西城

指尖代码，手上年华
联系 聚合 管理
  20 Posts :: 0 Stories :: 62 Comments :: 0 Trackbacks
将RRD数据库中数据导入MYSQL中
一、RRD数据库及RRDTOOL简介
意为Round Robin Database。设计理念为按照round-robin的方式进行存储，在一个周期之后（可自己定义），新的
数据会覆盖掉原来的数据。所以RRD数据库适合用来存储动态数据，并且不需长期存储。因为是周期性的覆盖旧的数据
所以数据库的大小基本上就会固定下来，并不会随着时间而增大。

RRDTOOL是由Tobias Oetiker开发的自由软件，使用RRD作为存储格式。RRDTOOL提供了很多工具用来对RRD数据库
进行操作，包括创建，更新，查询，以及生成显示图等。RRDTOOL同时也提供了很多语言的API以方便操作。

Ganglia是一个分布式的监控系统，采用RRD数据库进行数据存储和可视化。Hadoop源码包里即有一个与ganglia相关
的配置文件，修改一些参数和对ganglia进行一些设置即可对hadoop集群进行监控。每个不同的属性的数据都存在一个
RRD数据库里。


二、将数据导入MYSQL中
也会存在这样的情况，可能想对rrdtool采集到的数据进行长期存储，从而进行一些分析。而RRD数据库的数据是不断
更新的，虽然也可以保留长期的数据，但精度不够。比如说一个RRD数据库的步长为15秒，也就是说，每隔15秒，
就会有一个新的值存入（比如内存使用率），同时覆盖一个旧的值。一个RRD数据库存储5761个这样的数据（一天+15
秒).而且随着时间的推移总是存储最近一天的数据。然后在通过这些值不断地计算步长更高的值，比如我们可以通过
这些15秒的数据算出360s的数据（平均值），然后以360s为步长将这些值再存进去，不过这时候可以存储的时间区间就
更长了，同样的行数可以存储24天的数据。以此类推，也可以以一天为单位存储一年的数据，不过这时候的精度就只有
一天了，那些旧的15s的数据都已经被覆盖掉了。如果想要把这些数据都存储起来，就需要通过脚本定时进行数据导入。
LINUX上做这些是很方便的，perl,python,lua,ruby都是不错的选择，shell也可以。然后用crond设置在一定时间
定时执行即可。以下是python的示例代码：
（注：python学的一般，基本上是边看书，边写的代码，问题不少，请各位指正。）

首先是初始化，创建数据库及相应的表：

import os
import MySQLdb
import string

root="/var/lib/ganglia/rrds/hap-clu"
dirs=os.listdir(root)

map1=string.maketrans('.','_')
map2=string.maketrans('-','_')

conn=MySQLdb.connect(host='localhost', user='root',passwd='123456')
cursor=conn.cursor()

for onedir in dirs:
    dbname=onedir.translate(map1).translate(map2)
    cursor.execute("create database if not exists "+dbname)
    conn.commit()
    conn.select_db(dbname)
    # print onedirname
    print "DB:"+dbname+" ."
    files=os.listdir(root+"/"+onedir)
    for onefile in files:
        tablename=onefile[:-4].translate(map1)
        if(dbname=="__SummaryInfo__"):
            cursor.execute("create table if not exists "+tablename+"(time_id int not null primary key,value varchar(30),num varchar(30))")
        else:
            cursor.execute("create table if not exists "+tablename+"(time_id int not null primary key,value varchar(30))")
        conn.commit()
       # print "CREATE TABLE "+tablename
    print "CREATE DATABASE "+dbname+" "

cursor.close();

这里面有不少说明的地方：

1.存储的目录：ganglia里面默认是这个目录，不过可以修改。其他不同应用也应该不同。最后的那个hap-clu是集群
的名字。在这个目录下，每个节点占一个目录，目录名一般为IP地址，最后还有一个summary的目录。对应着，为每个
目录（节点）创建一个数据库，每个属性一个表。

