这里我想以自己作为scala,IDEA完全0基础的视角,一步步带领你们一起,围绕如何探索一个综合应用这个问题,绝对保姆级,通俗易懂可执行。
一:前期准备:
1:IDEA创建Maven项目
2:Maven项目可以正常打jar包,虚拟机上spark-submit可以正常运行jar包
3:确保IDEA创建的Maven工程可以正常连接HIVE,也能进行基本操作
二:题目+理解
理解:
1:连接到hive得ods库
2:对ods库里面得表进行数据清洗,抽取到hive得dwd库中
三:代码实现
--还很贴心的每一步的实现都写了一个输出语句,看输出就知道自己卡在了哪里
清洗1代码如下:
import org.apache.spark.SparkConf // 导入SparkConf类
import org.apache.spark.sql.{SparkSession, functions} // 导入SparkSession和functions类
import org.apache.spark.sql.functions._ // 导入Spark SQL函数库
import org.apache.spark.sql.expressions.Window // 导入Window类用于分组排序
object extract01 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("extract01")
conf.set("spark.sql.hive.thriftServer.async", "true") // 设置异步模式为true
conf.set("hive.exec.dynamic.partition.mode", "nonstrict") // 设置动态分区模式为nonstrict
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases: ")
spark.sql("show databases").show(false)
// 获取最新的ods.user_info表数据
val ods = spark.table("ods.user_info").filter("etl_date = (select max(etl_date) from ods.user_info)")
println("最新的ods.user_info表数据如下:")
ods.show(50,truncate = false) // 打印输出ods数据
ods.createOrReplaceTempView("tmp") // 创建临时视图tmp
// 获取最新的dwd.dim_user_info表数据,并只保留id在ods中存在的记录
val dwd = spark.table("dwd.dim_user_info").filter("etl_date = (select max(etl_date) from dwd.dim_user_info) and id in (select id from tmp)")
println("最新的dwd.dim_user_info表数据如下:")
dwd.show(50) // 打印输出dwd数据
dwd.createOrReplaceTempView("dwd") // 创建临时视图dwd
// 添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四个列,用于标记数据修改信息
val ods1 = ods
.withColumn("operate_time", when(col("operate_time").isNull, col("create_time")).otherwise(col("operate_time")))
.withColumn("dwd_insert_user", lit("user1"))
.withColumn("dwd_insert_time", current_timestamp())
.withColumn("dwd_modify_user", lit("user1"))
.withColumn("dwd_modify_time", current_timestamp())
// 将ods1和dwd中的数据合并,并根据create_time字段进行分组排序,选择每组中的第一条记录
val value = dwd.unionByName(ods1)
.withColumn("rn", row_number().over(Window.partitionBy(col("id")).orderBy(col("operate_time").desc)))
.filter("rn=1")
.drop("rn")
println("两最新表合并后的value如下:")
value.show(50) // 打印输出合并后的数据
// 使用左连接将合并后的数据和dwd中的数据进行匹配,将dwd中的dwd_modify_time字段赋值给合并后数据的dwd_modify_time字段
// 如果dwd中没有对应的记录,则dwd_modify_time字段取当前时间
val frame = value.join(dwd.selectExpr("id", "dwd_modify_time as time"), Seq("id"), "outer")
.withColumn("dwd_modify_time", when(col("time").isNotNull, date_format(current_timestamp(), "yyyy-MM-dd HH:mm:ss")).otherwise(col("dwd_modify_time")))
.drop("time")
.withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd HH:mm:ss")) // 将字符串类型的 create_time 转换为时间戳类型
frame.show(50) // 打印输出转换后的数据
frame.createOrReplaceTempView("temp_table")
spark.sql("INSERT OVERWRITE TABLE dwd.dim_user_info PARTITION (etl_date) SELECT * FROM temp_table")
// 打印输出写入成功信息
println("dwd.dim_user_info 写入成功啦!!!")
