前言
写这篇文章的目的就是想浅浅记录下日常工作中的小成就
背景
因为我们公司的数据平台在抽数据的时候无法自动生成ODS层hive格式的建表语句,而业务库的一些表字段又非常多,手动+excel修改耗时耗力,于是想通过一个Python脚本自动将mysql格式的建表语句转换成hive格式的。
转换前:
CREATE TABLE `ai_warning_info` (
`id` varchar(40) NOT NULL COMMENT '主键',
`community_id` varchar(40) NOT NULL DEFAULT '' COMMENT '园区id',
`ai_warning_config_id` int(11) NOT NULL COMMENT '预警信息配置表主键id',
`warning_status` tinyint(4) NOT NULL DEFAULT '0' COMMENT '预警状态(1:待处理;2:已恢复;3:已处理(后台预警管理操作 直接处理/生成工单,则这条预警信息变成已处理))',
`warning_content` varchar(500) NOT NULL DEFAULT '' COMMENT '预警内容',
`warning_rank` tinyint(4) NOT NULL DEFAULT '0' COMMENT '预警级别(1:严重;2:重要;3:一般)',
`warning_time` datetime DEFAULT NULL COMMENT '预警时间',
`intime` datetime DEFAULT NULL COMMENT '写入时间',
`update_time` datetime DEFAULT NULL COMMENT '更新时间',
`remark` varchar(500) NOT NULL DEFAULT '' COMMENT '说明',
`operate_type` tinyint(4) NOT NULL DEFAULT '0' COMMENT '预警处理方式1:直接处理;2:生成工单',
`operate_user_id` varchar(45) NOT NULL DEFAULT '' COMMENT '预警信息处理人id',
`operate_user_name` varchar(45) NOT NULL DEFAULT '' COMMENT '预警信息处理人name',
`operate_time` datetime DEFAULT NULL COMMENT '预警信息处理时间',
`order_id` varchar(40) DEFAULT '' COMMENT '工单id',
`order_status` tinyint(4) NOT NULL DEFAULT '0' COMMENT '工单状态 0缺省 1待接收 2处理中 3已处理 4已完成 5已关闭 6待处理',
`recovery_time` datetime DEFAULT NULL COMMENT '恢复时间',
`warning_trigger_id` varchar(45) NOT NULL DEFAULT '' COMMENT '触发预警事件的记录id',
`warning_type` tinyint(4) NOT NULL COMMENT '预警事件类型(1离园预警 2车辆违停 3消防通道占用)',
`work_order_identity` int(10) DEFAULT NULL COMMENT '新旧工单标识字段 1:老工单,2:新工单',
PRIMARY KEY (`id`) USING BTREE,
UNIQUE KEY `id_UNIQUE` (`id`) USING BTREE
) ENGINE=InnoDB DEFAULT CHARSET=utf8 ROW_FORMAT=COMPACT COMMENT='ai预警信息';
转换后:
CREATE TABLE IF NOT EXISTS ods_wspace_ai_warning_info_df (
id STRING COMMENT '主键'
,community_id STRING COMMENT ' COMMENT '
,ai_warning_config_id STRING COMMENT '预警信息配置表主键id'
,warning_status STRING COMMENT '预警状态(1:待处理;2:已恢复;3:已处理(后台预警管理操作 直接处理/生成工单,则这条预警信息变成已处理))'
,warning_content STRING COMMENT ' COMMENT '
,warning_rank STRING COMMENT '预警级别(1:严重;2:重要;3:一般)'
,warning_time STRING COMMENT '预警时间'
,intime STRING COMMENT '写入时间'
,update_time STRING COMMENT '更新时间'
,remark STRING COMMENT ' COMMENT '
,operate_type STRING COMMENT '预警处理方式1:直接处理;2:生成工单'
,operate_user_id STRING COMMENT ' COMMENT '
,operate_user_name STRING COMMENT ' COMMENT '
,operate_time STRING COMMENT '预警信息处理时间'
,order_id STRING COMMENT ' COMMENT '
,order_status STRING COMMENT '工单状态 0缺省 1待接收 2处理中 3已处理 4已完成 5已关闭 6待处理'
,recovery_time STRING COMMENT '恢复时间'
,warning_trigger_id STRING COMMENT ' COMMENT '
,warning_type STRING COMMENT '预警事件类型(1离园预警 2车辆违停 3消防通道占用)'
,work_order_identity STRING COMMENT '新旧工单标识字段 1:老工单,2:新工单'
)
COMMENT 'ai预警信息'
PARTITIONED BY ( ds BIGINT )
STORED AS PARQUET;"
转换脚本是我让我小姐妹写的,她起初发给我的是这样的:
import os
import re
import traceback
import pandas as pd
pattern = r"[`']([^`']+)[`']"
tradition_ = 'COMMENT'
common_part = ' STRING COMMENT '
def modify_row(row):
sql_row = row[0]
if 'CREATE TABLE' in sql_row:
return row
if 'COMMENT=' in sql_row:
comment = sql_row.split('COMMENT=')[-1].replace(';', '').replace(' ', '')
cut_sql = ')COMMENT ' + comment + ' PARTITIONED BY (As BIGINT) STORED AS PARQUET;'
row[0] = cut_sql
return row
cut_result = re.findall(pattern, sql_row)
if len(cut_result) > 1 and tradition_ in sql_row:
cut_sql = cut_result[0] + common_part + f"'{cut_result[-1]}'" + ','
row[0] = cut_sql
return row
current_dir = os.getcwd()
to_dir = os.path.join(current_dir, "results_dir")
