spark 实现大表数据关联

在做 mysql 或其他数据迁移的时候，有时候需要将两份或者多份数据进行合并，生产一份新的数据后进行使用，对于数据量较小的场景下，可以直接使用 sql 语句进行关联，但是对于两张或者多张千万级记录的表进行合并时，使用 sql 进行 join 操作是不现实的，在这些场景下，需要使用 spark 或者 hive 进行操作。本文介绍如何使用 spark 进行大数据量的合并。

本文中提到的大表，数据量一般在几百万或者千万甚至是亿级别。小表的数据量一般在 1万条记录以内。

1. 大数据关联表一般会遇到三种情形:

1. 一张大数据表关联一张字典表(小表)
2. 一张大数据表关联另一张大数据表，两张表存在id进行唯一对应，既 a 表中的一条记录在 b表中最多只有一条进行对应。
3. 一张大数据表关联另一张大数据表，a 表中的一条记录在 b 表中有多条记录进行对应；或者是 a 表中的多条记录对应于 b 表中的一条记录。

2. 处理步骤:

1. 使用 sqoop 工具将 mysql 数据导出到 hdfs

   在机器内存和处理器资源有限的情况下，使用 spark-sql 直接读取 mysql 数据库，可能会导致 mysql 支撑不住，导致在数据读取过程中会发生连接中断，从而导致读取数据失败。将数据导入到 hdfs 中，可以很容易支持亿级别数据读取。

2. 编写 spark core 算法进行关联操作

说明： 采用 spark-sql 直接进行 sql 关联查询或者两个 DataFrame 进行 join 操作和在 mysql 用 sql 进行关联查询一样，会导致消耗大量服务器内存和 cpu 资源，很容易出现 OOM 异常，从而导致任务失败。

3. 算法实现

3.1 一张大表关联一张字典表(小表)

示例：有一份行业信息表，数据量在 7000万 左右，有一份行业编码表，数据量只有 2000 条，现在需要将编码表中的字典信息合并到行业信息表中，则可以采用以下处理方式

1. 加载编码字典表，将其作为广播变量
2. 循环企业信息表，从广播变量中取出映射信息

 // 示例代码

// 加载字典表
val industryCodeMap = sc.textFile(industryCodePath)
    .map(x => {
    val params = x.split(",", -1)
    val industryCode = new IndustryCode
    industryCode.industry_code = params(1)
    industryCode.industry_name = params(2)
    industryCode.industry_standard = params(4)

    (industryCode.industry_code, industryCode)
    })
    .collect()
    .toMap

// 将字典表信息设置为广播变量
val bcIndustryCodeMap = sc.broadcast(industryCodeMap)

// 加载行业信息，循环读取映射值
val lastIndustryRdd = sc.textFile(lastIndustryPath)
    .map(item => {
    val params = item.split("\\0001", -1)

    val lastIndustry = new LastIndustry
    lastIndustry.eid = params(2)
    lastIndustry.industry_code = params(3)

    val industryCodeMap = bcIndustryCodeMap.value
    val industryCode = industryCodeMap.get(lastIndustry.industry_code)
    if (!industryCode.isEmpty) {
        lastIndustry.industry_name = industryCode.get.industry_name
        .industry_standard = industryCode.get.industry_standard
    }

    lastIndustry
    })

3.2 一对一的两张大表

示例：一张企业信息表，约有 6600万记录，一张行业信息表，约有 7000万记录,行业信息表中每一条记录都含义企业 id 字典，现在需要将企业所在的行业信息合并到企业信息表中，可以采用以下方式：

1. 将企业信息映射为 (id,(企业信息，空的行业信息))
2. 将行业信息表映射为 (id,(空的企业信息, 行业信息))
3. 将两份数据进行合并
4. 根据 id 进行 reduce 计算，生产 (id,企业信息，行业信息)
5. 组合需要的结果信息返回

