Fork me on GitHub
Oracle和Elasticsearch数据同步

Python编写Oracle和Elasticsearch数据同步脚本

标签： elasticsearchoraclecx_Oraclepython数据同步
 

一、版本

Python版本 x64 2.7.12 

Oracle（x64 12.1.0.2.0）和Elasticsearch（2.2.0）

python编辑器 PyCharm
 
下载安装请选择适合自己机器的版本
 
二、下载模块
通过官网下载和安装cx_Oracle和pyes模块，分别用于操作Oracle数据库和ES。安装fcntl模块用于解决python脚本单例执行问题。

如果是远程连接数据库和ES，请一定注意安装的模块或包版本。务必选择相应的版本，不然会遇到问题。

三、安装过程中会遇到的问题

cx_Oracle在本地安装过程中出现的一些问题：
1、安装c++for python的环境
2、安装Oracle数据库（或者安装API接口中需要的文件而不必下载配置整个oracle环境）
3、打开数据库工具 oracle SQL developor 按要求创建连接，并新建用户（创建数据库用户名时以c##开头，不然会提示）
4、oracle连接不上远程的服务器，检查版本是否匹配
 
fcntl在windows上安装时出现的问题：
1、用pip install fcntl 报错：indentationerror: unexpected indent（模块版本有问题）
 

