基于Spark DataFrame的数据仓库框架

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) {