SparkSQL抽取Mysql全量数据到Hive动态分区表中

月亮给我抄代码

已于 2023-09-15 23:12:44 修改

阅读量4.3k

点赞数 6

文章标签： hive mysql spark scala 大数据

于 2021-12-08 20:00:59 首次发布

本文链接：https://blog.csdn.net/weixin_46389691/article/details/121799600

版权

部分概念内容：hive学习(七)------创建动态分区_BigDate_小学生的博客-CSDN博客

进阶篇：spark增量抽取MySQL中的数据存入hive动态分区表（2）_月亮给我抄代码的博客-CSDN博客

前言：我这里把hive-site.xml文件放在了resource目录中，相关配置及依赖在后面。

不要用中文值作为静态分区或动态分区字段！！！

package my_project

import org.apache.spark.sql.SparkSession

object my_work02 {
  def main(args: Array[String]): Unit = {

    //TODO 动态分区表demo

    val spark: SparkSession = SparkSession
      .builder()
      .appName("my_work01")
      .master("local[*]")
      .enableHiveSupport()
      .getOrCreate()

    //读取MySQL数据，创建临时表
    spark.read
      .format("jdbc")
      .option("driver", "com.mysql.jdbc.Driver")
      .option("url", "jdbc:mysql://localhost:3306/spark_db")
      .option("user", "root")
      .option("password", "456789")
      .option("dbtable", "movies")
      .load()
      .createOrReplaceTempView("datas")

    // TODO 以下两个参数必须要在建表前使用
    //（开启动态分区，默认为true）
    spark
      .sql(
        """
        |set hive.exec.dynamic.partition=true
        |""".stripMargin
      )

    //（动态分区模式，默认为strict——必须有一列为静态分区，所以这里改成 nonstrict）
    spark
      .sql(
        """
                |set hive.exec.dynamic.partition.mode=nonstrict
                |""".stripMargin
      )

//    其余优化参数配置：
//    set hive.exec.max.dynamic.partitions.pernode=100 （默认100）
//    表示每个maper或reducer可以允许创建的最大动态分区个数，默认是100，超出则会报错。

//    set hive.exec.max.dynamic.partitions =1000(默认值) 最大动态分区个数，超出报错
//
//    set hive.exec.max.created.files =10000(默认) 全局可以创建的最大文件个数，超出报错。

    //创建动态分区表
    spark.sql(
      """
        |create table mydb.dynamic_movies(
        |   movie_name  string,
        |   boxoffice  string,
        |   box_rate  string,
        |   sessions  string,
        |   show_count_rate  string,
        |   avg_number string,
        |   attendance string,
        |   total_boxoffice string,
        |   movie_days string,
        |   releasedate string
        |)partitioned by (current_time string)
        |row format delimited fields terminated by '\t'
        |""".stripMargin
    )

    //将MySQL中读取出来的全量数据以日期为分区字段同步到hive表中(动态分区)
    spark
      .sql(
        """
        |insert into table mydb.dynamic_movies partition(time)
        |select movie_name,boxoffice,box_rate,sessions,show_count_rate,avg_number,
        |attendance,total_boxoffice,movie_days,releasedate,current_time
        |from 
        |   datas 
        |order by total_boxoffice desc
        |""".stripMargin
      )

    // TODO 动态分区表会自动将select的最后一个字段映射为我们的分区字段，也就是说，最后一个字段必须是我们的分区字段，这点十分重要！！！
     // 如果有多个动态分区字段，按顺序在排列就好了。

    spark.stop()

  }
}

依赖配置

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>
    <groupId>self</groupId>
    <artifactId>spark-practice</artifactId>
    <version>1.0-SNAPSHOT</version>
    <properties>
        <spark.version>2.1.0</spark.version>
        <scala.version>2.11</scala.version>
    </properties>
    <repositories>
        <repository>
            <id>nexus-aliyun</id>
            <name>Nexus aliyun</name>
            <url>http://maven.aliyun.com/nexus/content/groups/public</url>
        </repository>
    </repositories>
    <dependencies>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-streaming_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-mllib_${scala.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.27</version>
        </dependency>


        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-log4j12</artifactId>
            <version>2.0.0-alpha0</version>
            <scope>compile</scope>
        </dependency>

        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-api</artifactId>
            <version>2.0.0-alpha0</version>
        </dependency>


        <dependency>
            <groupId>log4j</groupId>
            <artifactId>log4j</artifactId>
            <version>1.2.17</version>
        </dependency>

        <dependency>
            <groupId>org.slf4j</groupId>
            <artifactId>slf4j-nop</artifactId>
            <version>1.7.25</version>
            <scope>compile</scope>
        </dependency>


    </dependencies>
</project>

hive-site.xml配置文件

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- jdbc 连接的 URL -->
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop106:3306/metastore?useSSL=false</value>
</property>

<!-- jdbc 连接的 Driver-->
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
</property>

<!-- jdbc 连接的 username-->
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
</property>

<!-- jdbc 连接的 password -->
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>000000</value>
</property>

<!-- Hive 元数据存储版本的验证 -->
<property>
<name>hive.metastore.schema.verification</name>
<value>false</value>
</property>

<!--元数据存储授权-->
<property>
<name>hive.metastore.event.db.notification.api.auth</name>
<value>false</value>
</property>

<!-- Hive 默认在 HDFS 的工作目录 -->
<property>
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
</property>

<!-- 指定存储元数据要连接的地址 -->
<property>
<name>hive.metastore.uris</name>
<value>thrift://hadoop106:9083</value>
</property>

<!-- 指定 hiveserver2 连接的 host -->
<property>
<name>hive.server2.thrift.bind.host</name>
<value>hadoop106</value>
</property>

<!-- 指定 hiveserver2 连接的端口号 -->
<property>
<name>hive.server2.thrift.port</name>
<value>10000</value>
</property>

<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>

<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>



</configuration>

月亮给我抄代码

关注

6
点赞
踩
43

收藏

觉得还不错? 一键收藏
打赏
2
评论
SparkSQL抽取Mysql全量数据到Hive动态分区表中

部分概念内容：hive学习(七)------创建动态分区_BigDate_小学生的博客-CSDN博客前言：我这里把hive-site.xml文件放在了resource目录中，相关配置及依赖在后面。package my_projectimport org.apache.spark.sql.SparkSessionobject my_work02 { def main(args: Array[String]): Unit = { //TODO 动态分区表demo val
复制链接

扫一扫