych danych lotów
Przekazywanie danych do klastra usługi HDInsight
Przekształcanie danych przy użyciu Interactive Query
Tworzenie tabeli w bazie danych w usłudze Azure SQL Database
Eksportowanie danych do bazy danych w usłudze Azure SQL Database przy użyciu narzędzia Sqoop

Wymagania wstępne

Klaster Interactive Query w usłudze HDInsight. Zobacz Tworzenie klastrów Apache Hadoop przy użyciu Azure Portal i wybierz pozycję Interactive Query dla pozycji Typ klastra.
Baza danych w bazie danych Azure SQL. Baza danych jest używana jako docelowy magazyn danych. Jeśli nie masz bazy danych w usłudze Azure SQL Database, zobacz Tworzenie bazy danych w usłudze Azure SQL Database w Azure Portal.
Klient SSH. Aby uzyskać więcej informacji, zobacz Łączenie się z usługą HDInsight (Apache Hadoop) przy użyciu protokołu SSH.

Pobieranie danych lotów

Przejdź do strony Research and Innovative Technology Administration, Bureau of Transportation Statistics.

Na stronie wyczyść wszystkie pola, a następnie wybierz następujące wartości:

Nazwa	Wartość
Rok filtrowania	2019
Okres filtrowania	January (Styczeń)
Pola	`Year, FlightDate, Reporting_Airline, DOT_ID_Reporting_Airline, Flight_Number_Reporting_Airline, OriginAirportID, Origin, OriginCityName, OriginState, DestAirportID, Dest, DestCityName, DestState, DepDelayMinutes, ArrDelay, ArrDelayMinutes, CarrierDelay, WeatherDelay, NASDelay, SecurityDelay, LateAircraftDelay`.

Kliknij pozycję Pobierz. Plik .zip jest pobierany z wybranymi polami danych.

Przekazywanie danych do klastra usługi HDInsight

Istnieje wiele sposobów przekazywania danych do magazynu skojarzonego z klastrem usługi HDInsight. W tej sekcji przekażesz dane za pomocą polecenia scp. Aby dowiedzieć się więcej o innych sposobach przekazywania danych, zobacz Upload data to HDInsight (przekazywanie danych do usługi HDInsight).

Przekaż plik .zip do węzła głównego klastra usługi HDInsight. Zmodyfikuj poniższe polecenie, zastępując ciąg FILENAME nazwą pliku .zip i CLUSTERNAME nazwą klastra usługi HDInsight. Następnie otwórz wiersz polecenia, ustaw katalog roboczy na lokalizację pliku, a następnie wprowadź polecenie:
```
scp FILENAME.zip sshuser@CLUSTERNAME-ssh.azurehdinsight.net:FILENAME.zip
```
Wprowadź wartość tak lub nie, aby kontynuować, jeśli zostanie wyświetlony monit. Tekst nie jest widoczny w oknie podczas wpisywania.
Po zakończeniu przekazywania połącz się z klastrem przy użyciu protokołu SSH. Zmodyfikuj poniższe polecenie, zastępując ciąg CLUSTERNAME nazwą klastra usługi HDInsight. Wprowadź następujące polecenie:
```
ssh sshuser@CLUSTERNAME-ssh.azurehdinsight.net
```
Skonfiguruj zmienną środowiskową po nawiązaniu połączenia SSH. Zastąp FILE_NAMEwartości , SQL_SERVERNAME, , SQL_DATABASESQL_USERi SQL_PASWORD odpowiednimi wartościami. Następnie wprowadź polecenie:
```
export FILENAME=FILE_NAME
export SQLSERVERNAME=SQL_SERVERNAME
export DATABASE=SQL_DATABASE
export SQLUSER=SQL_USER
export SQLPASWORD='SQL_PASWORD'
```
Rozpakuj plik .zip, wprowadzając poniższe polecenie:
```
unzip $FILENAME.zip
```
Utwórz katalog w magazynie usługi HDInsight, a następnie skopiuj plik .csv do katalogu, wprowadzając poniższe polecenie:
```
hdfs dfs -mkdir -p /tutorials/flightdelays/data
hdfs dfs -put $FILENAME.csv /tutorials/flightdelays/data/
```

Przekształcanie danych za pomocą zapytania oprogramowania Hive

Istnieje wiele sposobów uruchamiania zadania oprogramowania Hive w klastrze usługi HDInsight. W tej sekcji uruchomisz zadanie oprogramowania Hive za pomocą usługi Beeline. Aby uzyskać informacje o innych metodach uruchamiania zadania Hive, zobacz Używanie oprogramowania Apache Hive w usłudze HDInsight.

W ramach zadania oprogramowania Hive można zaimportować dane z pliku csv do tabeli oprogramowania Hive o nazwie Delays.

