BigQuery 到 Hadoop 集群 - 如何传输数据？答案

【问题标题】：BigQuery to Hadoop Cluster - How to transfer data?BigQuery 到 Hadoop 集群 - 如何传输数据？
【发布时间】：2015-01-13 21:43:39
【问题描述】：

我有一个 Google Analytics (GA) 帐户，用于跟踪应用的用户活动。我设置了 BigQuery，以便可以访问原始 GA 数据。每天都有数据从 GA 传入 BigQuery。

我有一个以编程方式查询 BigQuery API 的 Python 应用。这个应用程序正在给我所需的响应，这取决于我要查询的内容。

我的下一步是从 BigQuery 获取这些数据并将其转储到 Hadoop 集群中。我想理想地使用数据创建一个配置单元表。我想围绕 python 应用程序构建类似 ETL 过程的东西。例如，我每天都会运行 etl 进程，该进程运行 python 应用程序并将数据导出到集群。

最终，这个 ETL 过程应该放在 Jenkins 上，并且应该能够在生产系统上运行。

在规划此 ETL 流程时，我需要考虑哪些架构/设计/一般因素？

关于我应该如何处理这件事有什么建议吗？我有兴趣以最简单可行的方式做到这一点。

提前致谢。

【问题讨论】：

【解决方案1】：

从 BigQuery 到 Hadoop 的最简单方法是使用官方的 Google BigQuery Connector for Hadoop

此连接器定义 BigQueryInputFormat 类。

（它使用 Google Cloud Storage 作为 BigQuery 数据和 Hadoop 使用的拆分数据之间的中介）

【讨论】：

嗨。感谢您的回答。我想出了另一种方法，将 Bigquery 数据集导出到 GCS，然后使用 gsutil 工具将数据从 GCS 存储桶下载到我的集群网关机器。
我还将研究 BigQuery Connector for Hadoop 并将其与我当前的流程进行比较。再次感谢！
从 BigQuery 进行简单的导出也很好，特别是因为您可以选择摄取数据的节点数量 - 有助于并行优化您获得的工作人员数量的任务。
此连接器是否可以将数据导入任何 hadoop 集群？例如使用 Cloudera 的一种设置。 bdutil 中 bigquery_env.sh 中的这一行让我感到困惑，我认为这意味着它可以在现有集群中启用大查询并且不设置新集群？ # 此文件包含与 bdutil_env.sh 结合使用的环境变量覆盖，以便部署启用 bigquery 的 Hadoop 集群。
哦，“大查询范围”。使用那个是为了让您的 Google Compute Engine 实例可以无缝地对您的 Google BigQuery 项目进行身份验证。因此，如果您在 GCE 上使用 Cloudera 发行版，只需确保使用“bigquery”范围启动您的服务器。如果您不在 GCE 之外并且需要找出替代的身份验证方法，我建议您添加一个新的 StackOverflow 问题来解决该问题。

【解决方案2】：

查看Oozie。它似乎符合您的要求。它具有工作流引擎、调度支持以及 shell 脚本和配置单元支持。

在安装和部署方面，它通常是hadoop发行版的一部分，但可以单独安装。它具有 db 作为持久层的依赖关系。这可能需要一些额外的努力。

它有 web UI 和 rest API。如果需要，可以自动管理和监控作业。

【讨论】：