Spark中External Datasource实现数据迁移

一、简介

1．技术说明

通过一套DataSource API的扩展机制，可以访问（读、写）外部的数据源。将外部数据源按照表的方式注册，提供sql查询、数据插入（insert）能力。将外部数据源读取为RDD，提供RDD的算子（group、where、agg）、ML能力。当前可以对接的外部数据源：JDBC、ElasticSearch等。

2．优点

n 将外部数据源纳入到spark的生态系统，如oracle不支持预测分析，通过spark读取oracle数据转换为rdd，就可以利用spark中ML的算法。

n 统一数据源的访问方式，如注册为表，则都可以通过spark的sql方言访问各类数据源。

n 在数据源的读写能力之上，既可以提供跨数据源的数据迁移。如从kafka中获取数据写入到hdfs，然后通过注册ES外部数据源，将数据装载到ES中，最后通过sparksql访问ES。

二、需求场景

从各类数据源中抽取数据集，存储到SparkSQL的查询引擎中，对外提供自助分析。数据源支持如hive、oralce、vertica等，其实hive和加速引擎有可能不是一个Hadoop集群。从外部数据源获取数据集支持以SQL查询的方式提取数据集。

三、实现说明

1、API介绍

SQLContext

DataFrameReader

read() 

 

DataFrameReader

Dataset<Row>

jdbc(String url, String table, java.util.Properties properties)

Construct a DataFrame representing the database table accessible via JDBC URL url named table and connection properties.

Dataset<Row>

jdbc(String url, String table, String[] predicates, java.util.Properties connectionProperties)

Construct a DataFrame representing the database table accessible via JDBC URL url named table using connection properties.

Dataset<Row>

jdbc(String url, String table, String columnName, long lowerBound, long upperBound, int numPartitions, java.util.Properties connectionProperties)

Construct a DataFrame representing the database table accessible via JDBC URL url named table.

 

Dataset

DataFrameWriter<T>

write()

Interface for saving the content of the non-streaming Dataset out into external storage

 

DataFrameWriter<T>

void

jdbc(String url, String table, java.util.Properties connectionProperties)

Saves the content of the DataFrame to an external database table via JDBC

DataFrameWriter<T>

mode(SaveMode saveMode)

Specifies the behavior when data or table already exists.

Void

save(Stringpath)

Saves the content of the DataFrame at the specified path.

 

 

参考：http://spark.apache.org/docs/latest/api/java/index.html

 

2、API使用说明

实现功能：将JDBC数据源中多张表的查询结果，写入到HDFS Path。

方案一：

sqlContext.read().jdbc(url，“([SQL Query]) t”,properties).write().save（path）

说明：

1、SQL Query是JDBC数据源的查询。在sparksql使用该JDBC数据源的驱动访问数据库的时候将([SQL Query]) t拼装成select * from ([SQL Query]) t的查询，从而实现在JDBC数据源上直接执行查询。

2、在save函数之前可以通过mode函数制定写入的方式。

3、SQL Query是外部数据源的sql方言。那是否可以通过sparksql的方言来执行该查询？从技术行将是可以的，即将外部数据源的表都注册为external table，见方案二。

方案二：

1、注册为external table的方式

a) 使用API，SQLContext中提供多个“createExternalTable”的API

b) Spark提供的sql语法来创建外部表

2、举例已经注册了两个外部表ft1、ft2，分别对应外部数据源上的pt1、pt2。使用如下一行代码可实现类似的效果

sqlContext.read().sql(“[SQL Query])”,properties).write().save（path）

3、此时的SQL Query即为spark的sql方言

和方案一对比：

1、优点：实现了方言统一

2、缺点：spark内部在执行SQL Query的是没有做谓词下推的，实现方式是将pt1、pt2的表抽取到spark的rdd中然后用spark引擎做运算。在联邦场景或外部数据源是哑存储的情况下，该方式可以接受。但是对于JDBC数据源，显然没有方案一性能高。

方案三：在方案二基础上实现谓词下推

按照方案二的例子，即”注册了两个外部表ft1、ft2，分别对应外部数据源上的pt1、pt2”。在注册为ft1表的时候，对pt1做过滤。涉及到Dataset如下API。

Dataset

ataset<T>

filter(Column condition)

Filters rows using the given condition.

Dataset<Row>

drop(Column col)

Returns a new Dataset with a column dropped.

 

 

使用如下的语句可实现谓词下推。SQL Query中使用到ft1的时候，会按照drop、filter的设置提取相应的数据。

Dataset ds=SQLContext.createExternalTable(“ft1”...).drop().filter

缺点：对于where中有布尔运算的情况下，不容易实现filter的谓词下推。如SQL Query中where部分的条件为（ft1.c1>1 or ft2.c2 >10）需要解析该谓词判断如何注册定义ft1、ft2表。

方案四：

将sparksql的sql方言转换成外部数据源的执行计划，在某些情况下可实现方案一的效果。不过需要如下多种情况：

1、仅单数据源查询。

2、对应数据源无法处理某些sql函数的情况下。

3、联邦的情况。

方案四复杂度最高。

优选方案一，方案三是通用方案，需要增加谓词下压的解析模块。

 

3、部署执行

如上，通过scala或java方式开发job需要将该job提交到spark集群中运行。使用spark的thriftserver笔者猜测实现的功能是受限的。注册两个外表ft1、ft2，在jdbc驱动链接到thriftserver执行insert ft1 select ft2实现数据迁移，但是功能远远没有API丰富，如无法指定保存的模式等等。

 

 

四、DataSource API技术原理

1．技术原理

直接看这个博文即可（http://blog.csdn.net/oopsoom/article/details/42064075）。虽然最新的spark版本是2.1了，仍有参考意义。

2．扩展方式

在上节给出的博文已经给出扩展方式。另外还需要考虑数据类型的转换器的注册。在sparksql的表save到oracle的时候，通过直接推断每个字段的类型，直接在oracle上创建了表，利用的就是数据类型转换器的功能。