四、源码

[python] view plain copy
 
 在CODE上查看代码片派生到我的代码片
  1. # -*- coding: utf-8 -*-  
  2. """ 
  3. 作者：陈龙 
  4. 日期：2016-7-22 
  5. 功能：oracle数据库到ES的数据同步 
  6. """  
  7. import os  
  8. import sys  
  9. import datetime, time  
  10. # import fcntl  
  11. import threading  
  12. import pyes  # 引入pyes模块，ES接口  
  13. import cx_Oracle  # 引入cx_Oracle模块，Oracle接口  
  14.   
  15. os.environ['NLS_LANG'] = 'SIMPLIFIED CHINESE_CHINA.UTF8'  # 中文编码  
  16. reload(sys)  # 默认编码设置为utf-8  
  17. sys.setdefaultencoding('utf-8')  
  18.   
  19. # 创建ES连接 并返回连接参数  
  20. def connect_ES(addr):  
  21.     try:  
  22.         global conn  
  23.         conn = pyes.ES(addr)  # 链接ES '127.0.0.1:9200'  
  24.         print 'ES连接成功'  
  25.         return conn  
  26.     except:  
  27.         print 'ES连接错误'  
  28.         pass  
  29.   
  30. # 创建ES映射mapping 注意各各个字段的类型  
  31. def create_ESmapping():  
  32.     global spiderInfo_mapping, involveVideo_mapping, involveCeefax_mapping,keyWord_mapping,sensitiveWord_mapping  
  33.     spiderInfo_mapping = {'tableName': {'index': 'not_analyzed', 'type': 'string'},  
  34.                           'tableId': {'index': 'not_analyzed', 'type': 'integer'},  
  35.                           'title': {'index': 'analyzed', 'type': 'string'},  
  36.                           'author': {'index': 'not_analyzed', 'type': 'string'},  
  37.                           'content': {'index': 'analyzed', 'type': 'string'},  
  38.                           'publishTime': {'index': 'not_analyzed', 'type': 'string'},  
  39.                           'browseNum': {'index': 'not_analyzed', 'type': 'integer'},  
  40.                           'commentNum': {'index': 'not_analyzed', 'type': 'integer'},  
  41.                           'dataType': {'index': 'not_analyzed', 'type': 'integer'}}  # 除去涉我部分内容的ES映射结构  
  42.     involveVideo_mapping = {'tableName': {'index': 'not_analyzed', 'type': 'string'},  
  43.                             'tableId': {'index': 'not_analyzed', 'type': 'integer'},  
  44.                             'title': {'index': 'analyzed', 'type': 'string'},  
  45.                             'author': {'index': 'not_analyzed', 'type': 'string'},  
  46.                             'summary': {'index': 'analyzed', 'type': 'string'},  
  47.                             'publishTime': {'index': 'not_analyzed', 'type': 'string'},  
  48.                             'url': {'index': 'not_analyzed', 'type': 'string'},  
  49.                             'imgUrl': {'index': 'not_analyzed', 'type': 'string'},  
  50.                             'ranking': {'index': 'not_analyzed', 'type': 'integer'},  
  51.                             'playNum': {'index': 'not_analyzed', 'type': 'integer'},  
  52.                             'dataType': {'index': 'not_analyzed', 'type': 'integer'}}  # 涉我视音频内容的ES映射结构  
  53.     involveCeefax_mapping = {'tableName': {'index': 'not_analyzed', 'type': 'string'},  
  54.                             'tableId': {'index': 'not_analyzed', 'type': 'integer'},  
  55.                             'title': {'index': 'analyzed', 'type': 'string'},  
  56.                             'author': {'index': 'not_analyzed', 'type': 'string'},  
  57.                             'content': {'index': 'analyzed', 'type': 'string'},  
  58.                             'publishTime': {'index': 'not_analyzed', 'type': 'string'},  
  59.                             'keyWords': {'index': 'not_analyzed', 'type': 'string'},  
  60.                             'popularity': {'index': 'not_analyzed', 'type': 'integer'},  
  61.                             'url': {'index': 'not_analyzed', 'type': 'string'},  
  62.                             'dataType': {'index': 'not_analyzed', 'type': 'integer'}}  # 涉我图文资讯内容的ES映射结构  
  63.     keyWord_mapping = {'id':{'index': 'not_analyzed', 'type': 'integer'},  
  64.                       'keywords':{'index': 'not_analyzed', 'type': 'string'}}  
  65.     sensitiveWord_mapping = {'id':{'index': 'not_analyzed', 'type': 'integer'},  
  66.                             'sensitiveType':{'index': 'not_analyzed', 'type': 'string'},  
  67.                             'sensitiveTopic': {'index': 'not_analyzed', 'type': 'string'},  
  68.                             'sensitiveWords': {'index': 'not_analyzed', 'type': 'string'}}  
  69.   
  70. # 创建ES相关索引和索引下的type  
  71. def create_ESindex(ES_index, index_type1,index_type2,index_type3,index_type4,index_type5):  
  72.   
  73.     if conn.indices.exists_index(ES_index):  
  74.         pass  
  75.     else:  
  76.         conn.indices.create_index(ES_index)  # 如果所有Str不存在，则创建Str索引  
  77.         create_ESmapping()  
  78.         conn.indices.put_mapping(index_type1, {'properties': spiderInfo_mapping},[ES_index])  # 在索引pom下创建spiderInfo的_type  "spiderInfo"  
  79.         conn.indices.put_mapping(index_type2, {'properties': involveVideo_mapping},[ES_index])  # 在索引pom下创建involveVideo的_type  "involveVideo"  
  80.         conn.indices.put_mapping(index_type3, {'properties': involveCeefax_mapping},[ES_index])  # 在索引pom下创建involveCeefax的_type  "involveCeefax"  
  81.         conn.indices.put_mapping(index_type4, {'properties': keyWord_mapping}, [ES_index])  
  82.         conn.indices.put_mapping(index_type5, {'properties': sensitiveWord_mapping}, [ES_index])  
  83.     # conn.ensure_index  
  84.   
  85. # 创建数据库连接 并返回连接参数  
  86. def connect_Oracle(name, password, address):  