W wierszu polecenia SSH, który jest już używany dla klastra usługi HDInsight, użyj następującego polecenia, aby utworzyć i edytować nowy plik o nazwie flightdelays.hql:
```
nano flightdelays.hql
```

Użyj następującego tekstu jako zawartości tego pliku:

DROP TABLE delays_raw;
-- Creates an external table over the csv file
CREATE EXTERNAL TABLE delays_raw (
    YEAR string,
    FL_DATE string,
    UNIQUE_CARRIER string,
    CARRIER string,
    FL_NUM string,
    ORIGIN_AIRPORT_ID string,
    ORIGIN string,
    ORIGIN_CITY_NAME string,
    ORIGIN_CITY_NAME_TEMP string,
    ORIGIN_STATE_ABR string,
    DEST_AIRPORT_ID string,
    DEST string,
    DEST_CITY_NAME string,
    DEST_CITY_NAME_TEMP string,
    DEST_STATE_ABR string,
    DEP_DELAY_NEW float,
    ARR_DELAY_NEW float,
    CARRIER_DELAY float,
    WEATHER_DELAY float,
    NAS_DELAY float,
    SECURITY_DELAY float,
    LATE_AIRCRAFT_DELAY float)
-- The following lines describe the format and location of the file
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
LINES TERMINATED BY '\n'
STORED AS TEXTFILE
LOCATION '/tutorials/flightdelays/data';

-- Drop the delays table if it exists
DROP TABLE delays;
-- Create the delays table and populate it with data
-- pulled in from the CSV file (via the external table defined previously)
CREATE TABLE delays AS
SELECT YEAR AS year,
    FL_DATE AS flight_date,
    substring(UNIQUE_CARRIER, 2, length(UNIQUE_CARRIER) -1) AS unique_carrier,
    substring(CARRIER, 2, length(CARRIER) -1) AS carrier,
    substring(FL_NUM, 2, length(FL_NUM) -1) AS flight_num,
    ORIGIN_AIRPORT_ID AS origin_airport_id,
    substring(ORIGIN, 2, length(ORIGIN) -1) AS origin_airport_code,
    substring(ORIGIN_CITY_NAME, 2) AS origin_city_name,
    substring(ORIGIN_STATE_ABR, 2, length(ORIGIN_STATE_ABR) -1)  AS origin_state_abr,
    DEST_AIRPORT_ID AS dest_airport_id,
    substring(DEST, 2, length(DEST) -1) AS dest_airport_code,
    substring(DEST_CITY_NAME,2) AS dest_city_name,
    substring(DEST_STATE_ABR, 2, length(DEST_STATE_ABR) -1) AS dest_state_abr,
    DEP_DELAY_NEW AS dep_delay_new,
    ARR_DELAY_NEW AS arr_delay_new,
    CARRIER_DELAY AS carrier_delay,
    WEATHER_DELAY AS weather_delay,
    NAS_DELAY AS nas_delay,
    SECURITY_DELAY AS security_delay,
    LATE_AIRCRAFT_DELAY AS late_aircraft_delay
FROM delays_raw;

Aby zapisać plik, naciśnij klawisze Ctrl + X, a następnie y, a następnie wprowadź.
Aby uruchomić oprogramowanie Hive i uruchomić plik flightdelays.hql, użyj następującego polecenia:
```
beeline -u 'jdbc:hive2://localhost:10001/;transportMode=http' -f flightdelays.hql
```
Gdy skrypt flightdelays.hql zakończy działanie, użyj następującego polecenia, aby otworzyć interaktywną sesję usługi Beeline:
```
beeline -u 'jdbc:hive2://localhost:10001/;transportMode=http'
```
Po otrzymaniu wiersza jdbc:hive2://localhost:10001/> użyj następującego zapytania, aby pobrać dane z zaimportowanych danych opóźnień lotów:
```
INSERT OVERWRITE DIRECTORY '/tutorials/flightdelays/output'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
SELECT regexp_replace(origin_city_name, '''', ''),
    avg(weather_delay)
FROM delays
WHERE weather_delay IS NOT NULL
GROUP BY origin_city_name;
```
To zapytanie pobiera listę miejscowości z opóźnieniami ze względu na pogodę i średni czas opóźnienia, a następnie zapisuje ją w lokalizacji /tutorials/flightdelays/output. Później narzędzie Sqoop odczyta dane z tej lokalizacji i wyeksportuje je do bazy danych Azure SQL Database.
Aby zakończyć działanie usługi Beeline, wprowadź polecenie !quit w wierszu polecenia.

Tworzenie tabeli bazy danych SQL

Istnieje wiele sposobów nawiązywania połączenia z bazą danych SQL i tworzenia tabeli. W poniższej procedurze użyto rozwiązania FreeTDS z klastra usługi HDInsight.