}
}
清洗2代码如下:
import org.apache.spark.SparkConf // 导入SparkConf类
import org.apache.spark.sql.{SparkSession, functions} // 导入SparkSession和functions类
import org.apache.spark.sql.functions._ // 导入Spark SQL函数库
import org.apache.spark.sql.expressions.Window // 导入Window类用于分组排序
object extract02 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("extract02")
conf.set("spark.sql.hive.thriftServer.async", "true") // 设置异步模式为true
conf.set("hive.exec.dynamic.partition.mode", "nonstrict") // 设置动态分区模式为nonstrict
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases: ")
spark.sql("show databases").show(50,false)
// 获取最新的ods.sku_info表数据
val ods = spark.table("ods.sku_info").filter("etl_date = (select max(etl_date) from ods.sku_info)")
println("最新的ods.sku_info表数据如下:")
ods.show(50,truncate = false) // 打印输出ods数据
ods.createOrReplaceTempView("tmp") // 创建临时视图tmp
// 获取最新的dwd.dim_sku_info表数据,并只保留id在ods中存在的记录
val dwd = spark.table("dwd.dim_sku_info").filter("etl_date = (select max(etl_date) from dwd.dim_sku_info) and id in (select id from tmp)")
println("最新的dwd.dim_sku_info表数据如下:")
dwd.show(50,false) // 打印输出dwd数据
dwd.createOrReplaceTempView("dwd") // 创建临时视图dwd
// 添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四个列,用于标记数据修改信息
val ods1 = ods
.withColumn("dwd_insert_user", lit("user1"))
.withColumn("dwd_insert_time", current_timestamp())
.withColumn("dwd_modify_user", lit("user1"))
.withColumn("dwd_modify_time", current_timestamp())
// 将ods1和dwd中的数据合并,并根据create_time字段进行分组排序,选择每组中的第一条记录
val value = dwd.unionByName(ods1)
.withColumn("rn", row_number().over(Window.partitionBy(col("id")).orderBy(col("create_time").desc)))
.filter("rn=1")
.drop("rn")
println("两最新表合并后的value如下:")
value.show(50,false) // 打印输出合并后的数据
// 使用左连接将合并后的数据和dwd中的数据进行匹配,将dwd中的dwd_modify_time字段赋值给合并后数据的dwd_modify_time字段
// 如果dwd中没有对应的记录,则dwd_modify_time字段取当前时间
val frame = value.join(dwd.selectExpr("id", "dwd_modify_time as time"), Seq("id"), "outer")
.withColumn("dwd_modify_time", when(col("time").isNotNull, date_format(current_timestamp(), "yyyy-MM-dd HH:mm:ss")).otherwise(col("dwd_modify_time")))
.drop("time")
.withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd HH:mm:ss")) // 将字符串类型的 create_time 转换为时间戳类型
frame.show(50,false) // 打印输出转换后的数据
frame.createOrReplaceTempView("temp_table")
spark.sql("INSERT OVERWRITE TABLE dwd.dim_sku_info PARTITION (etl_date) SELECT * FROM temp_table")
// 打印输出写入成功信息
println("dwd.dim_sku_info 写入成功啦!!!")
}
}
清洗3代码如下:
import org.apache.spark.SparkConf // 导入SparkConf类
import org.apache.spark.sql.{SparkSession, functions} // 导入SparkSession和functions类
import org.apache.spark.sql.functions._ // 导入Spark SQL函数库
import org.apache.spark.sql.expressions.Window // 导入Window类用于分组排序
object extract03 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("extract03")
conf.set("spark.sql.hive.thriftServer.async", "true") // 设置异步模式为true
conf.set("hive.exec.dynamic.partition.mode", "nonstrict") // 设置动态分区模式为nonstrict
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases: ")
spark.sql("show databases").show(false)
// 获取最新的ods.base_province表数据
val ods = spark.table("ods.base_province").filter("etl_date = (select max(etl_date) from ods.base_province)")
println("最新的ods.base_province表数据如下:")
ods.show(50,truncate = false) // 打印输出ods数据
ods.createOrReplaceTempView("tmp") // 创建临时视图tmp
// 获取最新的dwd.dim_province表数据,并只保留id在ods中存在的记录
val dwd = spark.table("dwd.dim_province").filter("etl_date = (select max(etl_date) from dwd.dim_province) and id in (select id from tmp)")
println("最新的dwd.dim_province表数据如下:")
dwd.show(50,false) // 打印输出dwd数据
dwd.createOrReplaceTempView("dwd") // 创建临时视图dwd
// 添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四个列,用于标记数据修改信息
