毕设做到后半部分，需要实现将用户在一段时间(比如1天)内产生的新数据导入HDFS的功能，这样数据仓库中的数据才能和数据库中的数据同步，以及将新产生的推荐结果重新写回数据库，这样的话就与实际应用一致了
在新建了一个PyDev项目后，需要如下操作(拣最主要的写)：
模块的环境变量：
# -*- coding:UTF-8 -*-
#!/usr/bin/python
# FileName:pro_env.py
#***************************************************
# 项目的路径
PROJECT_DIR = "/usr/local/EclipseProjects/MyBI"
# 项目配置文件的路径
PROJECT_CONF_DIR = PROJECT_DIR + "/conf/"
# 项目第三方库的路径
PROJECT_LIB_DIR = PROJECT_DIR + "/lib"
# 项目临时文件的路径
PROJECT_TMP_DIR = PROJECT_DIR + "/temp"
#***************************************************
# Hadoop的安装路径
HADOOP_HOME = "/usr/local/hadoop/"
# Hadoop的命令路径
HADOOP_PATH = HADOOP_HOME + "bin/"
# HIVE的安装路径
HIVE_HOME = "/opt/hive-0.9.0/"
# HIVE的命令路径
HIVE_PATH = HIVE_HOME + "bin/"
# Sqoop的安装路径
SQOOP_HOME = "/opt/Sqoop/"
# Sqoop的命令路径
SQOOP_PATH = SQOOP_HOME + "bin/"
#***************************************************
# Java的安装路径
Java_HOME = "/usr/lib/jvm/jdk1.7.0_75"
配置文件：
导入模块的配置文件主要的目的是告诉Sqoop，导入哪些表，怎么导入，我暂时需要一张表，新建一个XML文件Import.xml，type="add"表示增量导入
<?xml version="1.0" encoding="UTF-8"?>
<root>
<task type="add">
<table>ModifyRecords</table>
</task>
</root>
需要对每张表进行更细一步的配置，新建ModifyRecords.xml
<?xml version="1.0" encoding="UTF-8"?>
<root>
<sqoop-shell type="import">
<param key="connect">jdbc:mysql://localhost:3306/Recommend</param>
<param key="username">${username}</param>
<param key="password">${password}</param>
<param key="target-dir">/user/hadoop/Recommend/$dt</param>
<param key="query">'select userID,movieID,pref from Recommend.ModifyRecords where modifyDate$flag"\$CONDITIONS" and $CONDITIONS'</param>
<param key="m">1</param>
<param key="fields-terminated-by">','</param>
</sqoop-shell>
</root>
导出模块的配置文件类似，不贴了
剩下的工作就是解析配置文件,下面是导入模块部分，导出模块也类似，这儿不贴：
# -*- coding:UTF-8 -*-
#!/usr/bin/python
# FileName:sqoop_import.py
from com.utls.pro_env import PROJECT_CONF_DIR
import xml.etree.ElementTree as ET
class sqoop_import(object):
def __init__(self):
pass
@staticmethod
# 其中dt为昨天的日期，将由调度模块传入
def resolve_conf(dt):
# 获得配置文件名
conf_file = PROJECT_CONF_DIR + "Import.xml"
# 解析配置文件
xml_tree = ET.parse(conf_file)
# 获得task元素
tasks = xml_tree.findall('./task')
for task in tasks:
# 获得导入类型，增量导入或者全量导入
import_type = task.attrib["type"]
# 获得表名集合
tables = task.findall('./table')
# 用来保存待执行的Sqoop命令的集合
cmds = []
# 迭代表名集合，解析表配置文件
for i in range(len(tables)):
# 表名
table_name = tables[i].text
# 表配置文件名
table_conf_file = PROJECT_CONF_DIR + table_name + ".xml"
# 解析表配置文件
xmlTree = ET.parse(table_conf_file)
# 获取sqoop-shell节点
sqoopNodes = xmlTree.findall("./sqoop-shell")
# 获取sqoop-shell节点
sqoop_cmd_type = sqoopNodes[0].attrib["type"]
# 获取
praNodes = sqoopNodes[0].findall("./param")
# 用来保存param信息的字典
cmap = {}
for i in range(len(praNodes)):
# 获得key属性的值
key = praNodes[i].attrib["key"]
# 获得param标签中间的值
value = praNodes[i].text
# 保存到字典中
cmap[key] = value
