到目前为止,我们已经听说过几个上下文,例如 SparkContext
,SQLContext
,HiveContext
,SparkSession
,现在,我们将使用 Kudu
引入一个KuduContext
。这是可在 Spark
应用程序中广播的主要可序列化对象。此类代表在 Spark
执行程序中与 Kudu Java
客户端进行交互。 KuduContext
提供执行DDL
操作所需的方法,与本机 Kudu RDD
的接口,对数据执行更新/插入/删除**,将数据类型从 Kudu
转换为 Spark
等。
1、引入依赖
<repositories>
<repository>
<id>cloudera</id>
<url>https://repository.cloudera.com/artifactory/cloudera-repos/</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>org.apache.kudu</groupId>
<artifactId>kudu-client-tools</artifactId>
<version>1.6.0-cdh5.14.0</version>
</dependency>
<dependency>
<groupId>org.apache.kudu</groupId>
<artifactId>kudu-client</artifactId>
<version>1.6.0-cdh5.14.0</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.kudu/kudu-spark2 -->
<dependency>
<groupId>org.apache.kudu</groupId>
<artifactId>kudu-spark2_2.11</artifactId>
<version>1.6.0-cdh5.14.0</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-sql -->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.1.0</version>
</dependency>
</dependencies>
2、创建表
object SparkKuduTest {
def main(args: Array[String]): Unit = {
//构建 sparkConf 对象
val sparkConf: SparkConf =
new SparkConf().setAppName("SparkKuduTest").setMaster("local[2]")
//构建 SparkSession 对象
val sparkSession: SparkSession =
SparkSession.builder().config(sparkConf).getOrCreate()
//获取 sparkContext 对象
val sc: SparkContext = sparkSession.sparkContext
sc.setLogLevel("warn")
//构建 KuduContext 对象
val kuduContext =
new KuduContext("node1:7051, node2:7051, node3:7051", sc)
//1.创建表操作
createTable(kuduContext)
/**
* 创建表
* @param kuduContext
* @return
*/
private def createTable(kuduContext: KuduContext) = {
//1.1 定义表名
val tableName = "spark_kudu"
//1.2 定义表的 schema
val schema = StructType(
StructField("userId", StringType, false) ::
StructField("name", StringType, false) ::
StructField("age", IntegerType, false) ::
StructField("sex", StringType, false) :: Nil)
//1.3 定义表的主键
val primaryKey = Seq("userId")
//1.4 定义分区的 schema
val options = new CreateTableOptions
//设置分区
options.setRangePartitionColumns(List("userId").asJava)
//设置副本
options.setNumReplicas(1)
//1.5 创建表
if(!kuduContext.tableExists(tableName)){
kuduContext.createTable(tableName, schema, primaryKey, options)
}
}
}
}
定义表时要注意的是 Kudu
表选项值。你会注意到在指定组成范围分区列的列名列表时我们调用asJava
方法。这是因为在这里,我们调用了 Kudu
。
Java
客户端本身,它需要 Java
对象(即java.util.List
)而不是 Scala
的List
对象;(要使“asJava
”方法可用,请记住导入 JavaConverters
库。)
创建表后,通过将浏览器指向 http// master 主机名:8051/tables
来查看Kudu
主 UI
可以找到创建的表,通过单击表 ID
,能够看到表模式和分区信息。
3、dataFrame
操作 Kudu
Kudu
支持许多 DML
类型的操作,其中一些操作包含在 Spark on Kudu
集成。包括:
- INSERT: 将
DataFrame
的行插入Kudu
表。请注意,虽然API
完全支持INSERT
,但不鼓励在Spark
中使用它。使用INSERT
是有风险的,因为Spark
任务可能需要重新执行,这意味着可能要求再次插入已插入的行。这样做会导致失败,因为如果行已经存在,INSERT
将不允许插入行(导致败)。相反,我们鼓励使用下面描述的INSERT_IGNORE
; - INSERT-IGNORE: 将
DataFrame
的行插入Kudu
表。如果表存在,则忽略插入动作; - DELETE: 从
Kudu
表中删除DataFrame
中的行; - UPSERT: 如果存在,则在
Kudu
表中更新DataFrame
中的行,否则执行插入操作; - UPDATE: 更新
dataframe
中的行。
3.1、插入数据 insert
操作
先创建一张表,然后把数据插入到表中。
case class People(id:Int, name:String, age:Int)
object DataFrameKudu {
def main(args: Array[String]): Unit = {
//构建 SparkConf 对象