val ods1 = ods
.withColumn("dwd_insert_user", lit("user1"))
.withColumn("dwd_insert_time", current_timestamp())
.withColumn("dwd_modify_user", lit("user1"))
.withColumn("dwd_modify_time", current_timestamp())
// 将ods1和dwd中的数据合并,并根据create_time字段进行分组排序,选择每组中的第一条记录
val value = dwd.unionByName(ods1)
.withColumn("rn", row_number().over(Window.partitionBy(col("id")).orderBy(col("create_time").desc)))
.filter("rn=1")
.drop("rn")
println("两最新表合并后的value如下:")
value.show(50,false) // 打印输出合并后的数据
// 使用左连接将合并后的数据和dwd中的数据进行匹配,将dwd中的dwd_modify_time字段赋值给合并后数据的dwd_modify_time字段
// 如果dwd中没有对应的记录,则dwd_modify_time字段取当前时间
val frame = value.join(dwd.selectExpr("id", "dwd_modify_time as time"), Seq("id"), "outer")
.withColumn("dwd_modify_time", when(col("time").isNotNull, date_format(current_timestamp(), "yyyy-MM-dd HH:mm:ss")).otherwise(col("dwd_modify_time")))
.drop("time")
.withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd HH:mm:ss")) // 将字符串类型的 create_time 转换为时间戳类型
frame.show(50,false) // 打印输出转换后的数据
frame.createOrReplaceTempView("temp_table")
spark.sql("INSERT OVERWRITE TABLE dwd.dim_province PARTITION (etl_date) SELECT * FROM temp_table")
// 打印输出写入成功信息
println("dwd.dim_province 写入成功啦!!!")
}
}
清洗4代码如下:
import org.apache.spark.SparkConf // 导入SparkConf类
import org.apache.spark.sql.{SparkSession, functions} // 导入SparkSession和functions类
import org.apache.spark.sql.functions._ // 导入Spark SQL函数库
import org.apache.spark.sql.expressions.Window // 导入Window类用于分组排序
object extract04 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("extract04")
conf.set("spark.sql.hive.thriftServer.async", "true") // 设置异步模式为true
conf.set("hive.exec.dynamic.partition.mode", "nonstrict") // 设置动态分区模式为nonstrict
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases: ")
spark.sql("show databases").show(false)
// 获取最新的ods.base_region表数据
val ods = spark.table("ods.base_region").filter("etl_date = (select max(etl_date) from ods.base_region)")
println("最新的ods.base_region表数据如下:")
ods.show(50,truncate = false) // 打印输出ods数据
ods.createOrReplaceTempView("tmp") // 创建临时视图tmp
// 获取最新的dwd.dim_region表数据,并只保留id在ods中存在的记录
val dwd = spark.table("dwd.dim_region").filter("etl_date = (select max(etl_date) from dwd.dim_region) and id in (select id from tmp)")
println("最新的dwd.dim_region表数据如下:")
dwd.show(50) // 打印输出dwd数据
dwd.createOrReplaceTempView("dwd") // 创建临时视图dwd
// 添加dwd_insert_user、dwd_insert_time、dwd_modify_user、dwd_modify_time四个列,用于标记数据修改信息
val ods1 = ods
.withColumn("dwd_insert_user", lit("user1"))
.withColumn("dwd_insert_time", current_timestamp())
.withColumn("dwd_modify_user", lit("user1"))
.withColumn("dwd_modify_time", current_timestamp())
// 将ods1和dwd中的数据合并,并根据create_time字段进行分组排序,选择每组中的第一条记录
val value = dwd.unionByName(ods1)
.withColumn("rn", row_number().over(Window.partitionBy(col("id")).orderBy(col("create_time").desc)))
.filter("rn=1")
.drop("rn")
println("两最新表合并后的value如下:")
value.show(50) // 打印输出合并后的数据
// 使用左连接将合并后的数据和dwd中的数据进行匹配,将dwd中的dwd_modify_time字段赋值给合并后数据的dwd_modify_time字段
// 如果dwd中没有对应的记录,则dwd_modify_time字段取当前时间
val frame = value.join(dwd.selectExpr("id", "dwd_modify_time as time"), Seq("id"), "outer")
.withColumn("dwd_modify_time", when(col("time").isNotNull, date_format(current_timestamp(), "yyyy-MM-dd HH:mm:ss")).otherwise(col("dwd_modify_time")))
.drop("time")
.withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd HH:mm:ss")) // 将字符串类型的 create_time 转换为时间戳类型
frame.show(50) // 打印输出转换后的数据
frame.createOrReplaceTempView("temp_table")
spark.sql("INSERT OVERWRITE TABLE dwd.dim_region PARTITION (etl_date) SELECT * FROM temp_table")
// 打印输出写入成功信息
println("dwd.dim_region 写入成功啦!!!")
