数据存储的多样性,对数据分析、挖掘带来众多不变。应用瓶颈表现在两个方面:
1. 传统数据库mysql等的数据处理能力有限,随着数据量的增加,join、groupby、orderby等操作出现速度极慢,甚至将机器资源耗尽、不能运行的情况;另一方面,将数据存储转移到分布式系统比如hdfs的代价太大。
2. 不能进行跨数据源的访问。比如对hive table、htable、mysql中的数据进行混合查询。以前的普遍做法是将一个数据源的数据导入另一数据源。这其中的技术应用包括sqoop、jdbc、hive外表等。此种方法,处理周期长,且sqoop对特殊字符的处理有些问题。
利用spark dataframe,针对以上两个问题,解决方案:
1. 针对传统数据库,比如mysql,将计算压力转移到hadoop(spark-on-yarn)集群中;针对是否有实时性要求的数据分析需求,分为两条线处理:
1) 实时数据:利用下图中的sparkquery system,将mysql tables转换为dataframe,执行对dataframe的sql运算;
2) 非实时数据:此为大部分需求,一般分析截止到前一天的数据,此种情况下,利用图中spark loading system,每天定时将数据导入hdfs,以parquet表(列式存储)格式存储。
此种情况下,mysql只有导表的压力,此压力相当于执行select * from table limit $spark_partition_num,其中spark_partition_num是spark在导入mysql数据时,根据表情况进行的分片大小,用户可设定。
2. 针对跨表操作,通过spark query system将各类数据源转换为dataframe并利用spark sql运行跨表的sql运算。
Sql parser: 提取需要导入的表名,按需导入。Key code:
def getTables(sql: String)= {
tables_name=""
valsqlparser =new TGSqlParser(EDbVendor.dbvmysql)
sqlparser.sqltext = sql
valret =sqlparser.parse();
if(ret==0) {