  87.     try:  
  88.         global conn1  
  89.         # conn1 = cx_Oracle.connect('c##chenlong','1234567890','localhost:1521/ORCL') #链接本地数据库  
  90.         conn1 = cx_Oracle.connect(name, password, address)  # 链接远程数据库 "pom","Bohui@123","172.17.7.118:1521/ORCL"  
  91.         print 'Oracle连接成功'  
  92.         return conn1  
  93.     except:  
  94.         print 'ES数据同步脚本连接不上数据库，请检查connect参数是否正确，或者模块版本是否匹配'  
  95.         pass  
  96.   
  97. def fetch_account(accountcode):  # 取两个‘_’之间的账号名称  
  98.     end = accountcode.find('_')  
  99.     return accountcode[0:end].strip()  
  100. # 根据表的个数创建不同的对象  
  101. # 从记录文档中读取各个表的记录ID，判断各个表的ID是否有变化  
  102. # 分别读取各个表中的相关数据  
  103.   
  104. # 读取各个表的ID与记录的ID(记录在文本或者数据库中)并判断  
  105. """def read_compare_ID(): 
  106.     global tuple_tableName_IdNum 
  107.     global cur 
  108.     tuple_tableName_IdNum = {} 
  109.     tablename = [] 
  110.     cur = conn1.cursor() 
  111.     result1 = cur.execute("select * from tabs")  ##执行数据库操作 读取各个表名 
  112.     row = result1.fetchall() 
  113.     for x in row: 
  114.         tablename.append(x[0])  # 将表名取出并赋值给tablename数组 
  115.         result2 = cur.execute('select {}_ID  from {}'.format(x[0], x[0])) 
  116.         ID_num = result2.fetchall() 
  117.         tuple_tableName_IdNum[x[0]] = ID_num"""  
  118.   
  119. def readOracle_writeES(tableName, ES_index, index_type):  
  120.     global cc  
  121.     cur = conn1.cursor()  
  122.     #result_AlltableNames = cur.execute("select * from tabs")  
  123.     result_latestId = cur.execute("select max({}_Id) from {} ".format(tableName,tableName))  
  124.     num1 = result_latestId.fetchone() #当前表中的最大ID  
  125.     print '当前表中的最大ID{}'.format(num1[0])  
  126.     result_rememberId = cur.execute("select tableId from T_REMEMBERID where tableName='{}'".format(tableName.upper())) #通过数据库表拿到更新的ID tablename 都转化成大写  
  127.     num2 = result_rememberId.fetchone() #上次记录的更新ID  
  128.     print '上次记录的更新ID{}'.format(num2[0])  
  129.     if tableName.upper() == 'T_SOCIAL':  
  130.         while num2[0] < num1[0]:  
  131.             result_readOracle = cur.execute("select {}_ID,title,author,content,publishTime,browseNum,likeNum,forwardNum,commentNum,accountCode from {} where {}_ID > {} and rownum<=40 ".format(tableName, tableName, tableName, num2[0]))  
  132.             result_tuple1 = result_readOracle.fetchall()  #之前是因为数据量太大，超过了变量的内存空间，所以用fetchmany取40条  后来大神建议数据库中限制查询数 然后fetchall，这样查询更有效率  
  133.             for i in result_tuple1:  #一条一条写入ES，这个速度太慢，改进 通过bulk接口导入  
  134.                 aa= (i[5]+i[6])  
  135.                 bb=  (i[7]+i[8])  
  136.                 if conn.index(  
  137.                     {'tableName': tableName, 'tableId': i[0], 'title': unicode(i[1]), 'author': unicode(i[2]),  
  138.                     'content': unicode(i[3]), 'publishTime': str(i[4]), 'browseNum': aa,  
  139.                     'commentNum':bb, 'dataType':fetch_account(i[9])}, ES_index, index_type,bulk=True):  # 将数据写入索引pom的spiderInfo  
  140.                     cc += 1  
  141.                     print 'bulk导入后的ID:{}'.format(i[0])  
  142.             rememberId = i[0] #如果写入成功才赋值  
  143.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId,tableName))  
  144.             conn1.commit()  
  145.             result_rememberId = cur.execute("select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  146.             num2 = result_rememberId.fetchone()  
  147.         print "{}读{}写成功".format(tableName,index_type)  
  148.     if tableName.upper() == 'T_HOTSEARCH':  
  149.         while num2[0] < num1[0]:  
  150.             result_readOracle = cur.execute("select {}_ID,accountCode,title,publishTime from {} where {}_ID > {} and rownum<=40 ".format(tableName, tableName, tableName, num2[0]))  
  151.             result_tuple1 = result_readOracle.fetchall()  # 之前是因为数据量太大，超过了变量的内存空间，所以用fetchmany取40条  后来大神建议数据库中限制查询数 然后fetchall，这样查询更有效率  
  152.             for i in result_tuple1:  #一条一条写入ES，这个速度太慢，改进 通过bulk接口导入  
  153.                 if conn.index(  
  154.                     {'tableName': tableName, 'tableId': i[0], 'title': unicode(i[2]),'author': '','content': '', 'publishTime': str(i[3]), 'browseNum': 0,  
  155.                     'commentNum': 0, 'dataType': fetch_account(i[1])}, ES_index, index_type,bulk=True):  # 将数据写入索引pom的spiderInfo  
  156.                     cc += 1  
  157.                     print 'bulk导入后的ID:{}'.format(i[0])  
  158.             rememberId = i[0]  
  159.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId, tableName))  
  160.             conn1.commit()  
  161.             result_rememberId = cur.execute("select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  162.             num2 = result_rememberId.fetchone()  
  163.         print "{}读{}写成功".format(tableName, index_type)  
  164.     if tableName.upper() == 'T_VIDEO_HOT':  
  165.         while num2[0] < num1[0]:  
  166.             result_readOracle = cur.execute("select {}_ID,accountCode,title,Author,publishTime from {} where {}_ID > {} and rownum<=40 ".format(tableName,tableName,tableName,num2[0]))  
  167.             result_tuple1 = result_readOracle.fetchall()  # 之前是因为数据量太大，超过了变量的内存空间，所以用fetchmany取40条  后来大神建议数据库中限制查询数 然后fetchall，这样查询更有效率  
  168.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  169.                 if conn.index(  
  170.                     {'tableName': tableName, 'tableId': i[0], 'title': unicode(i[2]),'author': unicode(i[3]),  