Aby zainstalować usługę FreeTDS, użyj następującego polecenia z otwartego połączenia SSH z klastrem:
```
sudo apt-get --assume-yes install freetds-dev freetds-bin
```

Po zakończeniu instalacji użyj następującego polecenia, aby nawiązać połączenie z SQL Database:

TDSVER=8.0 tsql -H $SQLSERVERNAME.database.windows.net -U $SQLUSER -p 1433 -D $DATABASE -P $SQLPASWORD

Uzyskasz dane wyjściowe podobne do następującego tekstu:

locale is "en_US.UTF-8"
locale charset is "UTF-8"
using default charset "UTF-8"
Default database being set to <yourdatabase>
1>

W wierszu 1> wprowadź następujące wiersze:

CREATE TABLE [dbo].[delays](
[origin_city_name] [nvarchar](50) NOT NULL,
[weather_delay] float,
CONSTRAINT [PK_delays] PRIMARY KEY CLUSTERED
([origin_city_name] ASC))
GO

Jeśli wprowadzono instrukcję GO, zostaną obliczone poprzednie instrukcje. Ta instrukcja tworzy tabelę o nazwie delays z indeksem klastrowanym.

Użyj następującego zapytania, aby sprawdzić, czy utworzono tabelę:

SELECT * FROM information_schema.tables
GO

Dane wyjściowe będą podobne do następującego tekstu:

TABLE_CATALOG   TABLE_SCHEMA    TABLE_NAME      TABLE_TYPE
databaseName       dbo             delays        BASE TABLE

Wprowadź ciąg exit w wierszu 1>, aby zakończyć działanie narzędzia tsql.

Eksportowanie danych do SQL Database przy użyciu narzędzia Apache Sqoop

W poprzednich sekcjach skopiowano przekształcone dane w lokalizacji /tutorials/flightdelays/output. W tej sekcji użyjesz narzędzia Sqoop, aby wyeksportować dane z /tutorials/flightdelays/output do tabeli utworzonej w usłudze Azure SQL Database.

Sprawdź, czy narzędzie Sqoop może wyświetlić bazę danych SQL, wprowadzając poniższe polecenie:
```
sqoop list-databases --connect jdbc:sqlserver://$SQLSERVERNAME.database.windows.net:1433 --username $SQLUSER --password $SQLPASWORD
```
To polecenie zwraca listę baz danych, w tym bazę danych, w której utworzono wcześniej tabelę delays .
Wyeksportuj delays dane z /tutorials/flightdelays/output do tabeli, wprowadzając poniższe polecenie:
```
sqoop export --connect "jdbc:sqlserver://$SQLSERVERNAME.database.windows.net:1433;database=$DATABASE" --username $SQLUSER --password $SQLPASWORD --table 'delays' --export-dir '/tutorials/flightdelays/output' --fields-terminated-by '\t' -m 1
```
Narzędzie Sqoop łączy się z bazą danych zawierającą tabelę delays i eksportuje dane z /tutorials/flightdelays/output katalogu do delays tabeli.
Po zakończeniu polecenia sqoop użyj narzędzia tsql, aby nawiązać połączenie z bazą danych, wprowadzając poniższe polecenie:
```
TDSVER=8.0 tsql -H $SQLSERVERNAME.database.windows.net -U $SQLUSER -p 1433 -D $DATABASE -P $SQLPASWORD
```
Aby sprawdzić, czy dane zostały wyeksportowane do tabeli delays, użyj następujących instrukcji:
```
SELECT * FROM delays
GO
```
Powinna zostać wyświetlona lista danych w tabeli. Tabela zawiera nazwę miejscowości i średni czas opóźnienia lotów dla tej miejscowości.

Wpisz exit, aby zakończyć działanie narzędzia tsql.

Czyszczenie zasobów

Po ukończeniu korzystania z samouczka warto usunąć klaster. Dzięki usłudze HDInsight dane są przechowywane w usłudze Azure Storage, dzięki czemu można bezpiecznie usunąć klaster, gdy nie jest używany. Opłaty są również naliczane za klaster usługi HDInsight, nawet jeśli nie jest używany. Ponieważ opłaty za klaster są wielokrotnie większe niż opłaty za magazyn, warto usunąć klastry, gdy nie są używane.

Aby usunąć klaster, zobacz Usuwanie klastra usługi HDInsight przy użyciu przeglądarki, programu PowerShell lub interfejsu wiersza polecenia platformy Azure.

Następne kroki

W tym samouczku wykonano nieprzetworzony plik danych CSV, zaimportowano go do magazynu klastra usługi HDInsight, a następnie przekształcono dane przy użyciu Interactive Query w usłudze Azure HDInsight. Przejdź do następnego samouczka, aby dowiedzieć się więcej o łączniku usługi Apache Hive Warehouse.

Integrowanie platformy Apache Spark i programu Apache Hive z łącznikiem magazynu Hive

Udostępnij za pośrednictwem