将数据从 MongoDB 发送到 Hadoop 的有效方法是什么？答案

【问题标题】：What is an efficient way to send data from MongoDB to Hadoop?将数据从 MongoDB 发送到 Hadoop 的有效方法是什么？
【发布时间】：2014-01-07 09:19:54
【问题描述】：

我正在与一位同事讨论 Hadoop 的 MongoDB 连接器的使用，他解释说它非常低效。他表示 MongoDB 连接器使用自己的 map reduce，然后使用 Hadoop map reduce，这会在内部减慢整个系统的速度。

如果是这样，将我的数据传输到 Hadoop 集群的最有效方法是什么？如果 MongoDB 连接器效率更低，它的用途是什么？在我的场景中，我想从 MongoDB 中获取每日插入的数据（大约 10MB）并将其全部放入 Hadoop。我还要补充一点，每个 MongoDB 节点和 Hadoop 节点都共享同一个服务器。

【问题讨论】：

当您的 Hadoop 节点和您的 MongoDB 节点无论如何都运行在同一个硬件上时，为什么还要担心哪个执行 MapReduce？
@Philipp 这对我来说都是比较新的，但我的同事告诉我的是 MongoDB 的 MapReduce 与 Hadoop 的版本不同。而且 MongoDB 的速度要慢很多。
根据stackoverflow.com/questions/9287585/…，我猜他的简报有一定的有效性。但我只是质疑连接器本身是否效率低下。
你测试并测量时间了吗？如果你没有，那只是道听途说。
好吧，我的连接器工作正常。我不确定如何在没有它的情况下发送数据，因为这一切对我来说仍然是新的。这就是为什么我只想检查我所学的所有东西在理论上是否有意义。否则，我真的不知道我做错了什么，或者我所做的一切是否按预期工作。

标签： mongodb hadoop

【解决方案1】：

MongoDB Connector for Hadoop 直接从 MongoDB 读取数据。您可以配置多个input splits 以并行读取同一个集合中的数据。 Mapper 和 Reducer 作业由 Hadoop 的 Map/Reduce 引擎运行，而不是 MongoDB 的 Map/Reduce。

如果您的数据估计正确（每天只有 10MB？），那么摄取量很小，如果您没有计算任何输入拆分，工作可能会更快。

您应该警惕 Hadoop 和 MongoDB 在同一台服务器上竞争资源，因为内存或磁盘争用会影响数据传输的效率。

【讨论】：

我不明白为什么我的同事说数据必须通过 Map Reduce 两次，来自 MongoDB 和 Hadoop。他是完全关闭还是这也是某种常见的做法？我有点怀疑他不知道自己在做什么（就像过去发生的那样）。
显然对集成的工作方式存在误解。两次运行同一个 Map/Reduce 进程（一次在 MongoDB 上，再次在 Hadoop 上）是没有意义的。如果数据已经减少，那么第二个 M/R 无论如何都不会做任何事情:)。如果您使用 Hadoop 作为数据处理引擎，MongoDB 通过 Hadoop 连接器的角色是作为数据输入或输出源：“用于 Hadoop 的 MongoDB 连接器是一个库，它允许 MongoDB（或其数据格式的备份文件，BSON）用作 Hadoop MapReduce 任务的输入源或输出目标”。
如果您不介意，我还有更多问题。显然，每天处理的数据量平均约为 10-50 GB。在解释了为什么 Hadoop 对此不好之后，我的同事建议使用 Twitter 的 Storm。 Storm适合这个吗？我自然会认为这不是因为它被标记为实时 Hadoop，但我真的没有看到任何文章说它对于少量数据效率低下。
什么最适合 10 - 50 GB 左右的实时数据处理？

【解决方案2】：

要将您的数据从 Mongodb 传输到 Hadoop，您可以使用一些 ETL 工具，例如 Talend 或 Pentaho，它更加简单实用！祝你好运！

【讨论】：