  171.                     'content': '', 'publishTime': str(i[4]), 'browseNum': 0,  
  172.                     'commentNum': 0, 'dataType': fetch_account(i[1])}, ES_index, index_type, bulk=True):  # 将数据写入索引pom的spiderInfo  
  173.                     cc += 1  
  174.                     print 'bulk导入后的ID:{}'.format(i[0])  
  175.             rememberId = i[0]  
  176.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId, tableName))  
  177.             conn1.commit()  
  178.             result_rememberId = cur.execute("select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  179.             num2 = result_rememberId.fetchone()  
  180.         print "{}读写成功".format(tableName)  
  181.     if tableName.upper() == 'T_PRESS':  
  182.         while num2[0] < num1[0]:  
  183.             result_readOracle = cur.execute(  
  184.                 "select {}_ID,accountCode,title,Author,PublishDate,Content from {} where {}_ID > {} and rownum<=40 ".format(  
  185.                     tableName, tableName, tableName, num2[0]))  
  186.             result_tuple1 = result_readOracle.fetchall()  # 之前是因为数据量太大，超过了变量的内存空间，所以用fetchmany取40条  后来大神建议数据库中限制查询数 然后fetchall，这样查询更有效率  
  187.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  188.                 if conn.index(  
  189.                     {'tableName': tableName, 'tableId': i[0], 'title': unicode(i[2]),'author': unicode(i[3]),  
  190.                     'content': unicode(i[5]), 'publishTime': str(i[4]), 'browseNum': 0,  
  191.                     'commentNum': 0, 'dataType': fetch_account(i[1])}, ES_index, index_type,bulk=True):  # 将数据写入索引pom的spiderInfo  
  192.                     cc += 1  
  193.                     print 'bulk导入后的ID:{}'.format(i[0])  
  194.             rememberId = i[0]  
  195.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId, tableName))  
  196.             conn1.commit()  
  197.             result_rememberId = cur.execute(  
  198.                 "select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  199.             num2 = result_rememberId.fetchone()  
  200.         print "{}读写成功".format(tableName)  
  201.     if tableName.upper() == 'T_INDUSTRY':  
  202.         while num2[0] < num1[0]:  
  203.             result_readOracle = cur.execute(  
  204.                 "select {}_ID,accountCode,title,Author,PublishTime,Content,BrowseNum from {} where {}_ID > {} and rownum<=40 ".format(  
  205.                     tableName, tableName, tableName, num2[0]))  
  206.             result_tuple1 = result_readOracle.fetchall()  # 之前是因为数据量太大，超过了变量的内存空间，所以用fetchmany取40条  后来大神建议数据库中限制查询数 然后fetchall，这样查询更有效率  
  207.   
  208.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  209.                 if conn.index(  
  210.                     {'tableName': tableName, 'tableId': i[0], 'title': unicode(i[2]),'author': unicode(i[3]),  
  211.                     'content': unicode(i[5]), 'publishTime': str(i[4]), 'browseNum': i[6],  
  212.                     'commentNum': 0, 'dataType': fetch_account(i[1])}, ES_index, index_type,bulk=True) : # 将数据写入索引pom的spiderInfo  
  213.                     cc += 1  
  214.                     print 'bulk导入后的ID:{}'.format(i[0])  
  215.             rememberId = i[0]  
  216.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId, tableName))  
  217.             conn1.commit()  
  218.             result_rememberId = cur.execute(  
  219.                 "select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  220.             num2 = result_rememberId.fetchone()  
  221.         print "{}读写成功".format(tableName)  
  222.     if tableName.upper() == 'T_SOCIAL_SITESEARCH':  
  223.         while num2[0] < num1[0]:  
  224.             result_readOracle = cur.execute('select {}_ID,title,author,content,publishTime,keyWords,browseNum,likeNum,forwardNum,commentNum,url,accountCode from {} where ({}_ID > {})'.format(tableName, tableName, tableName, num2[0]))  
  225.             result_tuple1 = result_readOracle.fetchmany(50)  #因为数据量太大，超过了变量的内存空间，所以一次性取40条  
  226.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  227.                 popularity = (i[6] + i[7] + i[8] * 2 + i[9] * 2)  
  228.                 if conn.index(  
  229.                     {'tableName': tableName,'tableId':i[0],'title': unicode(i[1]),'author':unicode(i[2]),  
  230.                     'content':unicode(i[3]),'publishTime':str(i[4]),'keyWords':unicode(i[5]),  
  231.                     'popularity':popularity,'url': i[10],  
  232.                     'dataType':fetch_account(i[11])}, ES_index, index_type, bulk=True):  # 将数据写入索引pom的spiderInfo  
  233.                     cc += 1  
  234.                     print 'bulk导入后的ID:{}'.format(i[0])  
  235.             rememberId = i[0]  
  236.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId,tableName))  
  237.             conn1.commit()  
  238.             result_rememberId = cur.execute("select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  239.             num2 = result_rememberId.fetchone()  
  240.         print "{}读写成功".format(tableName)  
  241.     if tableName.upper() == 'T_REALTIME_NEWS':  
  242.         while num2[0] < num1[0]:  
  243.             result_readOracle = cur.execute("select {}_ID,title,author,content,publishTime,browseNum,commentNum,accountCode,url from {} where {}_ID > {} and rownum<=40 ".format(tableName, tableName, tableName, num2[0]))  
