基于Spark DataFrame的数据仓库框架

数据存储的多样性,对数据分析、挖掘带来众多不变。应用瓶颈表现在两个方面:

1.      传统数据库mysql等的数据处理能力有限,随着数据量的增加,join、groupby、orderby等操作出现速度极慢,甚至将机器资源耗尽、不能运行的情况;另一方面,将数据存储转移到分布式系统比如hdfs的代价太大。

2.      不能进行跨数据源的访问。比如对hive table、htable、mysql中的数据进行混合查询。以前的普遍做法是将一个数据源的数据导入另一数据源。这其中的技术应用包括sqoop、jdbc、hive外表等。此种方法,处理周期长,且sqoop对特殊字符的处理有些问题。

 

利用spark dataframe,针对以上两个问题,解决方案:

1.      针对传统数据库,比如mysql,将计算压力转移到hadoop(spark-on-yarn)集群中;针对是否有实时性要求的数据分析需求,分为两条线处理:
1)  实时数据:利用下图中的sparkquery system,将mysql tables转换为dataframe,执行对dataframe的sql运算;
2) 非实时数据:此为大部分需求,一般分析截止到前一天的数据,此种情况下,利用图中spark loading system,每天定时将数据导入hdfs,以parquet表(列式存储)格式存储。
此种情况下,mysql只有导表的压力,此压力相当于执行select * from table limit $spark_partition_num,其中spark_partition_num是spark在导入mysql数据时,根据表情况进行的分片大小,用户可设定。

2.      针对跨表操作,通过spark query system将各类数据源转换为dataframe并利用spark sql运行跨表的sql运算。



Sql parser: 提取需要导入的表名,按需导入。Key code:
  def getTables(sql: String)= {

   tables_name=""

   valsqlparser =new TGSqlParser(EDbVendor.dbvmysql)

   sqlparser.sqltext = sql

   valret =sqlparser.parse();

   if(ret==0) {

     valstm_size =sqlparser.sqlstatements.size()

     for(i <-0 to stm_size -1) {

        valstm =sqlparser.sqlstatements.get(i)

        analyzeStmt(stm)

     }

   } else{

     System.out.println("Failed to parse sql:"+ sql)

     System.out.println(sqlparser.getErrormessage())

     tables_name=""

   }

   tables_name.replaceFirst(",","")

 }

  def analyzeStmt(stm: TCustomSqlStatement) {

   valtables = stm.tables

   valtables_size =tables.size()

   for(j <-0 to tables_size -1) {

     if(tables.getTable(j).isBaseTable()) {

        valcurrent_table =tables.getTable(j).getFullName

        if (!tables_name.split(",").contains(current_table)){

          tables_name =tables_name.+("," +tables.getTable(j).getFullName.replace("`",""))

        }

     }

   }

   for(i <-0 tostm.getStatements().size() -1) {

     analyzeStmt(stm.getStatements().get(i))

   }

 }
Spark query system:根据不同数据源选择不同读表模式,目前支持hbase、parquet、mysql。最大优势在于运行在spark-on-yarn带来的速度提升,及跨数据源操作。读表key code:
Parquet表:
    sqlContext.parquetFile(base_dir+ "/"+ table).toDF().registerTempTable(table)

Mysql表:

   LoadMysqlTables.register_mysql_table(sqlContext,url,user,password,mysql_table,"id")

HBase表:
   //Need to transfer htable toJavaRDD

   sqlContext.createDataFrame(JavaRDD,htable_schema).toDF().registerTempTable(table)
//JavaRDD could be get from following toRowRDD function

Spark loading system:针对传统数据库比如mysql的数据,每天定时。导入速度比较快,在9台测试集群(spark-on-yarn)上,3亿条数据量的表大约需要2分钟。导入模式按需求不同,串行导入不满足时间需求的情况下,可使用多表并行导入;或者进行每天(月)更新导入数据,比如只导入前一天(月)更新的数据,并按照天(月)做分区进行存储。

  varoptions: HashMap[String,String] =newHashMap

   options.put("driver","com.mysql.jdbc.Driver")

   options.put("url",url)//mysql url withusername/password and others like tinyInt1isBit

    options.put("dbtable",table)
//"select * from " + table +  " where "+id+" >="+lower_bound+" and "+id+" <= "+upper_bound

   options.put("lowerBound",lower_bound.toString())

   options.put("upperBound",upper_bound.toString())

   options.put("numPartitions",partitions.toString())

   options.put("partitionColumn",id);

sqlContext.load("jdbc",options).save(output, SaveMode)

 

你可能感兴趣的:(基于Spark DataFrame的数据仓库框架)