使用pyspark模仿sqoop从oracle导数据到hive的主要功能（自动建表，分区导入，增量，解决数据换行符问题）
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 import sys 2 from pyspark.sql import HiveContext 3 from pyspark import SparkConf, SparkContext, SQLContext 4 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", "STUDENT") \ 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 STUDENT 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 NULL AUTO_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 ）
import MySQLdb # insert update delete def conMysqlDB_exec(sqlStr): db = MySQLdb.connect("192.168.xxx.xxx", "xx", "xx", "xx", charset='utf8' ) cursor = db.cursor() try: cursor.execute(sqlStr) db.commit() result = True except: print("---->MySqlError: execute error") result = False db.rollback() db.close return result # select def conMysqlDB_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.close return 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 b
try: #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) if conMysqlDB_exec(updataJobSql): print("---->SUCCESS: incremental import success") except ValueError: 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（😓） 2 schema = df.schema 3 rdd = df.map(lambda x : [(x[i].replace("\n","").replace("\r","") if isinstance(x[i], unicode) or isinstance(x[i], str) else x[i]) for i in range(len(x))]) 4 df = sqlContext.createDataFrame(rdd, schema)
完成代码我已经上传到github上了https://github.com/yangzijia/learnSpark ,
总结：使用spark进行数据导入和增量导入与sqoop做对比，80张表，sqoop 4分钟多，使用此方法，0.7分钟，（同是没有新数据的前提下），普通导表，此方法5分钟，80张大表（外网oracle），sqoop的话我就不说了，当时一张200万数据的表导了一晚上。。。
初次写这么多话，内容不是很紧凑，如果大家还有其他的问题，欢迎在评论区留言提意见。