  244.             result_tuple1 = result_readOracle.fetchall()  # 之前是因为数据量太大，超过了变量的内存空间，所以用fetchmany取40条  后来大神建议数据库中限制查询数 然后fetchall，这样查询更有效率  
  245.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  246.                 popularity = (i[5] + i[6] * 2)  
  247.                 if conn.index(  
  248.                     {'tableName': tableName,'tableId':i[0],'title': unicode(i[1]),'author':unicode(i[2]),  
  249.                     'content':unicode(i[3]),'publishTime':str(i[4]),'keyWords':unicode(''),  
  250.                     'popularity':popularity,'url': i[8],'dataType':fetch_account(i[7])}, ES_index, index_type, bulk=True):  # 将数据写入索引pom的spiderInfo  
  251.                     cc += 1  
  252.                     print 'bulk导入后的ID:{}'.format(i[0])  
  253.             rememberId = i[0]  
  254.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId, tableName))  
  255.             conn1.commit()  
  256.             result_rememberId = cur.execute(  
  257.                 "select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  258.             num2 = result_rememberId.fetchone()  
  259.         print "{}读{}写成功".format(tableName, index_type)  
  260.     if tableName.upper() == 'T_KEY_NEWS':  
  261.         while num2[0] < num1[0]:  
  262.             result_readOracle = cur.execute("select {}_ID,title,author,content,publishTime,browseNum,commentNum,accountCode,url from {} where {}_ID > {} and rownum<=40 ".format(tableName, tableName, tableName, num2[0]))  
  263.             result_tuple1 = result_readOracle.fetchall()  # 之前是因为数据量太大，超过了变量的内存空间，所以用fetchmany取40条  后来大神建议数据库中限制查询数 然后fetchall，这样查询更有效率  
  264.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  265.                 popularity = (i[5] + i[6] * 2)  
  266.                 if conn.index(  
  267.                     {'tableName': tableName,'tableId':i[0],'title': unicode(i[1]),'author':unicode(i[2]),  
  268.                     'content':unicode(i[3]),'publishTime':str(i[4]),'keyWords':unicode(''),  
  269.                     'popularity':popularity,'url': i[8],'dataType':fetch_account(i[7])}, ES_index, index_type, bulk=True):  # 将数据写入索引pom的spiderInfo  
  270.                     cc += 1  
  271.                     print 'bulk导入后的ID:{}'.format(i[0])  
  272.             rememberId = i[0]  
  273.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId, tableName))  
  274.             conn1.commit()  
  275.             result_rememberId = cur.execute(  
  276.                 "select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  277.             num2 = result_rememberId.fetchone()  
  278.         print "{}读{}写成功".format(tableName, index_type)  
  279.     if tableName.upper() == 'T_LOCAL_NEWS':  
  280.         while num2[0] < num1[0]:  
  281.             result_readOracle = cur.execute("select {}_ID,title,author,content,publishTime,browseNum,commentNum,accountCode,url from {} where {}_ID > {} and rownum<=40 ".format(tableName, tableName, tableName, num2[0]))  
  282.             result_tuple1 = result_readOracle.fetchall()  # 之前是因为数据量太大，超过了变量的内存空间，所以用fetchmany取40条  后来大神建议数据库中限制查询数 然后fetchall，这样查询更有效率  
  283.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  284.                 popularity = (i[5] + i[6] * 2)  
  285.                 if conn.index(  
  286.                     {'tableName': tableName, 'tableId': i[0], 'title': unicode(i[1]), 'author': unicode(i[2]),  
  287.                     'content': unicode(i[3]), 'publishTime': str(i[4]), 'keyWords': unicode(''),  
  288.                     'popularity': popularity, 'url': i[8], 'dataType': fetch_account(i[7])}, ES_index, index_type,bulk=True):  # 将数据写入索引pom的spiderInfo  
  289.                     cc += 1  
  290.                     print 'bulk导入后的ID:{}'.format(i[0])  
  291.             rememberId = i[0]  
  292.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId, tableName))  
  293.             conn1.commit()  
  294.             result_rememberId = cur.execute(  
  295.                 "select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  296.             num2 = result_rememberId.fetchone()  
  297.         print "{}读{}写成功".format(tableName, index_type)  
  298.     if tableName.upper() == 'T_VIDEO_SITESEARCH':  
  299.         while num2[0] < num1[0]:  
  300.             result_readOracle = cur.execute("select {}_ID,accountCode,title,Author,publishTime,url,imgUrl,playNum,keyWords from {} where {}_ID > {} and rownum<=40 ".format(tableName, tableName, tableName, num2[0]))  
  301.             result_tuple1 = result_readOracle.fetchall()  # 之前是因为数据量太大，超过了变量的内存空间，所以用fetchmany取40条  后来大神建议数据库中限制查询数 然后fetchall，这样查询更有效率  
  302.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  303.                 if conn.index(  
  304.                     {  
  305.                     'tableName': tableName, 'tableId': i[0], 'title': unicode(i[2]), 'author': unicode(i[3]),  
  306.                     'summary': unicode('0'), 'publishTime': str(i[4]), 'browseNum': i[7],'url':i[5],'imgUrl':i[6],'ranking':0,  
  307.                     'playNum': 0, 'dataType': fetch_account(i[1])}, ES_index, index_type,bulk=True):  # 将数据写入索引pom的spiderInfo  
  308.                     cc += 1  
  309.                     print 'bulk导入后的ID:{}'.format(i[0])  
  310.             rememberId = i[0]  
  311.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId, tableName))  
  312.             conn1.commit()  