}
}
清洗5代码如下:
import org.apache.spark.SparkConf
import org.apache.spark.sql.{SparkSession, functions}
import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window
import java.time.LocalDate
object extract05 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("extract05")
conf.set("spark.sql.hive.thriftServer.async", "true")
conf.set("hive.exec.dynamic.partition.mode", "nonstrict")
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases:")
spark.sql("show databases").show(false)
// 获取昨天的日期
val yesterday = LocalDate.now.minusDays(1).toString.replace("-", "")
// 从ods库的order_info表中抽取昨天的数据
val ods = spark.table("ods.order_info").filter(s"etl_date = '$yesterday'")
println("昨天的ods.order_info表数据如下:")
ods.show(50, truncate = false)
// 修改字段类型和处理空值
val ods1 = ods
.withColumn("etl_date",lit(yesterday))
.withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd"))
.withColumn("operate_time", when(col("operate_time").isNull, col("create_time")).otherwise(col("operate_time")))
.withColumn("dwd_insert_user", lit("user1"))
.withColumn("dwd_insert_time", current_timestamp())
.withColumn("dwd_modify_user", lit("user1"))
.withColumn("dwd_modify_time", current_timestamp())
// 将ods1表的数据插入到dwd库的动态分区表fact_order_info中
ods1.write.mode("append").partitionBy("etl_date").format("hive").saveAsTable("dwd.fact_order_info")
// 打印输出写入成功信息
println("dwd.fact_order_info 写入成功!")
}
}
清洗6代码如下:
import org.apache.spark.SparkConf
import org.apache.spark.sql.{SparkSession, functions}
import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window
import java.time.LocalDate
object extract06 {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("extract06")
conf.set("spark.sql.hive.thriftServer.async", "true")
conf.set("hive.exec.dynamic.partition.mode", "nonstrict")
val spark = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
println("Hive Databases:")
spark.sql("show databases").show(false)
// 获取昨天的日期
val yesterday = LocalDate.now.minusDays(1).toString.replace("-", "")
// 从ods库的order_detail表中抽取昨天的数据
val ods = spark.table("ods.order_detail").filter(s"etl_date = '$yesterday'")
println("昨天的ods.order_detail表数据如下:")
ods.show(50, truncate = false)
// 修改字段类型和处理空值
val ods1 = ods
.withColumn("etl_date",lit(yesterday))
.withColumn("create_time", to_timestamp(col("create_time"), "yyyy-MM-dd"))
.withColumn("dwd_insert_user", lit("user1"))
.withColumn("dwd_insert_time", current_timestamp())
.withColumn("dwd_modify_user", lit("user1"))
.withColumn("dwd_modify_time", current_timestamp())
// 将ods1表的数据插入到dwd库的动态分区表fact_order_detail中
ods1.write.mode("append").partitionBy("etl_date").format("hive").saveAsTable("dwd.fact_order_detail")
// 打印输出写入成功信息
println("dwd.fact_order_detail 写入成功!")
}
}
(代码实现框架没有问题,可供参考,因为没有比赛数据,只是模拟数据,可能在数据处理部分存在些许逻辑小错误,若需直接使用,请根据自己实际需求稍加修改)
四:验证图片
(用更优质更全更新的资源学习,简直yyds啊!!!感兴趣看主页)