使用pyspark模仿sqoop從oracle導數據到hive的主要功能（自動建表，分區導入，增量，解決數據換行符問題）

　　最近公司開始做大數據項目，讓我使用sqoop（1.6.4版本）導數據進行數據分析計算，然而當我們將所有的工作流都放到azkaban上時整個流程跑完需要花費13分鍾，而其中導數據（增量）就占了4分鍾左右，老板給我提供了使用 spark 導數據的思路，學習整理了一個多星期，終於實現了sqoop的主要功能。

　　這里我使用的是pyspark完成的所有操作。

　　

　　條件：hdfs平台，pyspark，ubuntu系統

　　運行：我這里是在 /usr/bin 目錄下（或者指定在此目錄下 ）運行的python文件，也可以使用系統自帶的pyspark

./spark-submit --jars "/home/engyne/spark/ojdbc7.jar" --master local  /home/engyne/spark/SparkDataBase.py

　　其中--jars 是指定連接oracle的驅動，ojdbc7.jar對應的是oracle12版本，--master local /...指定的是運行的python文件

　　注意：我的代碼沒有解決中文問題，所以不管是注釋還是代碼中都不能出現中文，記得刪除！！！

 

　　1、pyspark連接oracle，導數據到hive（后面的代碼需要在此篇代碼基礎上進行，重復代碼不再copy了）

import sys
from pyspark.sql import HiveContext
from pyspark import SparkConf, SparkContext, SQLContext

conf = SparkConf().setAppName('inc_dd_openings')
sc = SparkContext(conf=conf)
sqlContext = HiveContext(sc)

#以下是為了在console中打印出表內容
reload(sys)
sys.setdefaultencoding("utf-8")

get_df_url = "jdbc:oracle:thin:@//192.168.1.1:1521/ORCLPDB"
get_df_driver = "oracle.jdbc.driver.OracleDriver"
get_df_user = "xxx"
get_df_password = "xxx"
 
df = sqlContext.read.format("jdbc") \
    .option("url", get_df_url) \
    .option("driver", get_df_driver) \
    .option("dbtable", "STUDENT") \
    .option("user",  get_df_user).option("password", get_df_password) \
    .load()
#df.show() #可以查看到獲取的表的內容，默認顯示20行
sqlContext.sql("use databaseName")    #databaseName指定使用hive中的數據庫
#創建臨時表
df.registerTempTable("tempTable")
#創建表並寫入數據
sqlContext.sql("create table STUDENT as select * from tempTable")

　　2、pyspark在hive中創建動態分區表

#修改一下hive的默認設置以支持動態分區
sqlContext.sql("set hive.exec.dynamic.partition=true")
sqlContext.sql("set hive.exec.dynamic.partition.mode=nonstrict")
#設置hive支持創建分區文件的最大值
sqlContext.sql("SET hive.exec.max.dynamic.partitions=100000")
sqlContext.sql("SET hive.exec.max.dynamic.partitions.pernode=100000")

　　這里需要先手動創建分區表，我使用dataframe的dtypes屬性獲取到表結構，然后循環拼接表的每個字段在hive中所對應的類型

　　最后寫入表數據的代碼是：

sqlContext.sql("insert overwrite table STUDENT partition(AGE) SELECT ID,NAME,UPDATETIME,AGE FROM tempTable"）

 　　3、實現增量導入數據

　　我這里使用了MySql數據庫，用來存儲增量導入的信息，創建表（job）

DROP TABLE IF EXISTS `job`;

CREATE TABLE `job` (
  `id` int(10) NOT NULL AUTO_INCREMENT,
  `database_name` varchar(50) DEFAULT NULL,     --數據庫名稱
  `table_name` varchar(100) DEFAULT NULL,       --需要增量導入的表名
  `partition_column_name` varchar(100) DEFAULT NULL,        --分區的字段名（這里只考慮對一個字段分區，如果多個字段這里應該使用一對多表結構吧）
  `partition_column_desc` varchar(50) DEFAULT NULL,     --分區字段類型
  `check_column` varchar(50) DEFAULT NULL,      --根據（table_name中）此字段進行增量導入校驗（我這里例子使用的是updatetime）
  `last_value` varchar(255) DEFAULT NULL,       --校驗值
  `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;

　　存儲STUDENT表增量導入信息（這里是為了演示）

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 連接MySql的方法我這里就直接懟代碼了，具體詳解大家就看菜鳥教程

　　Ubuntu需要安裝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

　　查詢增量信息，使用spark進行導入

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)) \    #這里是關鍵，直接查詢出新增的數據，這樣后面的速度才能提升，否則要對整個表的dataframe進行操作，慢死了，千萬不要相信dataframe的filter，where這些東西，4萬多條數據要查3分鍾！！！
            .option("user", "xxx").option("password", "xxx") \
            .load()

def  max(a, b):
　　　　if a>b:
　　　　　　return a
　　　　else:
　　　　　　return b

try:
    #獲取到新增字段的最大值！！！（這塊也困了我好久）這里使用的是python的reduce函數，調用的max方法
    nowLastValue = df.rdd.reduce(max)[checkColumn]

    df.registerTempTable("temp")#寫入內容
    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、解決導入數據換行符問題

　　有時候oracle中的數據中會存在換行符（" \n "）然而hive1.1.0中數據換行默認識別的也是\n，最坑的是還不能對它進行修改（目前我沒有查出修改的方法，大家要是有辦法歡迎在評論區討論）那我只能對數據進行處理了，以前使用sqoop的時候也有這個問題，所幸sqoop有解決換行符的語句，，，，巴拉巴拉，，，扯遠了

　　解決換行符需要dataframe的map方法，然后使用lambda表達式進行replace，總結好就是下面的代碼（第3行）

　　解釋：這是個for循環里面加if else 判斷，整個需要用  [ ]  包起來，沒錯這是個list ，如果不包就報錯，lambda x 獲取到的是表中一行行的數據，for循環對每一行進行遍歷，然后對一行中每個字段進行判斷，是否是unicode或者str類型，（一般只有是這兩個類型才存在換行符）如果是則進行replace處理，否則不做處理。

　　轉化好之后這是個rdd類型的數據，需要轉化為dataframe類型才能寫入hive

#df自帶獲取schema的方法,不要學我去拼湊出來（😓）
schema = df.schema
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))])
df = sqlContext.createDataFrame(rdd, schema)

 

---

 

　　完成代碼我已經上傳到github上了https://github.com/yangzijia/learnSpark ,

　　總結：使用spark進行數據導入和增量導入與sqoop做對比，80張表，sqoop 4分鍾多，使用此方法，0.7分鍾，（同是沒有新數據的前提下），普通導表，此方法5分鍾，80張大表（外網oracle），sqoop的話我就不說了，當時一張200萬數據的表導了一晚上。。。

 

　　初次寫這么多話，內容不是很緊湊，如果大家還有其他的問題，歡迎在評論區留言提意見。