这样可以使用 reduce 计算替换 join 计算，极大减少数据 shuffle，从而加快计算速度。

// 示例代码

// 映射行业信息
val lastIndustryRdd = sc.textFile(lastIndustryPath)
    .map(item => {
    val params = item.split("\\0001", -1)

    val lastIndustry = new LastIndustry
    lastIndustry.eid = params(2)
    lastIndustry.industry_code = params(3)

    val industryCodeMap = bcIndustryCodeMap.value
    val industryCode = industryCodeMap.get(lastIndustry.industry_code)
    if (!industryCode.isEmpty) {
        lastIndustry.industry_name = industryCode.get.industry_name
        lastIndustry.industry_standard = industryCode.get.industry_standard
    }

    (lastIndustry.eid, (new Enterprise, lastIndustry))
    })


// 映射企业信息
val enterpriseRdd = sc.textFile(enterprisePath)
    .map(item => {
    val params = item.split("\\0001", -1)
    if (params.length < 60) {
        ("", (new Enterprise, new LastIndustry))
    } else {
        val enterprise = Enterprise.convertToEnterprise(params)
        (enterprise.eid, (enterprise, new LastIndustry))
    }
    })
    .filter(x => x._1 != "")


// 两份数据进行合并,按照 key 进行 reduce 计算
enterpriseRdd.union(lastIndustryRdd)
    .reduceByKey((a, b) => {
    var enterprise = a._1
    var lastIndustry = a._2

    if (a._1.eid == "" && b._1.eid != "") {
        enterprise = b._1
    }

    if (a._2.eid == "" && b._2.eid != "") {
        lastIndustry = b._2
    }

    enterprise.industry_code = lastIndustry.industry_code
    enterprise.industry_name = lastIndustry.industry_name
    enterprise.industry_standard = lastIndustry.industry_standard

    (enterprise, lastIndustry)
    })
    .map(x => x._2._1)
    .repartition(repartitionCount)
    .saveAsTextFile(savePath)

3.3 一对多的两张大表

示例： 一张企业投资表，约有 500万记录，一张企业信息表，约有 6600万记录，一家企业会进行多项投资，既一条企业信息会对应多条企业投资信息，现在需要将企业信息关联到企业投资表中，可以采用以下方式：

1. 将企业信息表映射为 (id,(企业信息，空的企业投资信息，标识位1))
2. 将企业投资表映射为 (id,(空的企业信息,企业投资信息,标识位2))
3. 合并两份数据
4. 按照 id 进行分组
5. 对分组中的数据进行计算，查询分组中标识位为 2 的企业信息和标识位为 1 的企业投资信息，
    将相关信息进行关联，也可以使用 reduceByKey 计算替代 groupByKey，加快分析

// 示例代码

//映射企业信息表
val enterpriseDistributionRdd = sc.textFile(enterpriseDistributionPath)
    .map(x => {
    val params = x.split("@", -1)
    val enterprise = Enterprise.convertToEnterprise(params)
    (enterprise.eid, (enterprise, new Investment, 1))
    })

// 映射企业投资信息
val investmentRdd = sc.textFile(investmentPath)
    .map(x => {
    val params = x.split("\\0001", -1)
    val investment = Investment.convertToInvestment(params)
    (investment.eid, (new Enterprise, investment, 2))
    })
    .filter(_._1 != "")

// 关联两份信息并进行分组计算
investmentRdd.union(enterpriseDistributionRdd)
    .groupByKey()
    .flatMap(item => {
    val list = ListBuffer[Investment]()
    val result = ListBuffer[Investment]()
    var enterprise: Enterprise = new Enterprise

    for (x <- item._2) {
        if (x._3 == 1) {
        enterprise = x._1
        } else if (x._3 == 2) {
        list.append(x._2)
        }
    }

    for (investment <- list) {
        investment.industry_code = enterprise.industry_code
        investment.industry_name = enterprise.industry_name
        investment.regist_capi_new = enterprise.regist_capi_new
        investment.start_date = enterprise.start_date
        investment.new_status_code = enterprise.new_status_code

        result.append(investment)
    }

    result
    })
    .repartition(repartitionCount)
    .saveAsTextFile(savePath)