  313.             result_rememberId = cur.execute(  
  314.                 "select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  315.             num2 = result_rememberId.fetchone()  
  316.         print "{}读{}写成功".format(tableName,index_type)  
  317.     if tableName.upper() == 'T_BASE_KEYWORDS':  
  318.         while num2[0] < num1[0]:  
  319.             result_readOracle = cur.execute('select {}_ID,keywords from {} where {}_ID > {} and rownum<=50'.format(tableName, tableName, tableName, num2[0]))  
  320.             result_tuple1 = result_readOracle.fetchall()  #因为数据量太大，超过了变量的内存空间，所以一次性取40条  
  321.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  322.                 if conn.index({'id': i[0], 'keywords': i[1]}, ES_index, index_type,bulk=True):  # 将数据写入索引pom的spiderInfo  
  323.                     cc += 1  
  324.                     print 'bulk导入后的ID:{}'.format(i[0])  
  325.             rememberId = i[0]  
  326.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId,tableName))  
  327.             conn1.commit()  
  328.             result_rememberId = cur.execute("select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  329.             num2 = result_rememberId.fetchone()  
  330.         print "{}读写成功".format(tableName)  
  331.     if tableName.upper() == 'T_BASE_SENSITIVEWORDS':  
  332.         while num2[0] < num1[0]:  
  333.             result_readOracle = cur.execute('select {}_ID,SensitiveType,SensitiveTopic,SensitiveWords from {} where {}_ID > {} and rownum<=50'.format(tableName, tableName, tableName,num2[0]))  
  334.             result_tuple1 = result_readOracle.fetchall()  # 因为数据量太大，超过了变量的内存空间，所以一次性取40条  
  335.             for i in result_tuple1:  # 一条一条写入ES，这个速度太慢，强烈需要改进 通过bulk接口导入？  
  336.                 if conn.index({'id':i[0],  
  337.                             'sensitiveType':unicode(i[1]),  
  338.                             'sensitiveTopic': unicode(i[2]),  
  339.                             'sensitiveWords':unicode(i[3])}, ES_index, index_type, bulk=True):  # 将数据写入索引pom的spiderInfo  
  340.                     cc +=1  
  341.             print 'bulk导入后的ID:{}'.format(i[0])  
  342.             rememberId = i[0]  
  343.             cur.execute("update T_REMEMBERID set tableId = {} where tableName = '{}'".format(rememberId, tableName))  
  344.             conn1.commit()  
  345.             result_rememberId = cur.execute("select tableId from T_REMEMBERID where tableName='{}'".format(tableName))  # 通过数据库表拿到更新的ID  
  346.             num2 = result_rememberId.fetchone()  
  347.         print "{}读写成功".format(tableName)  
  348.     else:  
  349.         pass  
  350.   
  351. def ww(a):  
  352.     while True:  
  353.         print a  
  354.         time.sleep(0.5)  #用于多线程的一个实验函数  
  355.   
  356. if __name__ == "__main__":  
  357.     cc = 0  
  358.     connect_ES('172.17.5.66:9200')  
  359.     # conn.indices.delete_index('_all')  # 清除所有索引  
  360.     create_ESindex("pom", "spiderInfo", "involveVideo", "involveCeefax","keyWord","sensitiveWord")  
  361.     connect_Oracle("pom", "Bohui@123", "172.17.7.118:1521/ORCL")  
  362.     # thread.start_new_thread(readOracle_writeES,("T_SOCIAL","pom","spiderInfo"),)#创建一个多线程  
  363.     # thread.start_new_thread(readOracle_writeES,("T_SOCIAL_SITESEARCH", "pom", "spiderInfo"),)#创建一个多线程  
  364.     mm = time.clock()  
  365.     readOracle_writeES("T_SOCIAL", "pom", "spiderInfo") #表名虽然在程序中设置了转化为大写，但是还是全大写比较好  
  366.     readOracle_writeES("T_HOTSEARCH", "pom", "spiderInfo")  
  367.     readOracle_writeES("T_VIDEO_HOT", "pom", "spiderInfo")  
  368.     readOracle_writeES("T_PRESS", "pom", "spiderInfo")  
  369.     readOracle_writeES("T_INDUSTRY", "pom", "spiderInfo")  
  370.     readOracle_writeES("T_VIDEO_SITESEARCH", "pom", "involveVideo")  
  371.     readOracle_writeES("T_REALTIME_NEWS", "pom", "involveCeefax")  
  372.     readOracle_writeES("T_KEY_NEWS", "pom", "involveCeefax")  
  373.     readOracle_writeES("T_LOCAL_NEWS", "pom", "involveCeefax")  
  374.     readOracle_writeES("T_SOCIAL_SITESEARCH", "pom", "involveCeefax")  
  375.     readOracle_writeES("T_BASE_KEYWORDS", "pom", "keyWord")  
  376.     readOracle_writeES("T_BASE_SENSITIVEWORDS", "pom", "sensitiveWord")  
  377.     nn = time.clock()  
  378.     # conn.indices.close_index('pom')  
  379.     conn1.close()  
  380.     print '数据写入耗时：{}  成功写入数据{}条'.format(nn-mm,cc)  
  381.   
  382. #实验多线程  
  383.     """ 
  384.     while a < 100: 
  385.         conn.index( 
  386.             {'tableName': 'T_base_account', 'type': '1', 'tableId': '123', 'title': unicode('陈龙'), 'author': 'ABC', 
  387.             'content': 'ABC', 'publishTime': '12:00:00', 'browseNum': '12', 'commentNum': '12', 'dataType': '1'}, 
  388.             "pom", "spiderInfo", )  # 将数据写入索引pom的spiderInfo 
  389.         a += 1 
  390.     print time.ctime() 
  391.     """  
  392. """ 
  393.     threads = [] 
  394.     t1 = threading.Thread(target=readOracle_writeES,args=("T_SOCIAL","pom","spiderInfo")) 
  395.     threads.append(t1) 
  396.     #t3 = threading.Thread(target=ww,args=(10,)) 
  397.     #threads.append(t3) 
  398.     #t2 = threading.Thread(target=readOracle_writeES,args=("T_SOCIAL_SITESEARCH", "pom", "spiderInfo")) 
  399.     #threads.append(t2) 
  400.     print time.ctime() 
  401.     for t in threads: 
  402.         t.setDaemon(True) 
  403.         t.start() 
  404.     t.join() 
  405. """  

