6. 从ods(贴源层)到 dwd(数据明细层)的两种处理方式(spark)-dsl

6. 从ods(贴源层)到 dwd(数据明细层)的两种处理方式(spark)

6.1 使用spark dsl 方式处理

6.1.1 注意事项

# 开启hive元数据支持,开启之后在spark中可以直接读取hive中的表,但是开启之后就不能再本地云心的了
.enableHiveSupport()

# 这下脚本都是作用在dwd层,所以必须在dwd的用户下执行,可能会报权限不够,需要我们申请权限

6.1.2 项目结构如下:

6. 从ods(贴源层)到 dwd(数据明细层)的两种处理方式(spark)-dsl_第1张图片

1.是脚本,内容如下:

# 分区
ds=$1

# 执行任务
spark-submit \
--master yarn-client \
--class com.wt.dwd.DwdFcjNwrsSellbargainMskDay \
../target/dwd-1.0-SNAPSHOT.jar \
$ds
# 增加分区
hive -e "alter table dwd.dwd_gsj_reg_investor_msk_d add IF NOT EXISTS  partition (ds='$ds')"

# 注意:
1.如果换行的话,后面必须加上 \ 
2.因为jar包如果不指定路径的话会找不到
3.可以在最后面动态的增加分区,然后再动态的传入变量

2.是在dwd中运行的hive建表语句

-- hive建表语句
-- hive建表语句
CREATE external TABLE IF NOT EXISTS  dwd.dwd_fcj_nwrs_sellbargain_msl_d(
    id STRING comment '身份证号码',
    r_fwzl STRING comment '房产地址',
    htydjzmj STRING comment '合同中约定房子面积',
    tntjzmj STRING comment '房子内建筑面积',
    ftmj STRING comment '房子分摊建筑面积',
    time_tjba STRING comment '商品房备案时间',
    htzj STRING comment '合同总价'
)PARTITIONED BY
(
    ds   STRING
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED AS textfile
location '/daas/motl/dwd/dwd_fcj_nwrs_sellbargain_msl_d/';

3,是代码运行的逻辑,主要是处理数据

package com.wt.dwd
import org.apache.spark.sql.{DataFrame, SaveMode, SparkSession}

object DwdFcjNwrsSellbargainMskDay {
  def main(args: Array[String]): Unit = {

    /**
     * 1. 创建spark环境
     *
     */
    val spark: SparkSession = SparkSession
      .builder
      //.master("local")
      .enableHiveSupport() //开启hive元数据支持,开启之后在spark中可以直接读取hive中的表,但是开启之后就不能再本地云心的了
      .getOrCreate()

    import spark.implicits._
    import org.apache.spark.sql.functions._

    /**
     * 获取时间分区的字段
     *
     */
    val ds: String = args.head
    /**
     * 2. 读取获取购房合同中的表
     * 必须带上库名,否则读不到
     *
     * 不可能读取所有的数据,我们只需要读取每一天的数据
     *
     */
    val sellbargain: DataFrame = spark
      .table("ods.ods_t_fcj_nwrs_sellbargain")
      .where($"ds" === ds)

    //对原始的数据进行托名 对id进行脱敏,然后将r_fwzl中的数字变成 * 号(通过正则表达式替换)
    val resultDF: DataFrame = sellbargain.select(
      upper(md5($"id")) as "id",
      regexp_replace($"r_fwzl", "\\d", "*") as "r_fwzl",
      $"htydjzmj",
      $"tntjzmj",
      $"ftmj",
      $"time_tjba",
      $"htzj"
    )

    resultDF
      .write
      .format("csv")
      .mode(SaveMode.Overwrite)
      .option("sep","\t")
      .save(s"/daas/motl/dwd/dwd_fcj_nwrs_sellbargain_msl_d/ds=$ds")

    //提交到集群运行 spark-submit --master yarn-client --class com.wt.dwd.DwdFcjNwrsSellbargainMskDay dwd-1.0-SNAPSHOT.jar
  }
}

6.1.3 将通用的东西封装(重要-可以极快的提高效率):

