一行代码实现mysql建表语句格式化成hive建表语句

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