写在前面
使用SparkSQL读取数据库数据并返回dataframe,感觉都要被各种示例写烂了,本文大体上是没有新意的,只不过加了些细节,对需要的人的而言还是比较重要的。
此外,示例方法均是使用Java编写,为什么不用Scala呢,实在是语法糖对于我这样的水平最多只到泛型为止的人而言,过于抽象了,过了一个月就不太记得之前写的是啥了,还是习惯明确对象。
正文
介绍下几块细节吧。
-
驱动使用getDriver方法获取,注意其中的hbase指的是phoenix而不是原生HBase。
-
使用sql语句获取数据并进行处理。答案就在dbtable参数中传入sql 语句并且sql语句需要包裹一层,并且另起一个别名作为表名。
option("dbtable", "(select * from table) wangleai")
- 在使用oracle的时候,可以使用sessionInitStatement参数在会话创建之后读取数据之前,执行自定义sql语句,一般用于修改会话的相关配置。注意此参数只有在2.3版本以上才有。官网链接
至于我代码里写的sql的作用,那是用来改变日期类型和时间戳类型的默认时间格式,这样在sql语句里就可以直接这么写了(用于增量是巨好用的)。
option("oracle.jdbc.mapDateToTimestamp", "false").option("sessionInitStatement", initSql)
select * from table where datefield > '2019-11-01 00:00:00'
- 这个是重头戏了,那就是分区字段!如果需要获取并处理超大规模的数据时,建议一定要有分区字段,用于partitionColumn, numPartitions,lowerBound, upperBound这四个选项。
partitionColumn字段目前仅支持数字、日期或者时间戳,用于Spark程序使用此字段内容将数据分成多个区块去执行。numPartitions决定了要分成多少个区域,lowerBound和upperBound分别使用partitionColumn的上届和下届,配合numPartitions决定每个区域使用哪些数据。
注意的是,partitionColumn, lowerBound, upperBound三者必须同时出现。而且使用分区字段时,查询的sql语句也需要加入分区字段。
(代码示例中使用的是一个自增长的数字类型ID作为分区字段)
option("lowerBound", minNum).option("upperBound", maxNum).option("numPartitions", numPartitions + "").option("partitionColumn", partitionField)
- 然后就是代码了:
public static void main(String[] args) {
//自己设置Spark配置O!
SparkConf conf = new SparkConf().setAppName("wangleai");
SparkSession spark = SparkSession.builder().config(conf).getOrCreate();
Map<String, String> jdbcConfig = new HashMap<>(8);
//数据库类型
jdbcConfig.put("database", "mysql");
//连接字符串
jdbcConfig.put("url", "jdbc:mysql://localhost:3306/mydb");
//用户名
jdbcConfig.put("username", "username");
//密码
jdbcConfig.put("password", "password");
//查询sql,在Spark中本人比较习惯处理sql的查询结果
jdbcConfig.put("sql", "Select * from mytable");
//分区字段,这个比较重要,特别是数据量大的时候
jdbcConfig.put("partitionfield", "");
Dataset<Row> jdbcDf = getJdbcDf(jdbcConfig, spark);
jdbcDf.show();
jdbcDf.foreachPartition(partition -> {
while (partition.hasNext()) {
Row row = partition.next();
//对每一行做任何你想做的处理
System.out.println(row);
}
});
}
/**
* 获取jdbc df
*
* @param jdbcConfig 配置
* @param spark 会话
* @return
*/
private static Dataset<Row> getJdbcDf(Map<String, String> jdbcConfig, SparkSession spark) {
String dbType = jdbcConfig.get("database");
String url = jdbcConfig.get("url");
String userName = jdbcConfig.get("username");
String password = jdbcConfig.get("password");
//直接使用表名
//String exeSql = jdbcConfig.get("sql");
//使用sql查询语句
String exeSql = String.format("(%s) wangleai", jdbcConfig.get("sql"));
String partitionField = jdbcConfig.get("partitionfield");
String driver = getDriver(dbType);
DataFrameReader dataFrameReader = spark.read()
.format("jdbc")
.option("url", url)
.option("user", userName)
.option("password", password)
.option("fetchsize", 200)
.option("driver", driver);
if ("oracle".equalsIgnoreCase(dbType)) {
//修改oracle会话默认时间格式
String initSql = "BEGIN " +
"EXECUTE IMMEDIATE 'ALTER SESSION SET NLS_DATE_FORMAT=\"YYYY-MM-DD HH24:MI:SS\"';" +
"EXECUTE IMMEDIATE 'ALTER SESSION SET NLS_TIMESTAMP_FORMAT=\"YYYY-MM-DD HH24:MI:SS\"';" +
"END;";
//此参数需要保证Spark版本大于2.3,从而在获取数据前修改会话的一些配置
dataFrameReader.option("oracle.jdbc.mapDateToTimestamp", "false").option("sessionInitStatement", initSql);
}
Dataset<Row> jdbcDf;
if (!"".equals(partitionField)) {
// 采用分区读取数据
exeSql = exeSql.replaceAll("(?i)from", "," + partitionField + " from");
// 每批数量
int minNum = 1;
int maxNum = 100000000;
int pageNum = 10000 * 10;
long numPartitions = (maxNum - minNum) / pageNum + 1;
jdbcDf = dataFrameReader.option("dbtable", exeSql)
.option("lowerBound", minNum)
.option("upperBound", maxNum)
.option("numPartitions", numPartitions + "")
.option("partitionColumn", partitionField).load();
} else {
jdbcDf = dataFrameReader.option("dbtable", exeSql).load();
}
return jdbcDf;
}
/**
* 获取驱动类
*
* @param dataBase 数据库类型
* @return
*/
private static String getDriver(String dataBase) {
String driver = "";
switch (dataBase.toLowerCase()) {
case "hive":
driver = "org.apache.hive.jdbc.HiveDriver";
break;
case "hbase":
driver = "org.apache.phoenix.jdbc.PhoenixDriver";
break;
case "postgresql":
driver = "org.postgresql.Driver";
break;
case "kylin":
driver = "org.apache.kylin.jdbc.Driver";
break;
case "mysql":
driver = "com.mysql.jdbc.Driver";
break;
case "oracle":
driver = "oracle.jdbc.driver.OracleDriver";
break;
case "sqlserver":
driver = "com.microsoft.sqlserver.jdbc.SQLServerDriver";
break;
default:
System.out.println("暂不支持的数据库类型:" + dataBase);
break;
}
return driver;
}
写在后面
原本是准备1024写的,但是工作之后时间真的过得实在是太快了,哎,老了。