转自：http://lxw1234.com/archives/2015/12/585.htm
关键字：hive、elasticsearch、integration、整合
ElasticSearch已经可以与YARN、Hadoop、Hive、Pig、Spark、Flume等大数据技术框架整合起来使用，尤其是在添加数据的时候，可以使用分布式任务来添加索引数据，尤其是在数据平台上，很多数据存储在Hive中，使用Hive操作ElasticSearch中的数据，将极大的方便开发人员。这里记录一下Hive与ElasticSearch整合，查询和添加数据的配置使用过程。基于Hive0.13.1、Hadoop-cdh5.0、ElasticSearch 2.1.0。
通过Hive读取与统计分析ElasticSearch中的数据
ElasticSearch中已有的数据
_index：lxw1234
_type：tags
_id：用户ID（cookieid）
字段：area、media_view_tags、interest
Hive建表
由于我用的ElasticSearch版本为2.1.0，因此必须使用elasticsearch-hadoop-2.2.0才能支持，如果ES版本低于2.1.0，可以使用elasticsearch-hadoop-2.1.2.
下载地址：https://www.elastic.co/downloads/hadoop
add jar file:///home/liuxiaowen/elasticsearch-hadoop-2.2.0-beta1/dist/elasticsearch-hadoop-hive-2.2.0-beta1.jar;
CREATE EXTERNAL TABLE lxw1234_es_tags(
cookieidstring,
areastring,
media_view_tagsstring,
intereststring
)
STORED BY’org.elasticsearch.hadoop.hive.EsStorageHandler’
TBLPROPERTIES(
‘es.nodes’=’172.16.212.17:9200,172.16.212.102:9200’,
‘es.index.auto.create’=’false’,
‘es.resource’=’lxw1234/tags’,
‘es.read.metadata’=’true’,
‘es.mapping.names’=’cookieid:_metadata._id, area:area, media_view_tags:media_view_tags, interest:interest’);
注意：因为在ES中，lxw1234/tags的_id为cookieid，要想把_id映射到Hive表字段中，必须使用这种方式：
‘es.read.metadata’ = ‘true’,
‘es.mapping.names’ = ‘cookieid:_metadata._id,…’
在Hive中查询数据
数据已经可以正常查询。
执行SELECT COUNT(1) FROM lxw1234_es_tags;Hive还是通过MapReduce来执行，每个分片使用一个Map任务：
可以通过在Hive外部表中指定search条件，只查询过滤后的数据。比如，下面的建表语句会从ES中搜索_id=98E5D2DE059F1D563D8565的记录：
CREATE EXTERNAL TABLE lxw1234_es_tags_2(
cookieidstring,
areastring,
media_view_tagsstring,
intereststring
)
STORED BY’org.elasticsearch.hadoop.hive.EsStorageHandler’
TBLPROPERTIES(
‘es.nodes’=’172.16.212.17:9200,172.16.212.102:9200’,
‘es.index.auto.create’=’false’,
‘es.resource’=’lxw1234/tags’,
‘es.read.metadata’=’true’,
‘es.mapping.names’=’cookieid:_metadata._id, area:area, media_view_tags:media_view_tags, interest:interest’,
‘es.query’=’?q=_id:98E5D2DE059F1D563D8565′
);
hive>select*fromlxw1234_es_tags_2;
OK
98E5D2DE059F1D563D8565四川|成都购物|1购物|1
Timetaken:0.096seconds,Fetched:1row(s)
如果数据量不大，可以使用Hive的Local模式来执行，这样不必提交到Hadoop集群：
在Hive中设置：
sethive.exec.mode.local.auto.inputbytes.max=134217728;
sethive.exec.mode.local.auto.tasks.max=10;
sethive.exec.mode.local.auto=true;
setfs.defaultFS=file:///;
hive>selectarea,count(1)ascntfromlxw1234_es_tagsgroupbyarea orderbycnt desc limit20;
Automaticallyselectinglocalonly modeforquery
Totaljobs=2
LaunchingJob1outof2
…..