五、编译过程的问题
 
1、直接print游标cur.execute ( ) 将不能得到我们想要的结果
 
result2 = cur.execute('select T_SOCIAL_ID from T_SOCIAL')
print result2
返回：<__builtin__.OracleCursor on <cx_Oracle.Connection to pom@172.17.7.118:1521/ORCL>>
 
 
result2 = cur.execute('select T_SOCIAL_ID  from T_SOCIAL')
print result2
num = result2.fetchall()
print num
for i in num:
    print i[0]

 
返回：[(55,), (56,), (57,), (58,), (59,), (60,), (61,), (62,), (63,), (64,), (65,), (66,), (67,), (68,), (69,), (70,)]
     55
注意：用fetchall()得到的数据为：[(55,), (56,), (57,), (58,), (59,)] 元组而不是数字。
用 变量[num] 的方式取出具体的数值
 
2、cx_Oracle中文编码乱码问题
 
显示中文乱码：������DZ��� �����������
或者显示未知的编码：('\xce\xd2\xd5\xe6\xb5\xc4\xca\xc7\xb1\xea\xcc\xe2',)
需要注意一下几个地方，将数据库中的中文编码转化成utf-8编码，并将中文写入elasticsearch
 
os.environ['NLS_LANG'] = 'SIMPLIFIED CHINESE_CHINA.UTF8' #中文编码
 
 
reload(sys) #默认编码设置为utf-8 一定需要reload（sys）
sys.setdefaultencoding('utf-8')
 
'title':unicode('中文')
 
python传递给js的列表中文乱码怎么解决？  
json.dumps(dictionary,ensure_ascii=False)
 
 
3、远程连接不上Oracle数据库的问题
 
第一：确保connect（）中各个参数的值都正确。例如
 
conn1 = cx_Oracle.connect("username","password","172.17.7.118:1521/ORCL")  #连接远程数据库
conn1 = cx_Oracle.connect('username','password','localhost:1521/ORCL') #连接本地数据库
conn2 = pyes.ES('127.0.0.1:9200')  #连接ES
 
