最近公司开始做大数据项目，让我使用sqoop(1.6.4版本)导数据进行数据分析计算，然而当我们将所有的工作流都放到azkaban上时整个流程跑完需要花费13分钟，而其中导数据(增量)就占了4分钟左右，老板给我提供了使用 spark 导数据的思路，学习整理了一个多星期，终于实现了sqoop的主要功能。
这里我使用的是pyspark完成的所有操作。
条件：hdfs平台，pyspark，ubuntu系统
运行：我这里是在 /usr/bin 目录下(或者指定在此目录下 )运行的python文件，也可以使用系统自带的pyspark
1 ./spark-submit --jars "/home/engyne/spark/ojdbc7.jar" --master local /home/engyne/spark/SparkDataBase.py
其中--jars 是指定连接oracle的驱动，ojdbc7.jar对应的是oracle12版本，--master local /...指定的是运行的python文件
注意：我的代码没有解决中文问题，所以不管是注释还是代码中都不能出现中文，记得删除！！！
1、pyspark连接oracle，导数据到hive(后面的代码需要在此篇代码基础上进行，重复代码不再copy了)
1 importsys2 from pyspark.sql importHiveContext3 from pyspark importSparkConf, SparkContext, SQLContext4
5 conf = SparkConf().setAppName('inc_dd_openings')6 sc = SparkContext(conf=conf)7 sqlContext =HiveContext(sc)8
9 #以下是为了在console中打印出表内容
10 reload(sys)11 sys.setdefaultencoding("utf-8")12
13 get_df_url = "jdbc:oracle:thin:@//192.168.1.1:1521/ORCLPDB"
14 get_df_driver = "oracle.jdbc.driver.OracleDriver"
15 get_df_user = "xxx"
16 get_df_password = "xxx"
17
18 df = sqlContext.read.format("jdbc") \19 .option("url", get_df_url) \20 .option("driver", get_df_driver) \21 .option("dbtable", "tableName") \22 .option("user", get_df_user).option("password", get_df_password) \23 .load()24 #df.show() #可以查看到获取的表的内容，默认显示20行
25 sqlContext.sql("use databaseName") #databaseName指定使用hive中的数据库
26 #创建临时表
27 df.registerTempTable("tempTable")28 #创建表并写入数据
29 sqlContext.sql("create table %s as select * from tempTable")
2、pyspark在hive中创建动态分区表
1 #修改一下hive的默认设置以支持动态分区
2 sqlContext.sql("set hive.exec.dynamic.partition=true")3 sqlContext.sql("set hive.exec.dynamic.partition.mode=nonstrict")4 #设置hive支持创建分区文件的最大值
5 sqlContext.sql("SET hive.exec.max.dynamic.partitions=100000")6 sqlContext.sql("SET hive.exec.max.dynamic.partitions.pernode=100000")
这里需要先手动创建分区表，我使用dataframe的dtypes属性获取到表结构，然后循环拼接表的每个字段在hive中所对应的类型
最后写入表数据的代码是：
1 sqlContext.sql("insert overwrite table STUDENT partition(AGE) SELECT ID,NAME,UPDATETIME,AGE FROM tempTable")
3、实现增量导入数据
我这里使用了MySql数据库，用来存储增量导入的信息，创建表(job)
DROP TABLE IF EXISTS`job`;CREATE TABLE`job` (
`id`int(10) NOT NULLAUTO_INCREMENT,
`database_name`varchar(50) DEFAULT NULL, --数据库名称
`table_name` varchar(100) DEFAULT NULL, --需要增量导入的表名
`partition_column_name` varchar(100) DEFAULT NULL, --分区的字段名(这里只考虑对一个字段分区，如果多个字段这里应该使用一对多表结构吧)
`partition_column_desc` varchar(50) DEFAULT NULL, --分区字段类型
`check_column` varchar(50) DEFAULT NULL, --根据(table_name中)此字段进行增量导入校验(我这里例子使用的是updatetime)
`last_value` varchar(255) DEFAULT NULL, --校验值
`status` int(1) NOT NULL, --是否使用(1表示此job激活)
PRIMARY KEY(`id`)
) INCREMENTAL=InnoDB AUTO_INCREMENT=81 DEFAULT CHARSET=utf8;
存储STUDENT表增量导入信息(这里是为了演示)
