Spark作为ETL工具与SequoiaDB的结合应用
一、前言
ETL一词较常用于数据仓库，但其对象并不仅限于数据仓库。ETL是指将数据从源系统中经过抽取（Extract）、转换（Transform）、加载（Load）到目标数据存储区的过程。常见的ETL工具有Oracle Data Integrator、Informatica PowerCenter、DataStage、Kettle、DataSprider等。
在大数据应用中，海量的数据及对潜在应用的支持是非常重要的方面，并体现出与传统应用开发的巨大不同。因此，在选择合适的ETL工具时，除了需要考虑数据处理的正确性、完整性、工具易用性、对不同数据格式的支持程度之外，还必须考虑数据处理的效率、处理能力的可扩展、容错性。
Spark是UC Berkeley AMP lab开源的类Hadoop MapReduce的通用的并行计算框架，是一个新兴的大数据处理引擎，主要特点是提供了一个集群的分布式内存抽象。与Hadoop相比，Spark将中间数据放在内存中，避免频繁写盘，因此效率更高，更适合于迭代计算；在操作类型、开发语言支持上更丰富；在分布式数据集计算时通过checkpoint来实现容错。而且，由于Spark的分布式特性，处理能力的扩展更容易，也更经济。因此，从整体上，Spark作为ETL工具能帮助企业实现技术和财务的双赢。
SequoiaDB是新一代NewSQL数据库，是文档型分布式数据的典型代表。SequoiaDB企业版通过深度集成最新的Spark内存计算框架，实现了批处理分析、流处理等贴近应用的功能。存储层和计算层两层分离的架构，技术互补，是硅谷大数据新架构的主流，将分布式计算与分布式存储的能力分别发挥到了极致。在Spark最新版本中，SparkSQL对标准SQL的支持也越来越完善，更加体现出Spark产品的成熟。因此，在SequoiaDB应用中，利用Spark进行数据加工分析是理想之选。
二、功能概述
作为ETL工具，必须具备多样数据源的支持，比如HDFS、HBase、Amazon S3、MongoDB等。在这一点上，Spark支持跟多种数据源的对接，常见的数据源包括HDFS、Cassandra、HBase、Hive、ALLUXIO（即Tachyon）、Amazon S3；Spark也能从全文检索工具Elasticsearch中读写数据。Spark作为ETL工具能满足工具功能通用性的要求。
以Spark为ETL处理的数据流图如图一所示：
图一 Spark为ETL数据流图
在以上数据流图中，可以将存储于HDFS、Cassandra等系统中的存量数据通过Spark提供的接口抽到Spark中，利用Spark的快速处理能力进行处理，比如数据去重、更新，最后将结构数据存储到巨杉数据库中。整个处理过程中，不需要将数据以数据文件的形式存盘，加快了处理速度。
对于已存储到巨杉数据库中的数据，也可以在Spark中处理，并将处理后的数据落到库中。
三、环境搭建
3.1 Spark环境搭建
Spark运行模式包括Standalone、Spark on YARN、Spark on Mesos。三种模式的主要区别在于使用的资源管理调度工具不一样。这里以Standalone模式为例进行说明。
在部署之前，将需要部署Spark的机器两两之间的信任关系配置好，并根据Spark版本对JDK版本的需求安装配置好JDK。然后就可以开始安装Spark。
首先，从Spark官网获取最新版本的Spark安装文件。下载完成后将其解压到目标文件夹。
| tar -zxvf spark-2.0.0-bin-hadoop2.6.tgz |
从解压出来的文件目录可以看到，跟1.6版本相比，2.0版本的目录结构有一些细微变化，lib目录被删除，增加了jars目录。
然后，修改配置文件。通常需要修改的配置文件包含spark-env.sh、slaves，但为了后续使用方便，还需要修改或增加hive-site.xml、spark-defaults.conf、log4j.properties。下面分别进行说明。
1. spark-env.sh
配置Spark环境变量，包括：
SPARK_MASTER_IP：Spark集群Master节点IP地址；
SPARK_MASTER_PORT：Master节点端口号，默认为7077；
SPARK_WORKER_INSTANCES：每节点启动的Worker进程数量；
SPARK_WORKER_CORES：本机上Worker可用核数；
SPARK_WORKER_MEMORY：Worker可分配给executor使用的总内存；
SPARK_WORKER_DIR：Worker工作目录；
SPARK_LOCAL_DIRS：节点shuffle数据存放目录；
SPARK_CLASSPATH：Spark默认classpath。
2.slaves
配置Spark集群中运行Worker的节点，值为主机名，每一行一个主机名。
3. hive-site.xml
主要用于元数据库的配置。Spark默认使用Derby作为数据库管理元数据，当我们需要配置其他数据库作为元数据库时，需要增加并修改此配置文件。一个例子如下所示：
|
|
4. spark-defaults.conf
Spark默认配置。该配置可以配置spark.master、spark.driver.memory、spark.executor.extraJavaOptions等。当我们需要通过JDBC使用SparkSQL时，需要首先启动Thriftserver，启动时需要指定MASTER_URL，这个MASTER_URL可以配置到spark-defaults.conf中的spark.master参数中，省去在命令行启动时都需要输入MASTER_URL的麻烦。