Executionlog at:/tmp/liuxiaowen/liuxiaowen_20151211133030_97b50138-d55d-4a39-bc8e-cbdf09e33ee6.log
Jobrunningin-process(localHadoop)
Hadoopjob informationfornull:number of mappers:0;number of reducers:0
2015-12-1113:30:59,648nullmap=100%,reduce=100%
EndedJob=job_local1283765460_0001
Executioncompleted successfully
MapredLocaltask succeeded
OK
北京|北京10
四川|成都4
重庆|重庆3
山西|太原3
上海|上海3
广东|深圳3
湖北|武汉2
陕西|西安2
福建|厦门2
广东|中山2
福建|三明2
山东|济宁2
甘肃|兰州2
安徽|合肥2
湖南|长沙2
湖南|湘西2
河南|洛阳2
江苏|南京2
黑龙江|哈尔滨2
广西|南宁2
Timetaken:13.037seconds,Fetched:20row(s)
hive>
很快完成了查询与统计。
通过Hive向ElasticSearch中写数据
Hive建表
add jar file:///home/liuxiaowen/elasticsearch-hadoop-2.2.0-beta1/dist/elasticsearch-hadoop-hive-2.2.0-beta1.jar;
CREATE EXTERNAL TABLE lxw1234_es_user_tags(
cookieidstring,
areastring,
gendercode STRING,
birthday STRING,
jobtitle STRING,
familystatuscode STRING,
haschildrencode STRING,
media_view_tagsstring,
order_click_tags STRING,
search_egine_tags STRING,
intereststring)
STORED BY’org.elasticsearch.hadoop.hive.EsStorageHandler’
TBLPROPERTIES(
‘es.nodes’=’172.16.212.17:9200,172.16.212.102:9200’,
‘es.index.auto.create’=’true’,
‘es.resource’=’lxw1234/user_tags’,
‘es.mapping.id’=’cookieid’,
‘es.mapping.names’=’area:area,
gendercode:gendercode,
birthday:birthday,
jobtitle:jobtitle,
familystatuscode:familystatuscode,
haschildrencode:haschildrencode,
media_view_tags:media_view_tags,
order_click_tags:order_click_tags,
search_egine_tags:search_egine_tags,
interest:interest’);
这里要注意下：如果是往_id中插入数据，需要设置’es.mapping.id’ = ‘cookieid’参数，表示Hive中的cookieid字段对应到ES中的_id，而es.mapping.names中不需要再映射，这点和读取时候的配置不一样。
关闭Hive推测执行,执行INSERT：
SET hive.mapred.reduce.tasks.speculative.execution=false;
SET mapreduce.map.speculative=false;
SET mapreduce.reduce.speculative=false;
INSERT overwrite TABLE lxw1234_es_user_tags
SELECT cookieid,
area,
gendercode,
birthday,
jobtitle,
familystatuscode,
haschildrencode,
media_view_tags,
order_click_tags,
search_egine_tags,
interest
FROM source_table;
注意：如果ES集群规模小，而source_table数据量特别大、Map任务数太多的时候，会引发错误：
Causedby:org.elasticsearch.hadoop.rest.EsHadoopInvalidRequest:
FOUND unrecoverable error[172.16.212.17:9200]returnedTooManyRequests(429)-rejected
execution of org.elasticsearch.action.support.replication.TransportReplicationAction$PrimaryPhase$1@b6fa90f
ONEsThreadPoolExecutor[bulk,queue capacity=50,
org.elasticsearch.common.util.concurrent.EsThreadPoolExecutor@22e73289[Running,pool size=32,active threads=32,queued tasks=52,completed tasks=12505]];
Bailingout..
原因是Map任务数太多，并发发送至ES的请求数过多。
这个和ES集群规模以及bulk参数设置有关，目前还没弄明白。
减少source_table数据量（即减少Map任务数）之后，没有出现这个错误。
执行完成后，在ES中查询lxw1234/user_tags的数据：
curl-XGET http://172.16.212.17:9200/lxw1234/user_tags/_search?pretty -d ‘
{
“query”:{
“match”:{
“area”:”成都”
}
}
}’
数据已经写入到ElasticSearch中。
总结
使用Hive将数据添加到ElasticSearch中还是非常实用的，因为我们的数据都是在HDFS上，通过Hive可以查询的。
另外，通过Hive可以查询ES数据，并在其上做复杂的统计与分析，但性能一般，比不上使用ES原生API，亦或是还没有掌握使用技巧，后面继续研究。
相关阅读：
