记csv、parquet数据预览一个bug的解决

一、概述

工作中遇到通过sparksession解析csv、parquet文件并预览top100的需求。

二、实现过程

1. 业务流程

2. 业务逻辑

为了便于测试，下面在单元测试中使用模拟数据（模拟Dataset.toJSON()返回值）来说明

import java.util.ArrayList;
import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;

import org.junit.jupiter.api.BeforeAll;
import org.junit.jupiter.api.Test;

import com.alibaba.fastjson.JSONObject;

import lombok.extern.slf4j.Slf4j;

@Slf4j
public class GroupingByDataTest
{
    static List<String> result = new ArrayList<>();
    
    @BeforeAll
    public static void init()
    {
        result.add("{\"student_no\":\"0204006\",\"student_name\":\"学生6\",\"field\":\"项目6\",\"value2\":\"6\",\"sex\":\"女\"}");
        result.add("{\"student_no\":\"0204006\",\"student_name\":\"学生6\",\"field\":\"项目6\",\"value2\":\"6\",\"sex\":\"女\"}");
        result.add("{\"student_no\":\"0204006\",\"student_name\":\"学生6\",\"field\":\"项目6\",\"value2\":\"6\",\"sex\":\"女\"}");
        result.add("{\"student_no\":\"0204006\",\"student_name\":\"学生6\",\"field\":\"项目6\",\"value2\":\"6\",\"sex\":\"女\"}");
    }
    
    
    @Test
    public void test002()
    {
        Map<Object, List<Object>> r = result.stream()
            .map(s -> JSONObject.parseObject(s).entrySet()) // map
            .flatMap(m -> m.stream()) // flatMap
            .collect(Collectors.groupingBy(mp -> mp.getKey(), Collectors.mapping(x -> x.getValue(), Collectors.toList())));
        log.info("{}", r);
    }
}

3. 运行结果

 com.fly.lambda.GroupingByDataTest - {
 student_name=[学生6, 学生6, 学生6, 学生6], 
 student_no=[0204006, 0204006, 0204006, 0204006], 
 value2=[6, 6, 6, 6], 
 field=[项目6, 项目6, 项目6, 项目6], 
 sex=[女, 女, 女, 女]}

目前看来似乎一切正常。

三、bug现象

实际测试过程中发现，hive数据仓库中的字段由于各种原因并不一定都有值，从而导致保存的结果文件csv、parquet时字段值为空

1. 单元测试

import java.util.ArrayList;
import java.util.List;
import java.util.Map;
import java.util.stream.Collectors;

import org.junit.jupiter.api.BeforeAll;
import org.junit.jupiter.api.Test;

import com.alibaba.fastjson.JSONObject;

import lombok.extern.slf4j.Slf4j;

@Slf4j
public class GroupingByDataTest
{
    static List<String> result = new ArrayList<>();
    
    @BeforeAll
    public static void init()
    {
        result.add("{\"student_name\":\"学生1\",\"student_no\":\"0204001\",\"field\":\"项目1\",                 \"sex\":\"男\"}");
        result.add("{\"student_name\":\"学生2\",\"student_no\":\"0204002\",\"field\":\"项目2\",\"value2\":\"2\"               }");
        result.add("{\"student_name\":\"学生3\",                           \"field\":\"项目3\",\"value2\":\"3\",\"sex\":\"女\"}");
        result.add("{                           \"student_no\":\"0204004\",\"field\":\"项目4\",\"value2\":\"4\",\"sex\":\"男\"}");
        result.add("{\"student_name\":\"学生5\",\"student_no\":\"0204005\",\"field\":\"项目5\",\"value2\":\"5\",\"sex\":\"女\"}");
        result.add("{\"student_no\":\"0204006\",\"student_name\":\"学生6\",\"field\":\"项目6\",\"value2\":\"6\",\"sex\":\"女\"}");
    }
    
    
    @Test
    public void test002()
    {
        Map<Object, List<Object>> r = result.stream()
            .map(s -> JSONObject.parseObject(s).entrySet()) // map
            .flatMap(m -> m.stream()) // flatMap
            .collect(Collectors.groupingBy(mp -> mp.getKey(), Collectors.mapping(x -> x.getValue(), Collectors.toList())));
        log.info("{}", r);
    }
}