2.MYSQL数据库和表的命名规则中不允许有"."和"-"，所以对应的数据库名和表名要做相应的转换。这里使用的是
translate函数。

3.原本以为这个脚本只需执行一次，不过在实际应用过程中，发现表的数量和数据库的数量可能会增加。比如有新添加的
节点，就需要及时为它创建数据库。对于一些已存在的节点，有可能有些属性的数据是后来才检测到的。比如我碰到的情况
就是运行了一段时间之后关于swap的统计信息才出来，RRD数据库也才创建。我不知道这是配置的问题还是常态。但为了
顺利运行，这个脚本也要每天和插入数据的脚本一样定时运行，并且在后者之前。


插入数据的脚本：

import os
import commands
import MySQLdb
import string
import rrdtool
#from xml.etree.ElementTree import ElementTree


#working directory
root="/var/lib/ganglia/rrds/hap-clu"
dirs=os.listdir(root)

#mysql table name limit
map1=string.maketrans('.','_')
map2=string.maketrans('-','_')

conn=MySQLdb.connect(host='localhost', user='root',passwd='123456')
cursor=conn.cursor()

for onedir in dirs:
    dbname=onedir.translate(map1).translate(map2)
    conn.select_db(dbname)

    print "DB:"+dbname+" ."
    files=os.listdir(root+"/"+onedir)
    os.chdir(root+"/"+onedir)
    for onefile in files:
        # it seems that all is AVERAGE
        tablename=onefile[:-4].translate(map1) 
        data=rrdtool.fetch(onefile,"AVERAGE")
        firsttime=data[0][0]
        count=0
        while count < 5761:
            time=firsttime+15*count
            value=data[2][count][0]
            if value==None:
                count+=1
                continue
            if dbname=="__SummaryInfo__":
                num=data[2][count][1]
                fvalue=[time,str(value),str(num)]
                try:
                    cursor.execute("insert into "+tablename+" values(%s,%s,%s)",fvalue)
                except MySQLdb.IntegrityError:
                    pass
            else:
                fvalue=[time,str(value)]
                try:
                    cursor.execute("insert into "+tablename+" values(%s,%s)",fvalue)
                   # print "OK"+str(count)
                except MySQLdb.IntegrityError:
                    pass

            count+=1
        conn.commit()
        print "UPDATING TABLE "+tablename
cursor.close();

说明：

1.python有RRDTOOL的模块，相应的命令都已经可以通过模块内的函数直接调用，并且结果是Python的列表或者元组
，很容易遍历。另外有一种方法就是通过调用外部命令将rrd数据库导出到XML中（RRDTOOL内置有此功能），好处是XML
里面的数据极其相近，缺点是太繁琐，效率也不高，还要解析XML。

2.count是RRD里存储的数据的行数，这里为了省事直接设置成了默认的值。严谨的话应该是先通过RRDTOOL INFO取得
想关的结构信息，得到这个值，然后再调用。rrdtool.fetch即可取得所存储的所有值。

3.关于commit。刚开时对API不熟悉，没有加这一句，结果数据都没导进去。第一次加在每次insert 之后，结果插入
速度奇慢，更新一次要差不多一天，根本没有用。放到后面之后就很快了。

4.因为插入的频率和RRD更新的频率不一样，为了保证数据的连续性（不丢失），插入的频率要比更新的频率高。这样会有
很多重复的数据，这里用主键（时间戳，为UNIX秒数）和IntegrityError来跳过那些已经插入的数据。当初这样做的时候
已经考虑到一个问题，就是当表里原有行数很多时，到后面插入的速度有多慢？（单个表每天更新的数据为5700行左右，一个
月为17万行左右，一年就会超过200万行）。现在我运行的结果是表中已有5万行数据，插入速度并没有明显的减慢，想接着再
运行一段时间观察一下。如果太慢就得换一个方法。
posted on 2012-08-14 20:59 西城 阅读(2054) 评论(0)  编辑 收藏 引用 所属分类: Linux

只有注册用户登录后才能发表评论。
网站导航: 博客园   IT新闻   BlogJava   知识库   博问   管理