6. 从ods(贴源层)到 dwd(数据明细层)的两种处理方式(spark)-dsl_第2张图片

代码逻辑如下:

package com.wt.common
import org.apache.spark.internal.Logging
import org.apache.spark.sql.{DataFrame, SaveMode, SparkSession}
abstract class SparkTool extends Logging{
  def main(args: Array[String]): Unit = {

    /**
     * 获取时间分区
     *
     */
    if(args.length == 0){
      logError("请指定分区!!!")
      return
    }
    val ds: String = args.head

    //创建spark环境
    val spark: SparkSession = SparkSession
      .builder()
      .enableHiveSupport()
      .getOrCreate()

    //调用子类实现的抽象方法
    this.run(spark,ds)
  }

  /**
   * 抽象方法: 在子类中实现这个方法
   * import spark.implicits._
   * import org.apache.spark.sql.functions._
   *
   * @param spark: spark的环境
   * @param ds:分区
   */
  def run(spark: SparkSession,ds: String): Unit

  /**
   * 传入DataFrame 和 path 就可以保存数据
   *
   * 其中的format默认值是 csv格式的。
   *
   */

  def save(dataframe:DataFrame,path:String,format:String = "csv"): Unit={
    dataframe
      .write
      .format("csv")
      .mode(SaveMode.Overwrite)
      .option("sep","\t")
      .save(path)
  }
}

理解:子类继承父类,在父类中已经封装好了spark,DataFormat的save 两个环境,需要子类继承SparkTool ,就可以拿到父类已经创建好的环境,减少代码量,提高效率

在save 中可以设置默认值,如果不传入的话,就使用默认值

而且该工具还吧 ds 给封装好了,我们在使用的时候可以直接用变量传入即可

6.1.4 调用方法如下:

package com.wt.dwd
import com.wt.common.SparkTool
import org.apache.spark.sql.{DataFrame, SparkSession}

object DwdGsjRegLegrepreMskDay extends SparkTool{
  /**
   * 抽象方法: 在子类中实现这个方法
   * import spark.implicits._
   * import org.apache.spark.sql.functions._
   *
   * @param spark  : spark的环境
   * @param ds        :分区
   */
  override def run(spark: SparkSession, ds: String): Unit = {
    import spark.implicits._
    import org.apache.spark.sql.functions._

    /**
     * 读取hive中的表
     *
     */
    val legrepre: DataFrame = spark
      .table("ods.ods_t_gsj_reg_legrepre")
      .where($"ds" === ds)

    val resultDF: DataFrame = legrepre
      .select(
        upper(md5($"id")) as "id",
        $"position",
        upper(md5($"tel")) as "tel",
        $"appounit",
        $"accdside",
        $"posbrmode",
        $"offhfrom",
        $"offhto"
      )

      save(resultDF,s"/daas/motl/dwd/dwd_gsj_reg_legrepre_msk_d/ds=$ds")

  }
}

6.1.5 脚本如下:

因为在common工具和dwd不在同一个模块中,需要在dwd模块中导入common的jar包

6. 从ods(贴源层)到 dwd(数据明细层)的两种处理方式(spark)-dsl_第3张图片

需要导入依赖,如下:

6. 从ods(贴源层)到 dwd(数据明细层)的两种处理方式(spark)-dsl_第4张图片

脚本如下;

# 分区
ds=$1

# --jars :指定代码需要的其他的包

# 执行任务
spark-submit \
--master yarn-client \
--class com.wt.dwd.DwdGsjRegLegrepreMskDay \
--jars ../lib/common-1.0-SNAPSHOT.jar \
../target/dwd-1.0-SNAPSHOT.jar \
$ds
# 增加分区
hive -e "alter table dwd.dwd_gsj_reg_legrepre_msk_d  add IF NOT EXISTS  partition (ds='$ds')"

将dwd包拖到dwd用户下,执行脚本,最终结果如下

6. 从ods(贴源层)到 dwd(数据明细层)的两种处理方式(spark)-dsl_第5张图片

你可能感兴趣的:(spark,大数据,hive,hadoop,分布式)