Spark——Spark读写Greenplum/Greenplum-Spark Connector高速写Greenplum

问题背景

通过数据平台上的DataX把Hive表数据同步至Greenplum（因为DataX原生不支持Greenplum Writer，只能采用PostgreSQL驱动的方式），但是同步速度太慢了，<100Kb/s（DataX服务器和Greenplum服务器都在内网，实测服务器间传输文件速率可以达到170Mb/s+），根本没法用。

解决方式

查看Greenplum官网，给出了以下几种将外部数据写入Greenplum方式：

• JDBC：JDBC方式，写大数据量会很慢。
• gpload：适合写大数据量数据，能并行写入。但其缺点是需要安装客户端，包括gpfdist等依赖，安装起来很麻烦。需要了解可以参考gpload。
• Greenplum-Spark Connector：基于Spark并行处理，并行写入Greenplum，并提供了并行读取的接口。

而我们之前采用的PostgreSQL驱动的方式就是因为使用了JDBC，导致写入速度非常慢。综合官网提供的这3中方式，我们最终选择了Greenplum-Spark Connector这种方式，但是只提供了Spark2.3版本支持，其他版本未验证过。

Greenplum-Spark Connector具体的读写架构和流程，请参考Greenplum官网文档：https://cn.greenplum.org/greenplum-spark-connector/。

代码实现

Greenplum-Spark Connector需要引入两个依赖包：

• greenplum-spark_2.11-2.3.0.jar
• postgresql-42.2.27.jar

greenplum-spark_2.11-2.3.0.jar无法通过Maven自动下载，需要到上面网址手动下载，且要先注册网址账号才允许下载。

Spark写Greenplum

代码实现：

package com.demo

import org.apache.spark.sql.{SaveMode, SparkSession}

import java.time.LocalDateTime
import java.time.format.DateTimeFormatter

object SparkWriteGreenplum {
  def main(args: Array[String]): Unit = {
    val spark = SparkSession.builder()
      .appName("Spark to Greenplum")
      .enableHiveSupport()
      .getOrCreate()
    spark.sparkContext.setLogLevel("INFO")

    // main函数传参数获取表名
    val tableName = args(0)
    val days = args(1).toLong

    /** spark写greenplum */
    //Greenplum配置信息
    val gscWriteOptionMap = Map(
      "url" -> "jdbc:postgresql://host:5432/db",
      "user" -> "u",
      "password" -> "p",
      "dbschema" -> "schema",
      "dbtable" -> "table"
    )

    // Hiv表分区
    val ds = LocalDateTime.now().minusDays(days).format(DateTimeFormatter.ofPattern("yyyyMMdd"))
    // 读取Hive表
    val df = spark.sql("select * from db." + tableName + " where ds = " + ds)

    // Dataframe写Greenplum
    df.write
      .format("greenplum")
      .mode(SaveMode.Overwrite)
      .options(gscWriteOptionMap)
      .save()
    spark.stop()
  }
}

最终以4个executor、每个executor 1核1G执行Spark任务，1400w+条数据，3分钟左右就导完了，效果提升非常明显。

Spark读Greenplum

    // spark读greenplum
    val gscReadOptionMap = Map(
      "url" -> "jdbc:postgresql://host:5432/db",
      "user" -> "u",
      "password" -> "p",
      "dbschema" -> "sc",
      "dbtable" -> "table"
    )

    val df: DataFrame = spark.read.format("greenplum")
      .options(gscReadOptionMap)
      .load()
    df.show()

参考

1. https://cn.greenplum.org/greenplum-spark-connector/
2. https://greenplum-spark-connector.readthedocs.io/en/latest/Write-data-from-Spark-into-Greenplum.html
3. https://network.pivotal.io/products/vmware-greenplum#/releases/1427678/file_groups/17497