5. log4j.properties
配置Spark log日志。
最后，启动Spark集群。配置文件修改好后，就可以启动Spark。由于已经配置好Master及Worker的信息，可以通过如下命令启动Spark集群：
| sbin/start-all.sh |
3.2 配置Spark与SequoiaDB的连接
SequoiaDB开源了Spark连接器，可以在github网站上找到相应的代码（https://github.com/SequoiaDB/spark-sequoiadb），打包后得到连接器命名为spark-sequoiadb-2.0.0.jar。将连接器和SequoiaDB Java驱动包sequoiadb.jar一起，拷贝至jars目录，并在spark-env.sh中配置SPARK_CLASSPATH，将连接器及驱动包全路径配置到SPARK_CLASSPATH环境变量中，如
| SPARK_CLASSPATH=/opt/spark-2.0.0-bin-hadoop2.6/jars/spark-sequoiadb-2.0.0.jar:/opt/spark-2.0.0-bin-hadoop2.6/jars/sequoiadb.jar |
配置完成后，通过如下命令启动Thriftserver：
| sbin/start-thriftserver.sh |
启动成功后，通过jps命令可以看到Thriftserver相关的进程：
图二 Thriftserver相关进程
至此，Spark与SequoiaDB的环境已经搭建完成，可以开始用Spark处理数据了。
四、SequoiaDB数据处理
4.1 处理流程
SequoiaDB与Spark环境搭建完成之后，可以根据数据源的不同，采取不同的方式在Spark中创建针对不同数据源的映射，就可以将数据源与SequoiaDB通过Spark连接起来，完成ETL处理。
本节以SparkSQL对SequoiaDB中数据进行ETL为例，说明Spark与SequoiaDB的结合应用。源数据为其他时可以使用类似的处理逻辑。
在Spark中创建到SequoiaDB中集合的映射表语法为：
| create table tablename ( f1 string, f2 string, f3 int, f4 double, f5 string, f6 long ) using com.sequoiadb.spark OPTIONS ( host 'sdbserver1:11810,sdbserver2:11810,sdbserver3:11810', collectionspace 'foo', collection 'bar'); |
其中，host为SequoiaDB的访问地址，格式为hostname:svcname，可以包含多个地址。collectionspace及collection分别代表SequoiaDB中的集合空间及集合。
本例为利用每天增量数据对已有存量数据进行更新的场景，涉及的表为：账户信息表acct_info为结果表、账户信息中转表repo_acct_info为每天增量数据、acct_info_his为已有存量数据。由于SparkSQL不支持UPDATE及DELETE操作，因此，涉及到UPDATE及DELETE的场景可以通过将结果数据存于新表的方式来完成。UPDATE分为两步：
第一步：将中转表中最新数据插入结果表。通过这一步，保证第一次进来的数据和存在更新的数据进到结果表。执行语句为：
| insert into table dst.acct_info select * from src.repo_acct_info where tx_date = '2016-06-23' ;" |
第二步：将未做任何更新的数据数据插入结果表。执行语句为：
| insert into table dst.acct_info select distinct a.* from src.acct_info_his a left join src.repo_acct_info b on a.id = b.id and b.tx_date = '2016-06-23' where b.id is null ;" |
其中id为acct_info表的主键，通过id唯一标识一条记录。通过以上两个步骤，结果表acct_info即为经过去重后的更新数据。
而DELETE操作则只需要将不满足删除条件的数据插入新表即可。
4.2 性能结果
1. 系统配置
硬件环境：
软件环境：
2. UPDATE场景
3. DELETE场景
五、结论
Spark能够方便地读取多样数据源，作为一种较为成熟的新框架，Spark不仅支持HDFS、Cassandra、HIVE、Amazon S3这类相对较新的数据源，对传统行业常见的如Oracle、DB2、Teradata，Spark也能很好地支持，且Spark支持SQL2003，应用Spark也能充分发挥传统企业在SQL处理上的强项。在大数据应用中，以Spark为ETL工具可以充分发挥分布式计算框架Spark的处理能力的性能优势。
作为全球获得Databricks认证的14家发行商之一，SequoiaDB企业版深度集成最新的Spark内存计算框架，存储层和计算层两层分离的架构、技术互补，是硅谷大数据新架构的主流，将分布式计算与分布式存储的能力分别发挥到了极致。如今，Spark技术已经被大量运用到实时流处理、分析等不同领域，后台数据加工也可以利用Spark技术得以实现。
SequoiaDB巨杉数据库2.6最新版下载
SequoiaDB巨杉数据库技术博客
SequoiaDB巨杉数据库社区