# 首先组装成sqoop命令头
command = "sqoop " + sqoop_cmd_type
# 如果为全量导入
if(import_type == "all"):
# query的查询条件为<dt
import_condition = dt
flag = "<"
# 如果为增量导入
elif (import_type == "add"):
# query的查询条件为=dt
import_condition = dt
flag = "="
else:
raise Exception
# #迭代字典将param的信息拼装成字符串
for key in cmap.keys():
value = cmap[key]
# 如果不是键值对形式的命令选项
if(value == None or value == "" or value == " "):
value = ""
# 将query的CONDITIONS替换为查询条件
if(key == "query"):
value = value.replace("\$CONDITIONS", import_condition)
value = value.replace("$flag", flag)
# 将导入分区替换为传入的时间
if(key == "target-dir"):
value = value.replace("$dt", dt)
# 拼装为命令
if key == "fields-terminated-by":
command += " --" + key + " " + value
else:
command += " --" + key + " " + value + "\\" + "\n"
# 将命令加入至待执行的命令集合
cmds.append(command)
return cmds
拼装出来的命令如下：
sqoop import --username xxxx\
--target-dir /user/hadoop/Recommend/2015-04-26\
--m 1\
--connect jdbc:mysql://localhost:3306/Recommend\
--query 'select userID,movieID,pref from Recommend.ModifyRecords where modifyDate="2015-04-26" and $CONDITIONS'\
--password xxxx\
--fields-terminated-by ','
然后新建一个模块，编写一个类，为该类编写一个函数，目的是用Python调用Sqoop命令：
#!/usr/bin/python
# FileName sqoop.py
# -*- coding:UTF-8 -*-
import os
class SqoopUtil(object):
'''
sqoop operation
'''
def __init__(self):
pass
@staticmethod
def execute_shell(shell):
print shell
os.system(shell)
最后实现程序的入口：
# -*- coding:UTF-8 -*-
#!/usr/bin/python
# FileName:main.py
from com.cal.sqoop_export import sqoop_export
from com.cal.sqoop_import import sqoop_import
from com.utls.pro_env import PROJECT_LIB_DIR, PROJECT_DIR
from com.utls.sqoop import SqoopUtil
import os
import time
# 一共分为5个步骤：
# 1.将数据库中新产生的数据导入HDFS
# 2.把刚才导入到HDFS中的数据拷贝到相应的位置
# 3.推荐引擎进行新一轮的计算
# 4.把数据库中原来存储的推荐结果表清空
# 5.从HDFS导入新计算出来的结果
def execute():
# 调度模块将昨天的时间传入
now = time.time()
n = 1
before = now - n * 24 * 3600 # 可以改变n 的值计算n天前的
dt = time.strftime("%Y-%m-%d", time.localtime(before))
#####Step1#####
# 解析配置文件，获得sqoop命令集合
cmds = sqoop_import.resolve_conf(dt)
# 迭代集合，执行命令
for i in range(len(cmds)):
cmd = cmds[i]
# 执行导入过程
# print cmd
SqoopUtil.execute_shell(cmd)
#####Step2#####
shell = "hadoop fs -cp /user/hadoop/" + dt + "/part-m-00000 /user/hadoop/Recommend/InputData/" + dt
# print shell
SqoopUtil.execute_shell(shell)
#####Step3#####
shell = "hadoop jar " + PROJECT_LIB_DIR + "/MovieRecommend.jar main.Recommend"
# print shell
SqoopUtil.execute_shell(shell)
#####Step4#####
# 执行脚本：清空表格
os.system(PROJECT_DIR + '/lib/export.sh')
#####Step5#####
# 迭代集合，执行命令
cmds = sqoop_export.resolve_conf()
for i in range(len(cmds)):
cmd = cmds[i]
# 执行导出过程
# print cmd
SqoopUtil.execute_shell(cmd)
# Python模块的入口：main函数
if __name__ == '__main__':
while True:
execute()
time.sleep(600)
综上所述是整个大模块最核心的部分，剩下的比如shell下执行数据库命令、Hadoop程序的运行就不详细描述了
整个过程即为：用户在web端产生新数据→导入到数据库→通过Sqoop导入HDFS→推荐引擎计算分析得出推荐结果→将推荐结果重新写回数据库