大数据之使用Spark增量抽取MySQL的数据到Hive数据库（1）

目录

前言

题目：

一、读题分析

二、处理过程

1.采用SparkSQL使用max函数找到最大的日期然后转换成时间类型在变成字符串

2.这里提供除了SQL方法外的另一种过滤不满足条件的方法

三、重难点分析

总结 

---

前言

本题来源于全国职业技能大赛之大数据技术赛项电商赛题-离线数据处理-抽取

题目：

---

提示：以下是本篇文章正文内容，下面案例可供参考（使用Scala语言编写） 

一、读题分析

涉及组件：MYSQL,HIVE,SCALA,SPARK

涉及知识点：

1. Spark读取数据库数据
2. DataFrameAPI的使用（重点）
3. Spark写入数据库数据
4. Hive数据库的基本操作
5. 增量数据的概念（思考：与全量数据有什么区别？）

---

二、处理过程

  与全量数据类似，唯一不同的点在于抽取增量的数据只是在全量数据中的一部分（形象来说）。个人认为，这样在实际应用中，抽取增量数据比抽取全量数据，更节省时间，带宽，硬件处理频率。总来说，抽取增量数据而不是全量数据的目的就是减少资源的浪费。

1.采用SparkSQL使用max函数找到最大的日期然后转换成时间类型在变成字符串

import org.apache.spark.sql.SparkSession
import java.text.SimpleDateFormat
import java.util.{Calendar, Properties}

object MysqlToHive {
  def main(args: Array[String]): Unit = {
    import org.apache.spark.sql.SaveMode
    import org.apache.spark.sql.functions.lit

    val spark =SparkSession.builder().appName("mysqltoHive").master("spark://bigdata1:7077").enableHiveSupport().getOrCreate()

    //    读取mysql的配置
    val jdbcurl = "jdbc:mysql://bigdata1:3306/db"
    val tablename = "table1"
    val properties = new Properties()
    properties.setProperty("user", "root")
    properties.setProperty("password", "123456")
    properties.setProperty("driver", "com.mysql.jdbc.Driver")

    //    读取mysql数据创建dataframe
    val mysqlDF = spark.read.jdbc(jdbcurl, tablename, properties)
    mysqlDF.createOrReplaceTempView("mysqldata")

    //    读取hive数据ods库中最大的时间
    spark.sql("use ods")
    val hiveDF = spark.read.table("ods.table1")
    hiveDF.createOrReplaceTempView("hivedata")

    //    获取最大值
    val maxValue = spark.sql("select max(modified_time) from hivedata").head().getTimestamp(0).toString

     println("Hive最大的时间为:" + maxModifiedTime)
    //    3. 使用Spark SQL查询获取customer_inf表中modified_time的最大值。
    //    4. 使用head()方法获取结果集中的第一行数据。
    //    5. 使用getTimestamp(0)方法获取第一列数据的Timestamp类型值。
    //    6. 使用toString()方法将Timestamp类型值转换为字符串类型。
    //    7. 打印最大修改时间的字符串值。
    //    找到增量数据

    val resultDF = spark.sql(s"select * from mysqldata where momdified_time > '$maxValue'")

    //    取得昨天的日期
    //    法1：
    val sdf = new SimpleDateFormat("yyyyMMdd")
    val str = sdf.format(Calendar.getInstance().getTime.getTime - 24 * 60 * 60 * 1000)

    //    法2：
    val str = new SimpleDateFormat("yyyyMMdd").format(Calendar.getInstance().getTime.getTime - 24 * 60 * 60 * 1000)

    val reDF = resultDF.withColumn("etl_date", lit(str))

    reDF.write.mode(SaveMode.Append).partitionBy("etl_date").saveAsTable("ods.table1")

  }
}

2.这里提供除了SQL方法外的另一种过滤不满足条件的方法

    //    这里可以写死来模拟增量数据
    //    val givenTime = "2022-08-23 00:00:00"
    val maxValue = spark.sql("select max(modified_time) from hivedata").head().getTimestamp(0).toString
    //    gt获取比givenTime时间大的数据
    //    lt小于
    val dataf = df.filter(col("modified_time").lt(max)).toDF()

---

三、重难点分析

1. 增量数据与全量数据的不同
2. SparkSQL函数的使用
3. 解决增量数据的方法

---

总结 

什么是全量数据、增量数据？

全量数据和增量数据是在数据库系统迁移时的概念。

1.全量数据：

        当前需要迁移的数据库系统的全部数据。

2.增量数据：

        在数据库系统迁移过程中，对比原数据，新产生的数据即为增量数据。

原创作品如需引用请标明出处