2.运行结果

 com.fly.lambda.GroupingByDataTest - {
 student_name=[学生1, 学生2, 学生3, 学生5, 学生6], 
 student_no=[0204001, 0204002, 0204004, 0204005, 0204006], 
 value2=[2, 3, 4, 5, 6], 
 field=[项目1, 项目2, 项目3, 项目4, 项目5, 项目6], 
 sex=[男, 女, 男, 女, 女]}

期望的结果为

 com.fly.lambda.GroupingByDataTest - before : {
 student_name=[学生1, 学生2, 学生3, null, 学生5, 学生6], 
 student_no=[0204001, 0204002, null, 0204004, 0204005, 0204006], 
 value2=[null, 2, 3, 4, 5, 6], 
 field=[项目1, 项目2, 项目3, 项目4, 项目5, 项目6], 
 sex=[男, null, 女, 男, 女, 女]}

三、解决思路

解决这个问题有2个思路

1. 思路一

从数据来源解决，也就是 hiveSQL读取数据使用 coalsce 函数进行空值处理，实际去解决的过程中发现2个问题。

1. ）强制业务用户编辑hiveSQL时显式调用（用户体验太差，增加使用难度）
2. ）不强制业务用户编辑hiveSQL时显式调用，后台接受到SQL后自动添加coalsce 函数（后台业务逻辑复杂，eg： 使用了条件语句、多表关联查询、字段命名特殊、添加 as 别名等各种情况，不一而足，几乎没法妥善处理）

2. 思路二

hiveSQL读取数据、数据写入csv或parquet文件正常进行，不用特殊处理， 修改步骤3

分为2步骤，步骤1，遍历获取全部的key去重，步骤2，自动对缺失数据的key补充空值

核心代码如下：

    @Test
    public void test003()
        throws IOException
    {
        // 取keys
        List<String> keys = result.stream().map(s -> JSONObject.parseObject(s).entrySet()).flatMap(m -> m.stream()).map(r -> r.getKey()).distinct().collect(Collectors.toList());
        keys.stream().forEach(log::info);
        
        Map<String, List<Object>> r = result.stream()
            .map(s -> parse(s, keys))
            .flatMap(m -> m.stream()) // flatMap
            .collect(Collectors.groupingBy(mp -> mp.getKey(), Collectors.mapping(x -> x.getValue(), Collectors.toList())));
        log.info("before : {}", r);
        log.info("sorted : {}", new TreeMap<>(r));
    }
    
    /**
     * 设置value, 根据需要补充空值
     */
    private Set<Entry<String, Object>> parse(String s, List<String> keys)
    {
        JSONObject jsonObject = JSONObject.parseObject(s);
        keys.stream().forEach(key -> {
            if (!jsonObject.containsKey(key))
            {
                jsonObject.put(key, null);
            }
        });
        return jsonObject.entrySet();
    }

运行结果

2024-01-14 13:57:53.211 [main] INFO  com.fly.lambda.GroupingByDataTest - student_name
2024-01-14 13:57:53.217 [main] INFO  com.fly.lambda.GroupingByDataTest - student_no
2024-01-14 13:57:53.217 [main] INFO  com.fly.lambda.GroupingByDataTest - field
2024-01-14 13:57:53.217 [main] INFO  com.fly.lambda.GroupingByDataTest - sex
2024-01-14 13:57:53.217 [main] INFO  com.fly.lambda.GroupingByDataTest - value2
2024-01-14 13:57:53.232 [main] INFO  com.fly.lambda.GroupingByDataTest - before : {student_name=[学生1, 学生2, 学生3, null, 学生5, 学生6], student_no=[0204001, 0204002, null, 0204004, 0204005, 0204006], value2=[null, 2, 3, 4, 5, 6], field=[项目1, 项目2, 项目3, 项目4, 项目5, 项目6], sex=[男, null, 女, 男, 女, 女]}
2024-01-14 13:57:53.237 [main] INFO  com.fly.lambda.GroupingByDataTest - sorted : {field=[项目1, 项目2, 项目3, 项目4, 项目5, 项目6], sex=[男, null, 女, 男, 女, 女], student_name=[学生1, 学生2, 学生3, null, 学生5, 学生6], student_no=[0204001, 0204002, null, 0204004, 0204005, 0204006], value2=[null, 2, 3, 4, 5, 6]}

可以说，花比较小的成本，以比较少的代码变动，相对稳妥的解决了问题。

---

有任何问题和建议，都可以向我提问讨论,大家一起进步，谢谢!

-over-