val sparkConf: SparkConf =
new SparkConf().setAppName("DataFrameKudu").setMaster("local[2]")
//构建 SparkSession 对象
val sparkSession: SparkSession =
SparkSession.builder().config(sparkConf).getOrCreate()
//获取 SparkContext 对象
val sc: SparkContext = sparkSession.sparkContext
sc.setLogLevel("warn")
//指定 kudu 的 master 地址
val kuduMaster="node1:7051, node2:7051, node3:7051"
//构建 KuduContext 对象
val kuduContext = new KuduContext(kuduMaster,sc)
//定义表名
val tableName="people"
//1、创建表
createTable(kuduContext, tableName)
//2、插入数据到表中
insertData2table(sparkSession,sc, kuduContext, tableName)
}
/**
* 创建表
* @param kuduContext
* @param tableName
*/
private def createTable(kuduContext: KuduContext, tableName: String): Unit = {
//定义表的 schema
val schema = StructType(
StructField("id", IntegerType, false) ::
StructField("name", StringType, false) ::
StructField("age", IntegerType, false) :: Nil)
//定义表的主键
val tablePrimaryKey = List("id")
//定义表的选项配置
val options = new CreateTableOptions
options.setRangePartitionColumns(List("id").asJava)
options.setNumReplicas(1)
//创建表
if (!kuduContext.tableExists(tableName)) {
kuduContext.createTable(tableName, schema, tablePrimaryKey, options)
}
}
/**
* 插入数据到表中
* @param sparkSession
* @param sc
* @param kuduContext
* @param tableName
*/
private def insertData2table(sparkSession:SparkSession, sc: SparkContext,
kuduContext: KuduContext, tableName: String): Unit = {
//准备数据
val data = List(
People(1, "zhangsan", 20),
People(2, "lisi", 30),
People(3, "wangwu", 40))
val peopleRDD: RDD[People] = sc.parallelize(data)
import sparkSession.implicits._
val peopleDF: DataFrame = peopleRDD.toDF
kuduContext.insertRows(peopleDF, tableName)
}
}
3.2、删除数据delete
操作
/**
* 删除表的数据
* @param sparkSession
* @param sc
* @param kuduMaster
* @param kuduContext
* @param tableName
*/
private def deleteData(sparkSession: SparkSession, sc: SparkContext,
kuduMaster: String,
kuduContext: KuduContext, tableName: String): Unit = {
//定义一个 map 集合,封装 kudu 的相关信息
val options = Map(
"kudu.master" -> kuduMaster,
"kudu.table" -> tableName
)
import sparkSession.implicits._
val data = List(
People(1, "zhangsan", 20),
People(2, "lisi", 30),
People(3, "wangwu", 40))
val dataFrame: DataFrame = sc.parallelize(data).toDF
dataFrame.createTempView("temp")
//获取年龄大于 30 的所有用户 id
val result: DataFrame = sparkSession.sql("select id from temp where age >30")
//删除对应的数据,这里必须要是主键字段
kuduContext.deleteRows(result, tableName)
}
3.3、更新数据upsert
操作
/**
* 更新数据--添加数据
*
* @param sc
* @param kuduMaster
* @param kuduContext
* @param tableName
*/
private def UpsertData(sparkSession: SparkSession,sc: SparkContext,
kuduMaster: String, kuduContext: KuduContext, tableName: String): Unit = {
//更新表中的数据
//定义一个 map 集合,封装 kudu 的相关信息
val options = Map(
"kudu.master" -> kuduMaster,
"kudu.table" -> tableName)
import sparkSession.implicits._
val data = List(People(1, "zhangsan", 50), People(5, "tom", 30))
val dataFrame: DataFrame = sc.parallelize(data).toDF
//如果存在就是更新,否则就是插入
kuduContext.upsertRows(dataFrame, tableName)
}
3.4、更新数据 update
操作
/**
* 更新数据
* @param sparkSession
* @param sc
* @param kuduMaster
