请描述 Apache Druid 与 Hadoop 集成以实现批处理数据摄取的具体方式，说明数据从 Hadoop 到 Druid 的流向和实现机制。
考察说明
考查对 Druid 批摄取与 Hadoop 生态集成机制的掌握程度。
回答思路
- 【回答框架 1】Druid 支持通过 Hadoop 进行批量数据摄取，主要使用 HadoopDruidIndexer 或 Hadoop 批处理索引任务。它利用 Hadoop 的分布式计算能力进行数据的分段、排序和建索引，将 HDFS 或其他 Hadoop 数据源中的数据转换为 Druid 的 segment 文件。
- 【回答框架 2】具体流程为：通过 Druid 的索引任务（如 HadoopIndexTask）提交一个 Hadoop Job，该 Job 读取输入数据（如 HDFS 上的文件），按照 Druid 的粒度进行分组和排序，生成 segment 元数据和数据文件，然后推送到 deep storage（如 HDFS 或 S3），同时向 Druid 元数据存储注册 segment 信息，最后由协调节点加载 segment 到历史节点。
- 【回答框架 3】配置方面，需在 Druid 中配置 Hadoop 依赖（如 hadoop-client 版本），设置 deep storage 为 HDFS 并配置相关路径。任务提交时指定数据源、时间列、粒度、输入路径等参数。
- 【回答框架 4】与实时摄取不同，批处理摄取适合延迟要求不高的场景，能处理大规模历史数据，且通过 Hadoop 实现分布式并行处理，提高吞吐量。
- 【关键点 1】使用 Hadoop 批索引任务（如 HadoopIndexTask）或 HadoopDruidIndexer 实现。
- 【关键点 2】利用 Hadoop 分布式计算进行数据分段、排序和建索引。
- 【关键点 3】生成的 segment 文件推送到 deep storage（如 HDFS），并注册元数据，由协调节点加载历史节点。
- 【关键点 4】配置需匹配 Hadoop 版本，并设置正确的 deep storage 和索引任务参数。
- 【关键点 5】适用于历史数据的大规模批量导入，与实时摄取形成互补。
- 【易错点 1】版本兼容性问题：Druid 需与 Hadoop 版本匹配，否则可能导致任务失败。
- 【易错点 2】错误配置 deep storage 路径或权限，导致 segment 推送失败。
- 【易错点 3】忽略数据格式和 rollup 设置，可能导致 segment 过大或数据量膨胀。