最佳實踐 | RDS & POLARDB歸檔到X-Pack Spark計算

 

 

X-Pack Spark服務經過外部計算資源的方式，爲Redis、Cassandra、MongoDB、HBase、RDS存儲服務提供複雜分析、流式處理及入庫、機器學習的能力，從而更好的解決用戶數據處理相關場景問題。

RDS & POLARDB分表歸檔到X-Pack Spark步驟

一鍵關聯POLARDB到Spark集羣

一鍵關聯主要是作好spark訪問RDS & POLARDB的準備工做。

POLARDB表存儲

在database ‘test1’中每5分鐘生成一張表，這裏假設爲表 'test1'、'test2'、'test2'、...

具體的建表語句以下：

*請左右滑動閱覽

CREATE TABLE `test1` ( `a` int(11) NOT NULL,
                        `b` time DEFAULT NULL,          
               `c` double DEFAULT NULL,
                         PRIMARY KEY (`a`)
    ) ENGINE=InnoDB DEFAULT CHARSET=utf8

歸檔到Spark的調試

x-pack spark提供交互式查詢模式支持直接在控制檯提交sql、python腳本、scala code來調試。

一、首先建立一個交互式查詢的session，在其中添加mysql-connector的jar包。

*請左右滑動閱覽

wget https://spark-home.oss-cn-shanghai.aliyuncs.com/spark_connectors/mysql-connector-java-5.1.34.jar

二、建立交互式查詢

以pyspark爲例，下面是具體歸檔demo的代碼：

*請左右滑動閱覽

spark.sql("drop table sparktest").show()
# 建立一張spark表，三級分區，分別是天、小時、分鐘，最後一級分鐘用來存儲具體的5分鐘的一張polardb表達的數據。字段和polardb裏面的類型一致
spark.sql("CREATE table sparktest(a int , b timestamp , c double ,dt string,hh string,mm string) "
      "USING parquet PARTITIONED BY (dt ,hh ,mm )").show()

#本例子在polardb裏面建立了databse test1，具備三張表test1 ，test2，test3,這裏遍歷這三張表，每一個表存儲spark的一個5min的分區
# CREATE TABLE `test1` (
#     `a` int(11) NOT NULL,
#                     `b` time DEFAULT NULL,
#                                      `c` double DEFAULT NULL,
#                                                         PRIMARY KEY (`a`)
# ) ENGINE=InnoDB DEFAULT CHARSET=utf8
for num in range(1, 4): 
    #構造polardb的表名
    dbtable = "test1." + "test" + str(num)
    #spark外表關聯polardb對應的表
    externalPolarDBTableNow = spark.read \
        .format("jdbc") \
        .option("driver", "com.mysql.jdbc.Driver") \
        .option("url", "jdbc:mysql://pc-xxx.mysql.polardb.rds.aliyuncs.com:3306") \
        .option("dbtable", dbtable) \
        .option("user", "name") \
        .option("password", "xxx*") \
        .load().registerTempTable("polardbTableTemp")
    #生成本次polardb表數據要寫入的spark表的分區信息
    (dtValue, hhValue, mmValue) = ("20191015", "13", str(05 * num))
    #執行導數據sql 
    spark.sql("insert into sparktest partition(dt= %s ,hh= %s , mm=%s )  "
          "select * from polardbTableTemp " % (dtValue, hhValue, mmValue)).show()
    #刪除臨時的spark映射polardb表的catalog
    spark.catalog.dropTempView("polardbTableTemp")
    #查看下分區以及統計下數據，主要用來作測試驗證，實際運行過程能夠刪除
    spark.sql("show partitions sparktest").show(1000, False)
    spark.sql("select count(*) from sparktest").show()

歸檔做業上生產

交互式查詢定位爲臨時查詢及調試，生產的做業仍是建議使用spark做業的方式運行，使用文檔參考。這裏以pyspark做業爲例：

/polardb/polardbArchiving.py 內容以下：

*請左右滑動閱覽

# -*- coding: UTF-8 -*-

from __future__ import print_function

import sys
from operator import add

from pyspark.sql import SparkSession

if __name__ == "__main__":
    spark = SparkSession \
        .builder \
        .appName("PolardbArchiving") \
        .enableHiveSupport() \
        .getOrCreate()

    spark.sql("drop table sparktest").show()
    # 建立一張spark表，三級分區，分別是天、小時、分鐘，最後一級分鐘用來存儲具體的5分鐘的一張polardb表達的數據。字段和polardb裏面的類型一致
    spark.sql("CREATE table sparktest(a int , b timestamp , c double ,dt string,hh string,mm string) "
          "USING parquet PARTITIONED BY (dt ,hh ,mm )").show()

    #本例子在polardb裏面建立了databse test1，具備三張表test1 ，test2，test3,這裏遍歷這三張表，每一個表存儲spark的一個5min的分區
    # CREATE TABLE `test1` (
    #     `a` int(11) NOT NULL,
    #      `b` time DEFAULT NULL,
    #      `c` double DEFAULT NULL,
    #       PRIMARY KEY (`a`)
    # ) ENGINE=InnoDB DEFAULT CHARSET=utf8
    for num in range(1, 4):
        #構造polardb的表名
        dbtable = "test1." + "test" + str(num)
        #spark外表關聯polardb對應的表
        externalPolarDBTableNow = spark.read \
            .format("jdbc") \
            .option("driver", "com.mysql.jdbc.Driver") \
            .option("url", "jdbc:mysql://pc-.mysql.polardb.rds.aliyuncs.com:3306") \
            .option("dbtable", dbtable) \
            .option("user", "ma,e") \
            .option("password", "xxx*") \
            .load().registerTempTable("polardbTableTemp")
        #生成本次polardb表數據要寫入的spark表的分區信息
        (dtValue, hhValue, mmValue) = ("20191015", "13", str(05 * num))
        #執行導數據sql
        spark.sql("insert into sparktest partition(dt= %s ,hh= %s , mm=%s )  "
              "select * from polardbTableTemp " % (dtValue, hhValue, mmValue)).show()
        #刪除臨時的spark映射polardb表的catalog
        spark.catalog.dropTempView("polardbTableTemp")
        #查看下分區以及統計下數據，主要用來作測試驗證，實際運行過程能夠刪除
        spark.sql("show partitions sparktest").show(1000, False)
        spark.sql("select count(*) from sparktest").show()
    spark.stop()