streamsets利用jython实现数据校验

一、需求:

利用mongo元数据库中提供的资源描述,去校验csv中的每条数据

二、实现

首先配置好原数据,以及路径传递,还有jython模块

注意,jython有很多第三方包是没办法直接使用的,需要用sys去加载,这时我们会碰上一个最大的难题,就是第三方包的处理。由于jython是运行在jvm上的,所以,需要c语言运行环境的包在此时都无法调用成功,例如pandas,numpy等,但其他第三方包在sys成功加载后还是可以调用成功的,例如pymongo,要把这些包和其依赖包放在指定路径下。

streamsets最恶心的一点就是云端调试,问题与bug都要放在records.output中去打印输出

还有就是要非常注意streamsets本身的知识和结构,比如records是个list,而record是个对象;batch by batch  和record by record是两种不同的运行模式等,如何利用他们的性质进行编程仍是我们需要学习的

注意python格式的问题,循环的问题,还有业务逻辑处理的问题

三、编程

import sys

#sys.path.append('D:\JavaWorkplace\jython\jpython')

sys.path.append("/home/fengwenke/usr/streamset/jar/JPS.jar")

sys.path.append("/home/fengwenke/usr/streamset/python")

sys.setrecursionlimit(1000000)

from pymongo import MongoClient

import datetime as dt

import re

import json

conn = MongoClient('114.115.156.237', 27027)

db = conn.bigdata 

db.authenticate("gwssi", "gwssi123")

res = db.resourceProfile

for record in records:

  name = record.value['filepath']

#这个6和0是写死的,需要改,6需要根据csv路径的不同进行修改 0可能不需要改

csvName = name.split('/')[6]

tableName = csvName.split('_')[0]

a =list(res.find({"essentialInfo.resCode":tableName}))

meteData = []

for i in a:


    for s in i['dataInfos']:


        meteData.append(s['isPrimaryKey'])

        meteData.append(s['dataName'])

        meteData.append(s['dataType'])

print dt

newDate = dt.datetime.utcnow().strftime("%Y-%m-%d")

meteNameCollection = []

meteTypeCollection = []

meteIsprikeyCollection = []

#从mongo里拿出元数据的名字

for meteNameIndex in range(len(meteData)):

  if (meteNameIndex+2)%3 ==0:

    meteName = meteData[meteNameIndex]

    meteNameCollection.append(meteName)

    meteType = meteData[meteNameIndex+1]

    meteTypeCollection.append(meteType)

    meteIspri = meteData[meteNameIndex -1]

    meteIsprikeyCollection.append(meteIspri)

dataNameCollection = []

for recordIndex in range(len(records)):

  try:


    # Create a string field to store the current date with the specified format

    #record.value["3"] = meteData[8]


    #从数据流里取出第一列

    if recordIndex == 0:

      #从第一列里拿出每个名字


      for dataNameIndex in range(len(records[0].value)):

        dataNameCollection.append(records[0].value['{0}'.format(dataNameIndex)])


    else:

      #利用这个数据匹配元数据,并对其他的数据类型进行校验  为什么不拆成两层循环,因为record记录会覆盖

      for dataNameIndex2 in range(len(dataNameCollection)):

        for meteNameIndex in range(len(meteNameCollection)):

          if dataNameCollection[dataNameIndex2] == meteNameCollection[meteNameIndex]:

            if meteIsprikeyCollection[meteNameIndex] == 1:

              #读取对应的元数据类型. 时间。测试完成

              if meteTypeCollection[meteNameIndex] == "timestamp":

                matchRule = r'\d{4}(\-|\/|.)\d{1,2}\1\d{1,2}'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #读取对应的元数据类型. 字母数字混合数据。测试完成

              if meteTypeCollection[meteNameIndex] == "varchar":

                #字母数字混合数据

                mixedData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                mixRule = '^(?=.*\d)(?=.*[a-zA-Z])(?=.*[\u4E00-\u9FA5])[\u4E00-\u9FA5A-Za-z0-9]*$'

                rg = re.compile(mixRule,re.IGNORECASE|re.DOTALL)

                mixJudge = rg.search(mixedData)

                if mixJudge :

                  records[recordIndex].value['{0}'.format(dataNameIndex2)]= "true"

                #英文

                elif re.match('^[A-Za-z]+$',mixedData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                #中文

                elif re.match(u"[\u4e00-\u9fa5]+",mixedData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                #空值

                elif records[recordIndex].value['{0}'.format(dataNameIndex2)] == "":

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "zhujianweikong"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #整数

              if meteTypeCollection[meteNameIndex] == "integer" or meteTypeCollection[meteNameIndex] == "bigint":

                matchRule = '^-?\\d+$'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #浮点数

              if meteTypeCollection[meteNameIndex] == "float" or meteTypeCollection[meteNameIndex] == "double":

                matchRule = '^(-?\\d+)(\\.\\d+)?$'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

            else:

              #读取对应的元数据类型. 时间。测试完成

              if meteTypeCollection[meteNameIndex] == "timestamp":

                matchRule = r'\d{4}(\-|\/|.)\d{1,2}\1\d{1,2}'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #读取对应的元数据类型. 字母数字混合数据。测试完成

              if meteTypeCollection[meteNameIndex] == "varchar":

                #字母数字混合数据

                mixedData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                mixRule = '^(?=.*\d)(?=.*[a-zA-Z])(?=.*[\u4E00-\u9FA5])[\u4E00-\u9FA5A-Za-z0-9]*$'

                rg = re.compile(mixRule,re.IGNORECASE|re.DOTALL)

                mixJudge = rg.search(mixedData)

                if mixJudge :

                  records[recordIndex].value['{0}'.format(dataNameIndex2)]= "true"

                #英文

                elif re.match('^[A-Za-z]+$',mixedData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                #中文

                elif re.match(u"[\u4e00-\u9fa5]+",mixedData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                #空值

                elif records[recordIndex].value['{0}'.format(dataNameIndex2)] == "":

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #整数

              if meteTypeCollection[meteNameIndex] == "integer" or meteTypeCollection[meteNameIndex] == "bigint":

                matchRule = '^-?\\d+$'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #浮点数

              if meteTypeCollection[meteNameIndex] == "float" or meteTypeCollection[meteNameIndex] == "double":

                matchRule = '^(-?\\d+)(\\.\\d+)?$'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"




    # Write record to processor output

    output.write(records[recordIndex])

    conn.close()

  except Exception as e:

    # Send record to error

    error.write(records[recordIndex], str(e))

你可能感兴趣的:(streamsets利用jython实现数据校验)