insert into `job`(`id`,`database_name`,`table_name`,`partition_column_name`,`partition_column_desc`,`check_column`,`last_value`,`status`)values (1,'test_datebase','STUDENT','AGE','string','UPDATETIME','2018-07-30',1)
python 连接MySql的方法我这里就直接怼代码了，具体详解大家就看菜鸟教程
Ubuntu需要安装MySQLdb( sudo apt-get install python-mysqldb )
importMySQLdb#insert update delete
defconMysqlDB_exec(sqlStr):
db= MySQLdb.connect("192.168.xxx.xxx", "xx", "xx", "xx", charset='utf8')
cursor=db.cursor()try:
cursor.execute(sqlStr)
db.commit()
result=Trueexcept:print("---->MySqlError: execute error")
result=False
db.rollback()
db.closereturnresult#select
defconMysqlDB_fetchall(sqlStr):
db= MySQLdb.connect("192.168.xxx.xxx", "xx", "xx", "xx", charset='utf8')
cursor=db.cursor()
results=[]try:
cursor.execute(sqlStr)
results=cursor.fetchall()except:print("---->MySqlError: unable to fecth data")
db.closereturn results
查询增量信息，使用spark进行导入
findJobSql = "SELECT * FROM job where status=1"
result=conMysqlDB_fetchall(findJobSql)
databaseName= val[1]
tableName= val[2]
partitionColumnName= val[3]
partitionColumnDesc= val[4]
checkColumn= val[5]
lastValue= val[6]
sqlContext.sql("use database")
df= sqlContext.read.format("jdbc") \
.option("url", "jdbc:oracle:thin:@//192.168.xxx.xxx:1521/ORCLPDB") \
.option("driver", "oracle.jdbc.driver.OracleDriver") \
.option("dbtable", "(select * from %s where to_char(%s, 'yyyy-MM-dd')>'%s')" % (tableName, checkColumn, lastValue)) \ #这里是关键，直接查询出新增的数据，这样后面的速度才能提升，否则要对整个表的dataframe进行操作，慢死了，千万不要相信dataframe的filter，where这些东西，4万多条数据要查3分钟！！！
.option("user", "xxx").option("password", "xxx") \
.load()
def max(a, b):
if a>b:
return a
else:
return btry:#获取到新增字段的最大值！！！(这块也困了我好久)这里使用的是python的reduce函数，调用的max方法
nowLastValue =df.rdd.reduce(max)[checkColumn]
df.registerTempTable("temp")#写入内容
saveSql = "insert into table student select * from temp"sqlContext.sql(saveSql)#更新mysql表，使lastValue是表最新值
updataJobSql = "UPDATE job SET last_value='%s' WHERE table_name='%s'" %(nowLastValue, tableName)ifconMysqlDB_exec(updataJobSql):print("---->SUCCESS: incremental import success")exceptValueError:print("---->INFO: No new data added!")except:print("---->ERROR: other error")
4、解决导入数据换行符问题
有时候oracle中的数据中会存在换行符(" \n ")然而hive1.1.0中数据换行默认识别的也是\n，最坑的是还不能对它进行修改(目前我没有查出修改的方法，大家要是有办法欢迎在评论区讨论)
那我只能对数据进行处理了，以前使用sqoop的时候也有这个问题，所幸sqoop有解决换行符的语句，，，，巴拉巴拉，，，扯远了
解决换行符需要dataframe的map方法，然后使用lambda表达式进行replace，总结好就是下面的代码(第3行)
解释：这是个for循环里面加if else 判断，整个需要用 [ ] 包起来，没错这是个list ，如果不包就报错，lambda x 获取到的是表中一行行的数据，for循环对每一行进行遍历，然后对一行中每个字段
进行判断，是否是unicode或者str类型，(一般只有是这两个类型才存在换行符)如果是则进行replace处理，否则不做处理。
转化好之后这是个rdd类型的数据，需要转化为dataframe类型才能写入hive
1 #df自带获取schema的方法,不要学我去拼凑出来(
分类：
技术点：
spark
By © 2017 likecs 版权所有.
粤ICP备12038626号-2
Powered By WordPress . Theme by Luju
296
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