第二：确保安装的版本都符合要求，包括模块的版本。
 
4、提示TypeError: 'NoneType' object is not callable
 
确保mapping中的各个字段类型都设置正确
检查索引和映射是否都书写正确
 
5、脚本同时读取多个数据库表
涉及到Python中多线程的问题，给每一个表起一个线程，同时给每一个线程加锁
编译时碰到问题：AssertionError: group argument must be None for now（检查函数是否书写正确，读写冲突）
AttributeError: 'builtin_function_or_method' object has no attribute 'setDaemon'
cx_Oracle.ProgrammingError: LOB variable no longer valid after subsequent fetch（fetchall数据量过大，溢出 设置一次取数据库中 rownum数）
TypeError: 'NoneType' object has no attribute '__getitem__'  （注意数据库查询对应的大小写）
No handlers could be found for logger "pyes"  可能是连接超时
AttributeError: 'tuple' object has no attribute 'append'   tuple不能直接用append
TypeError: 'tuple' object does not support item assignment  tuple不能赋值
数据库批量读取
就多线程问题咨询了大神，大神建议用多进程来实现会比较简单
 
6、脚本定时触发问题
Linux crontab定时执行任务，crontab防止脚本周期内未执行完重复执行
 
 
7、单实例的问题。防止脚本没有执行完再次触发
刚开始设想在脚本中完成，后来知道这个可以在系统中设定
 
8、数据同步插件
网上有大量的关于同步关系型数据库的有关插件 logstash-input-jdbc  不太好安装，不知道如何使用。
MySQL和ES同步插件的介绍，例如elasticsearch-river-jdbc
在这儿启用的是bulk接口，批量导入。数据同步的速度大大提高
 
9、判断数据是否同步成功
这个是之前一直没有注意的问题，但其实在数据传输的时候是非常重要的。
目前的判断方法是看ES中的数据量到底有多少，然后对照统计量进行判断分析，，这也是在后期发现有部分数据没有同步过去的方法。
 
10、统计写入了多少数据
UnboundLocalError: local variable 'cc' referenced before assignment 
定义了全局变量cc，但是在局部进行了修改，所以报错 修改同名的全局变量，则认为是一个局部变量
 
五、源码改进
因为数据写入的速度太慢（40条数据 800Kb大小 写入花费2S左右），所有在原来的基础上，修改了读取数据库中未写入内容的策略和ES写入的策略。
 
插入完成的源码
 
调试问题：
1、pip install elasticsearch  引入helpers函数模块，使用bulk函数批量导入。
2、AttributeError: 'ES' object has no attribute 'transport'  因为原来使用的是pyes模块 现在换成了elasticsearch,所以改成对应模块
conn2 = Elasticsearch("127.0.0.1:9200")
其他常见错误
    SerializationError：JSON数据序列化出错，通常是因为不支持某个节点值的数据类型
    RequestError：提交数据格式不正确
    ConflictError：索引ID冲突
    TransportError：连接无法建立
 
最后通过了解其实是找到了数据同步的插件 logstash-input-jdbc 能够实现数据的同步增删改查，按照网上的教程能够很轻松的实现，遇到的问题就是插件同步过去的字段都必须是小写。
 
------------
Python中cx_Oracle的一些函数：
commit() 提交
rollback() 回滚
cursor用来执行命令的方法:
callproc(self, procname, args):用来执行存储过程,接收的参数为存储过程名和参数列表,返回值为受影响的行数
execute(self, query, args):执行单条sql语句,接收的参数为sql语句本身和使用的参数列表,返回值为受影响的行数
executemany(self, query, args):执行单挑sql语句,但是重复执行参数列表里的参数,返回值为受影响的行数
nextset(self):移动到下一个结果集

cursor用来接收返回值的方法:
fetchall(self):接收全部的返回结果行.
fetchmany(self, size=None):接收size条返回结果行.如果size的值大于返回的结果行的数量,则会返回cursor.arraysize条数据.
fetchone(self):返回一条结果行.
scroll(self, value, mode='relative'):移动指针到某一行.如果mode='relative',则表示从当前所在行移动value条,如果 mode='absolute',则表示从结果集的第一行移动value条.
MySQL中关于中文编码的问题
conn = MySQLdb.Connect(host='localhost', user='root', passwd='root', db='python') 中加一个属性：
conn = MySQLdb.Connect(host='localhost', user='root', passwd='root', db='python',charset='utf8') 
charset是要跟你数据库的编码一样，如果是数据库是gb2312 ,则写charset='gb2312'。
posted on 2016-11-17 20:53  HackerVirus  阅读(8008)  评论(1)  编辑  收藏  举报
Powered by:
博客园
Copyright © 2024 HackerVirus
Powered by .NET 8.0 on Kubernetes