自己寫的數據交換工具——從Oracle到Elasticsearch

先說說需求的背景，由於業務數據都在Oracle數據庫中，想要對它進行數據的分析會非常非常慢，用傳統的數據倉庫-->數據集市這種方式，集市層表會非常大，查詢的時候如果再做一些group的操作，一個訪問需要一分鍾甚至更久才能響應。

為了解決這個問題，就想把業務庫的數據遷移到Elasticsearch中，然后針對es再去做聚合查詢。

問題來了，數據庫中的數據量很大，如何導入到ES中呢？

Logstash JDBC

Logstash提供了一款JDBC的插件，可以在里面寫sql語句，自動查詢然后導入到ES中。這種方式比較簡單，需要注意的就是需要用戶自己下載jdbc的驅動jar包。

input {
	jdbc {
		jdbc_driver_library => "ojdbc14-10.2.0.3.0.jar"
		jdbc_driver_class => "Java::oracle.jdbc.driver.OracleDriver"
		jdbc_connection_string => "jdbc:oracle:thin:@localhost:1521:test"
		jdbc_user => "test"
		jdbc_password => "test123"
		schedule => "* * * * *"
		statement => "select * from TARGET_TABLE"
		add_field => ["type","a"]
	}
}
output{
	elasticsearch {
		hosts =>["10.10.1.205:9200"]
		index => "product"
		document_type => "%{type}"
	}
}

不過，它的性能實在是太差了！我導了一天，才導了兩百多萬的數據。

因此，就考慮自己來導。

自己的數據交換工具

思路：

• 1 采用JDBC的方式，通過分頁讀取數據庫的全部數據。
• 2 數據庫讀取的數據存儲成bulk形式的數據，關於bulk需要的文件格式，可以參考這里
• 3 利用bulk命令分批導入到es中

最后使用發現，自己寫的導入程序，比Logstash jdbc快5-6倍~~~~~~　嗨皮！！！！

遇到的問題

• 1 JDBC需要采用分頁的方式讀取全量數據
• 2 要模仿bulk文件進行存儲
• 3 由於bulk文件過大，導致curl內存溢出

程序開源

下面的代碼需要注意的就是

public class JDBCUtil {
    private static Connection conn = null;
    private static PreparedStatement sta=null;
    static{
        try {
            Class.forName("oracle.jdbc.driver.OracleDriver");
            conn = DriverManager.getConnection("jdbc:oracle:thin:@localhost:1521:test", "test", "test123");
        } catch (ClassNotFoundException e) {
            e.printStackTrace();
        } catch (SQLException e) {
            e.printStackTrace();
        }
        System.out.println("Database connection established");
    }
    /**
    * 把查到的數據格式化寫入到文件
    *
    * @param list 需要存儲的數據
    * @param index 索引的名稱
    * @param type 類型的名稱
    * @param path 文件存儲的路徑
    **/
    public static void writeTable(List<Map> list,String index,String type,String path) throws SQLException, IOException {
        System.out.println("開始寫文件");
        File file = new File(path);
        int count = 0;
        int size = list.size();
        for(Map map : list){
            FileUtils.write(file,  "{ \"index\" : { \"_index\" : \""+index+"\", \"_type\" : \""+type+"\" } }\n","UTF-8",true);
            FileUtils.write(file, JSON.toJSONString(map)+"\n","UTF-8",true);
//            System.out.println("寫入了" + ((count++)+1) + "[" + size + "]");
        }
        System.out.println("寫入完成");
    }

    /**
     * 讀取數據
     * @param sql
     * @return
     * @throws SQLException
     */
    public static List<Map> readTable(String tablename,int start,int end) throws SQLException {
        System.out.println("開始讀數據庫");
        //執行查詢
        sta = conn.prepareStatement("select * from(select rownum as rn,t.* from "+tablename+" t )where rn >="+start+" and rn <"+end);
        ResultSet rs = sta.executeQuery();

        //獲取數據列表
        List<Map> data = new ArrayList();
        List<String> columnLabels = getColumnLabels(rs);

        Map<String, Object> map = null;
        while(rs.next()){
            map = new HashMap<String, Object>();

            for (String columnLabel : columnLabels) {
                Object value = rs.getObject(columnLabel);
                map.put(columnLabel.toLowerCase(), value);
            }
            data.add(map);
        }
        sta.close();
        System.out.println("數據讀取完畢");
        return data;
    }
    /**
     * 獲得列名
     * @param resultSet
     * @return
     * @throws SQLException
     */
    private static List<String> getColumnLabels(ResultSet resultSet)
            throws SQLException {
        List<String> labels = new ArrayList<String>();

        ResultSetMetaData rsmd = (ResultSetMetaData) resultSet.getMetaData();
        for (int i = 0; i < rsmd.getColumnCount(); i++) {
            labels.add(rsmd.getColumnLabel(i + 1));
        }

        return labels;
    }
    /**
    * 獲得數據庫表的總數，方便進行分頁
    *
    * @param tablename 表名
    */
    public static int count(String tablename) throws SQLException {
        int count = 0;
        Statement stmt = conn.createStatement(ResultSet.TYPE_SCROLL_INSENSITIVE, ResultSet.CONCUR_UPDATABLE);
        ResultSet rs = stmt.executeQuery("select count(1) from "+tablename);
        while (rs.next()) {
            count = rs.getInt(1);
        }
        System.out.println("Total Size = " + count);
        rs.close();
        stmt.close();
        return count;
    }
    /**
     * 執行查詢，並持久化文件
     * 
     * @param tablename 導出的表明
     * @param page 分頁的大小
     * @param path 文件的路徑
     * @param index 索引的名稱
     * @param type 類型的名稱
     * @return
     * @throws SQLException
     */
    public static void readDataByPage(String tablename,int page,String path,String index,String type) throws SQLException, IOException {
        int count = count(tablename);
        int i =0;
        for(i =0;i<count;){
            List<Map> map = JDBCUtil.readTable(tablename,i,i+page);
            JDBCUtil.writeTable(map,index,type,path);
            i+=page;
        }
    }
}

在main方法中傳入必要的參數即可：

public class Main {
    public static void main(String[] args) {
        try {
            JDBCUtil.readDataByPage("TABLE_NAME",1000,"D://data.json","index","type");
        } catch (SQLException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

這樣得到bulk的數據后，就可以運行腳本分批導入了。

下面腳本的思路，就是每100000行左右的數據導入到一個目標文件，使用bulk命令導入到es中。注意一個細節就是不能隨意的切分文件，因為bulk的文件是兩行為一條數據的。

#!/bin/bash

count=0
rm target.json
touch target.json


while read line;do

((count++))

{
        echo $line >> target.json

        if [ $count -gt 100000 ] && [ $((count%2)) -eq 0 ];then
                count=0
                curl -XPOST localhost:9200/_bulk --data-binary @target.json > /dev/null
                rm target.json
                touch target.json
        fi

}

done < $1
echo 'last submit'
curl -XPOST localhost:9200/_bulk --data-binary @target.json > /dev/null

最后執行腳本:

sh auto_bulk.sh data.json

自己測試最后要比logstasj jdbc快5-6倍。