* @param kuduContext
* @param tableName
*/
private def updateData(sparkSession: SparkSession,sc: SparkContext, kuduMaster: String,
kuduContext: KuduContext, tableName: String): Unit = {
//定义一个 map 集合,封装 kudu 的相关信息
val options = Map(
"kudu.master" -> kuduMaster,
"kudu.table" -> tableName)
import sparkSession.implicits._
val data = List(People(1, "zhangsan", 60), People(6, "tom", 30))
val dataFrame: DataFrame = sc.parallelize(data).toDF
//如果存在就是更新,否则就是报错
kuduContext.updateRows(dataFrame, tableName)
}
3.5、DataFrame API 读取 kudu 数据
虽然我们可以通过上面显示的 KuduContext
执行大量操作,但我们还可以直接从默认数据源本身调用读/写API
。要设置读取,我们需要为 Kudu
表指定选项,命名我们要读取的表以及为表提供服务的 Kudu
集群的 Kudu
主服务器列表。
/**
* 使用 DataFrameApi 读取 kudu 表中的数据
* @param sparkSession
* @param kuduMaster
* @param tableName
*/
private def getTableData(sparkSession: SparkSession, kuduMaster: String,
tableName: String): Unit = {
//定义 map 集合,封装 kudu 的 master 地址和要读取的表名
val options = Map(
"kudu.master" -> kuduMaster,
"kudu.table" -> tableName
)
sparkSession.read.options(options).kudu.show()
}
3.6、DataFrame API
写数据到 Kudu
表
在通过 DataFrame API
编写时,目前只支持一种模式“append
”。尚未实现的“覆盖”模式。
/**
* DataFrame api 写数据到 kudu 表
* @param sparkSession
* @param sc
* @param kuduMaster
* @param tableName
*/
private def dataFrame2kudu(sparkSession: SparkSession, sc: SparkContext,
kuduMaster: String, tableName: String): Unit = {
//定义 map 集合,封装 kudu 的 master 地址和要读取的表名
val options = Map(
"kudu.master" -> kuduMaster,
"kudu.table" -> tableName
)
val data = List(People(7, "jim", 30), People(8, "xiaoming", 40))
import sparkSession.implicits._
val dataFrame: DataFrame = sc.parallelize(data).toDF
//把 dataFrame 结果写入到 kudu 表中 ,目前只支持 append 追加
dataFrame.write.options(options).mode("append").kudu
//查看结果
//导包
import org.apache.kudu.spark.kudu._
//加载表的数据,导包调用 kudu 方法,转换为 dataFrame,最后在使用 show 方法显示结果
sparkSession.read.options(options).kudu.show()
}
3.7、用 SparkSQL
操作 Kudu
可以选择使用 Spark SQL
直接使用 INSERT
语句写入 Kudu
表;与'append'
类似,INSERT
语句实际上将默认使用 UPSERT
语义处理。
/**
* 使用 sparksql 操作 kudu 表
* @param sparkSession
* @param sc
* @param kuduMaster
* @param tableName
*/
private def SparkSql2Kudu(sparkSession: SparkSession,
sc: SparkContext, kuduMaster: String, tableName: String): Unit = {
//定义 map 集合,封装 kudu 的 master 地址和表名
val options = Map(
"kudu.master" -> kuduMaster,
"kudu.table" -> tableName
)
val data = List(People(10, "小张", 30), People(11, "小王", 40))
import sparkSession.implicits._
val dataFrame: DataFrame = sc.parallelize(data).toDF
//把 dataFrame 注册成一张表
dataFrame.createTempView("temp1")
//获取 kudu 表中的数据,然后注册成一张表
sparkSession.read.options(options).kudu.createTempView("temp2")
//使用 sparkSQL 的 insert 操作插入数据
sparkSession.sql("insert into table temp2 select * from temp1")
sparkSession.sql("select * from temp2 where age >30").show()
}
4、kudu native RDD
Spark
与 Kudu
的集成同时提供了 Kudu RDD
。
//使用 kuduContext 对象调用 kuduRDD 方法,需要 sparkContext 对象,表名,想要的字段名称
val kuduRDD: RDD[Row] =
kuduContext.kuduRDD(sc, tableName, Seq("name", "age"))
//操作该 rdd 打印输出
val result: RDD[(String, Int)] = kuduRDD.map {
case Row(name: String, age: Int) => (name, age)
}
result.foreach(println)