写一个Spark DataSource的随手笔记

真的只是个随手笔记。记录下一些操作过程。

背景

最近需要实现一些Spark逻辑计划和物理计划的优化，遂打算写一点简单的数据源来测试。突然想到了Oracle常见的scott/tiger里的数据。遂打算使用该数据。

获得数据

毕竟装Oracle是个大工程，没有必要为了做个测试单独安装一个Oracle，于是用Docker，这里推荐一下阿里的Docker Oracle镜像库：

https://dev.aliyun.com/detail.html?spm=5176.1972343.2.2.2f075aaaGOYe3m&repoId=1969

按照其方式启动Oracle镜像并sqlplus登录sysdba以后，为了确保scott/tiger没有被锁，还是做了一下解锁操作：

SQL> alter user scott account unlock;

然后退出sqlplus并用scott/tiger重新登录sysdba，并且查看scott的表：

SQL> select table_name from user_tables;

TABLE_NAME
------------------------------
DEPT
EMP
BONUS
SALGRADE

没有问题。

在此只做一些简单的测试，所以并没有使用jdbc方式在test类里获取数据，而是直接拿了一些数据hard code在test类里。

写Spark DataSource API

实现了简单的谓词下推功能。详细Datasource代码见GitHub，里面还包含了一个tpc-ds的DataSource：

https://github.com/orisonchan/spark-datasource-some-examples