print('current_dir:', current_dir)
print('results_dir:', to_dir)
if not os.path.exists(to_dir):
os.mkdir(to_dir)
try:
for file in os.listdir(current_dir):
if file.endswith(".xlsx") or file.endswith(".xls"):
file_path = os.path.join(current_dir, file)
to_file_path = os.path.join(to_dir, file)
df = pd.read_excel(file_path)
df.apply(modify_row, axis=1)
df.to_csv(to_file_path, index=False)
except:
print(traceback.format_exc())
还给我解释了一下,真的太有爱了,啊哈哈哈哈
不过这个转换完是下面这样:
CREATE TABLE `ai_warning_info` (
id STRING COMMENT '主键',
community_id STRING COMMENT ' COMMENT ',
ai_warning_config_id STRING COMMENT '预警信息配置表主键id',
warning_status STRING COMMENT '预警状态(1:待处理;2:已恢复;3:已处理(后台预警管理操作 直接处理/生成工单,则这条预警信息变成已处理))',
warning_content STRING COMMENT ' COMMENT ',
warning_rank STRING COMMENT '预警级别(1:严重;2:重要;3:一般)',
warning_time STRING COMMENT '预警时间',
intime STRING COMMENT '写入时间',
update_time STRING COMMENT '更新时间',
remark STRING COMMENT ' COMMENT ',
operate_type STRING COMMENT '预警处理方式1:直接处理;2:生成工单',
operate_user_id STRING COMMENT ' COMMENT ',
operate_user_name STRING COMMENT ' COMMENT ',
operate_time STRING COMMENT '预警信息处理时间',
order_id STRING COMMENT ' COMMENT ',
order_status STRING COMMENT '工单状态 0缺省 1待接收 2处理中 3已处理 4已完成 5已关闭 6待处理',
recovery_time STRING COMMENT '恢复时间',
warning_trigger_id STRING COMMENT ' COMMENT ',
warning_type STRING COMMENT '预警事件类型(1离园预警 2车辆违停 3消防通道占用)',
work_order_identity STRING COMMENT '新旧工单标识字段 1:老工单,2:新工单',
PRIMARY KEY (`id`) USING BTREE,
UNIQUE KEY `id_UNIQUE` (`id`) USING BTREE
)COMMENT 'ai预警信息' PARTITIONED BY (As BIGINT) STORED AS PARQUET;
然而。。。。
行吧 对齐看着也比较舒服
于是和姐妹吐槽,我在手动对齐
最后实在受不了了,改了姐妹的代码
对齐大概思路就是设置一个最大值减去字段长度再乘以空格,就可以对齐啦
顺便按照自己的需求又照猫画虎的改了下
import os
import re
import traceback
import pandas as pd
pattern = r"[`']([^`']+)[`']"
tradition_ = 'COMMENT'
common_part = ' STRING COMMENT '
#定义一个空字符
space=' '
def modify_row(row):
sql_row = row[0]
if 'CREATE TABLE' in sql_row:
table = sql_row.split('`')[1]
# 顺便把ods规范表名也拼好
cut_sql = 'CREATE TABLE IF NOT EXISTS ' + 'ods_wspace_'+table.replace(' ','') +'_df ('
row[0] = cut_sql
return row
# 去掉不符合要求的语句行
if 'USING BTREE' in sql_row:
cut_sql =' '
row[0] = cut_sql
return row
# 因为公司同步都要求string 就方便很多 直接按字符串类型拼
if 'COMMENT=' in sql_row:
comment = sql_row.split('COMMENT=')[-1].replace(';', '').replace(' ', '')
cut_sql = ')'+'\n'+'COMMENT ' + comment +'\n'+ 'PARTITIONED BY ( ds BIGINT )'+'\n'+'STORED AS PARQUET;'
row[0] = cut_sql
return row
cut_result = re.findall(pattern, sql_row)
# 通过字段长度 对齐语句
cut_len=len(cut_result[0])
# print('cut_len:',cut_len)
if len(cut_result) > 1 and tradition_ in sql_row:
cut_sql = 5*space+','+cut_result[0] +(30-cut_len)*space+common_part +space+ f"'{cut_result[-1]}'"
row[0] = cut_sql
return row
current_dir = os.getcwd()
to_dir = os.path.join(current_dir, "results_dir")
print('current_dir:', current_dir)
print('results_dir:', to_dir)
if not os.path.exists(to_dir):
os.mkdir(to_dir)
try:
for file in os.listdir(current_dir):
if file.endswith(".xlsx") or file.endswith(".xls"):
file_path = os.path.join(current_dir, file)
to_file_path = os.path.join(to_dir, file)
df = pd.read_excel(file_path)
df.apply(modify_row, axis=1)
df.to_csv(to_file_path, index=False)
except:
print(traceback.format_exc())
姐妹说用pandas库 可能有bug 但她迟迟不帮我优化 反正我们一致认同能实现功能的代码就是好代码 哈哈哈哈哈 坐等她再帮我换个库写 反正 这段时间不用手敲建表语句了 开心开心
为啥说用一行代码实现呢,因为
命令行。。。 被骗了 我是标题党
后记
时隔一年没有跟新了 确实平常很躺平 工作中除了sql就是sql 很少学新的内容 就没有产出了 希望之后能多多更新文章吧 这篇就是一个好的开端
by the way 今天是我入职满一年 下班下班 出去嗨喽