pyspark连接oracle

在本文中，我将Apache Spark连接到Oracle数据库，直接读取数据，并将其写入DataFrame。

随着我们日常生活中产生的数据量的快速增长，大数据技术已经很快进入我们的生活。 我们现在使用的工具能够快速有效地解决我们的业务，而不是传统的解决方案。 Apache Spark的使用是一种可以满足我们需求的常用技术。

Apache Spark基于一个可以非常快速和分布式地处理数据的框架。 在本文中，我不会详细描述Apache Spark技术，因此对细节感兴趣的人应该查看Apache Spark文档。

使用Apache Spark处理我们存储在RDBMS数据库中的数据的首选方法是首先将数据迁移到Hadoop（HDFS），分布式读取我们存储在Hadoop（HDFS）中的数据，然后使用Apache Spark处理它。 正如具有Hadoop生态系统经验的人所知，我们正在使用与Sqoop集成到Hadoop生态系统的工具在Hadoop生态系统和其他系统（RDBMS-NoSQL）之间交换数据。 Sqoop是一种易于使用，通用且高效的数据传输工具。

这是在RDBMS之前将要处理的数据移动到Hadoop环境，然后使用Apache Spark导入要处理的数据所涉及的一些成本。 我们不使用我们移动到HDFS的数据这一事实将导致我们在HDFS中丢失一定的空间，并且还会增加处理时间。Apache Spark有一种方法可以直接读取和使用RDBMS，而无需转存到HDFS那里。

我使用的工具和版本如下：

• Hadoop: Hadoop 2.7.1

• Apache Spark: Apache Spark 2.1.0

• Oracle database: Oracle 11g R2, Enterprise Edition

• Linux: SUSE Linux

为此，我们需要在系统中包含ojdbc6.jar文件。 你可以使用此链接下载它。

我们将在Oracle数据库中创建表，我们将从Oracle中读取这些表并在其中插入样本数据。

CREATE TABLE EMP
(
   EMPNO      NUMBER,
   ENAME      VARCHAR (10),
   JOB        VARCHAR (9),
   MGR        NUMBER,
   SAL        NUMBER,
   COMM       NUMBER,
   DEPTNO     NUMBER
);
INSERT INTO EMP VALUES
(7369, 'SMITH', 'CLERK', 7902, 800, 50, 20);
INSERT INTO EMP VALUES
(7499, 'ALLEN', 'SALESMAN', 7698, 1600, 300, 30);
INSERT INTO EMP VALUES
(7521, 'WARD', 'SALESMAN', 7698, 1250, 500, 30);
INSERT INTO EMP VALUES
(7566, 'JONES', 'MANAGER', 7839, 2975, NULL, 20);
INSERT INTO EMP VALUES
(7654, 'MARTIN', 'SALESMAN', 7698, 1250, 1400, 30);
INSERT INTO EMP VALUES
(7698, 'BLAKE', 'MANAGER', 7839, 2850, NULL, 30);
INSERT INTO EMP VALUES
(7782, 'CLARK', 'MANAGER', 7839, 2450, NULL, 10);
INSERT INTO EMP VALUES
(7788, 'SCOTT', 'ANALYST', 7566, 3000, NULL, 20);
INSERT INTO EMP VALUES
(7839, 'KING', 'PRESIDENT', NULL, 5000, NULL, 10);
INSERT INTO EMP VALUES
(7844, 'TURNER', 'SALESMAN', 7698, 1500, 0, 30);
INSERT INTO EMP VALUES
(7876, 'ADAMS', 'CLERK', 7788, 1100, NULL, 20);
INSERT INTO EMP VALUES
(7900, 'JAMES', 'CLERK', 7698, 950, NULL, 30);
INSERT INTO EMP VALUES
(7902, 'FORD', 'ANALYST', 7566, 3000, NULL, 20);
INSERT INTO EMP VALUES
(7934, 'MILLER', 'CLERK', 7782, 1300, NULL, 10);
CREATE TABLE DEPT
(
   DEPTNO   NUMBER,
   DNAME    VARCHAR (14),
   LOC      VARCHAR (13)
);
INSERT INTO DEPT VALUES (10, 'ACCOUNTING', 'NEW YORK');
INSERT INTO DEPT VALUES (20, 'RESEARCH', 'DALLAS');
INSERT INTO DEPT VALUES (30, 'SALES', 'CHICAGO');
INSERT INTO DEPT VALUES (40, 'OPERATIONS', 'BOSTON');
COMMIT;

现在我们从带有Pyspark接口（Python接口）的linux终端启动Apache Spark。

bin/pyspark 
--jars "/home/jars/ojdbc6.jar" 
--master yarn-client 
--num-executors 10 
--driver-memory 16g 
--executor-memory 8g

我们启动了Apache Spark。 现在让我们编写Python代码来从数据库中读取数据并运行它。 

empDF = spark.read \
    .format("jdbc") \
    .option("url", "jdbc:oracle:thin:@//hostname:portnumber/SID") \
    .option("dbtable", "hr.emp") \
    .option("user", "db_user_name") \
    .option("password", "password") \
    .option("driver", "oracle.jdbc.driver.OracleDriver") \
    .load()

在我们写入empDF dataframe时，让我们看一下这个dataframe的内容。 

empDF.printSchema()

empDF.show()

 

我使用Apache Spark直接连接到Oracle数据库。 同样，也可以以相同的方式获得查询结果。

query = "(select empno,ename,dname from emp, dept where emp.deptno = dept.deptno) emp"
empDF = spark.read \
    .format("jdbc") \
    .option("url", "jdbc:oracle:thin:username/password@//hostname:portnumber/SID") \
    .option("dbtable", query) \
    .option("user", "db_user_name") \
    .option("password", "password") \
    .option("driver", "oracle.jdbc.driver.OracleDriver") \
    .load()
empDF.printSchema()
empDF.show()

 

 

从上面的例子中可以看出，使用起来非常简单实用。

使用此方法，可以直接并行地加载大型表，但我将在另一篇文章中进行性能评估。

------------------------------------------------

如果说需要直接在编译器中运行如(Spyder, PyCharm)，需要从外部导入ojcbc6.jar包，则需要在spark环境中配置jar包的地址．具体方式参考pyspark连接hbase，注意一点！如果是集群的话，则每一台机器都需要导入包并修改配置文件．

------------------------------------------------

 

文章来源：Reading Data From Oracle Database With Apache Spark