背景介绍
在日常工作中,我们可以在一个shell脚本里面利用spark-sql -e
执行sql脚本,而且可以传参数,但是存在一个问题,shell脚本对格式要求严格,而且shell脚本和spark-sql的脚本混在一起,内容庞大凌乱,不好管理。而spark-sql -f
可以执行一个hql文件,但是不能传参数进去,这就引出了一个问题,有没有一种方法,既可以把shell和hql脚本分开,shell负责调度hql脚本,并且可以在shell中把参数传递到hql中,hql脚本文件只负责写hql。
sparkF功能开发的思路
开发一个sparkF的功能,用法同spark-sql -f,但支持传参,使用格式:
- sparkF aa.sql
- sparkF aa.sql -date 2015-01-02
- sparkF aa.sql -date 2015-01-02 -date1 2015-01-03
其中,aa.sql里通过${date}
的方式对接替换为想传递的参数值。
sparkF开发思路,
最终的使用方式,sparkF aa.sql -date 2015-01-02
- 开发一个Java应用程序读出aa.sql内容存入一个String变量里。
- 把里面的${date}替换为2015-01-02,并System.out.println出来。
- 在shell脚本里,用str接收System.out.println的输出,执行
spark-sql -e $str
。
1cd /export/project
2mkdir bin
3cd bin
4touch sparkF
难点,把Java程序的输出结果直接放到shell脚本里运行。
例如,运行sparkF aa.sql -date 2015-01-02
,
首先,Java运行jar,把参数传进来,shell脚本里$*
接收参数。参数是哪里传的呢?哪里传给sparkF的呢?是shell脚本aa.sh
传过来的,sparkF ./aa.sql -dt $yestoday
,交给java来处理,把sql脚本里的占位参数替换为传递的参数值后,打印的str由cmd来接收,再用spark-sql -e
执行。
1#!/bin/sh
2. /etc/profile
3cmd=`java -jar /export/project/lib/SparkF.jar $*`
4echo $cmd
5spark-sql -e "$cmd" -i /export/project/bin/init.hql
/export/project/lib/sparkF.jar,路径可以不写死,可以给它配一个环境变量。
/export/project/bin/init.hql
,作为一个公共的UDF文件,在sparkF
中通过spark-sql -i /export/project/bin/init.hql
调用,在-e执行之前,用-i进行初始化。
1chmod +x hiveF
1# 加入环境变量
2vi /etc/profile
3export PATH=$PATH:/export/project/bin
4source /etc/profile
添加maven插件,打包SparkF.jar。
1<plugin>
2 <artifactId>maven-assembly-plugin</artifactId>
3 <configuration>
4 <descriptorRefs>
5 <descriptorRef>jar-with-dependencies</descriptorRef>
6 </descriptorRefs>
7 <archive>
8 <manifestFile>src/main/resources/META-INF/MANIFEST.MF</manifestFile>
9 </archive>
10 </configuration>
11 <executions>
12 <execution>
13 <id>make-assembly</id>
14 <phase>package</phase>
15 <goals>
16 <goal>single</goal>
17 </goals>
18 </execution>
19 </executions>
20</plugin>
执行验证结果,
1sh /export/project/fct_session_info/fct_session_info.sh 2015-08-28
spark-sql日常作业开发流程
以sparkF aa.hql -date 2015-01-02
为例,
在aa.hql脚本中编写业务逻辑处理脚本,如果有参数,假设参数是dt,在脚本中用{dt}
占位符代替(取决于开发SparkF.jar时的定义),然后通过aa.sh调度aa.hql,如sh aa.sh $yestoday
,并且在aa.sh中利用我们开发的sparkF的功能,如sparkF ./aa.hql -dt $yestoday
。
这样,可以实现hql业务处理逻辑和shell脚本分离,并且可以把自定义的UDF统一放在一个hql文件中统一管理,在sparkF命令中通过spark -i init.hql
统一引用。如:
1add jar /export/project/lib/hive_udf.jar ;
2create temporary function GetActID as 'com.padluo.hive.udf.GetActID';
本文首发于steem,感谢阅读,转载请注明。
微信公众号「padluo」,分享数据科学家的自我修养,既然遇见,不如一起成长。
读者交流电报群
知识星球交流群