基于spark的Hive2Pg数据同步组件

一、背景

        Hive中的数据需要同步到pg供在线使用，通常sqoop具有数据同步的功能，但是sqoop具有一定的问题，比如对数据的切分碰到数据字段存在异常的情况下，数据字段的空值率高、数据字段重复太多，影响sqoop的分区策略，特别是hash分区，调用hash函数容易使得cpu高产生报警。同时sqoop的mapreduce任务对数据表的分割以及数据文件也会有一定的不均衡性。为了弥补这些问题，开发了基于spark的数据同步组件，利用spark处理大数据的强大能力及分布式并行性上的优势，通过执行sparksql将数据写入到pg数据库，但是在sparksql 中,保存数据到数据,只有 Append , Overwrite , ErrorIfExists, Ignore 四种模式,不满足特殊场景的需求,尝试利用spark save 源码改进, 批量保存数据,存在则更新不存在则插入。

二、关键设计方案

1. 方案一

        利用DataFrame框架里自带的df.write.mode(“append”).jdbc(url,pg_table,prop)方法，尝试将df里的每一行row是org.apache.spark.sql.Row类型，结合schema类型转换成DataFrame，方法如下：

import org.apache.spark.sql.types._

  val map = Map("col1" -> 5, "col2" -> 6, "col3" -> 10)

  val (keys, values) = map.toList.sortBy(_._1).unzip

  val rows = spark.sparkContext.parallelize(Seq(Row(values: _*)))

  val schema = StructType(keys.map(

    k => StructField(k, IntegerType, nullable = false)))

  val df = spark.createDataFrame(rows, schema)

  df.show()

经过分析：转DataFrame的过程有重要的两步：首先是通过spark.sparkContext.parallelize将Row类型转成RDD，其次获取schema后利用spark.createDataFrame把RDD和schema变为DataFrame。然而为了取到DataFrame的每一行Row，需要调用DataFrame的foreach方法。

Spark的DataFrame的foreach的执行原理：

        Spark DataFrame 的 foreach() 方法将 DataFrame 的每一行作为 Row 对象进行循环，并将给定函数应用于该行。foreach() 的一些限制：Spark中的foreach()方法是在工作节点而不是Driver程序中调用的。这意味着，如果我们在函数内执行print()操作，将无法在会话或笔记本中看到打印结果，因为结果打印在工作节点中。行是只读的，因此您无法更新行的值。鉴于这些限制，foreach() 方法主要用于将每行的一些信息记录到本地计算机或外部数据库foreach方法无法改变原始的DataFrame数据，仅用于迭代处理每个分区的数据。

        foreach方法的处理是并行的，可以提高处理效率，但需要注意处理的顺序可能不同于原始数据的顺序。常规性能调优四：广播大变量默认情况下，task 中的算子中如果使用了外部的变量，每个 task 都会获取一份变量的复 本，这就造成了内存的极大消耗。一方面，如果后续对 RDD 进行持久化，可能就无法将 RDD 数据存入内存，只能写入磁盘，磁盘 IO 将会严重消耗性能；另一方面，task 在创建对象的 时候，也许会发现堆内存无法存放新创建的对象，这就会导致频繁的 GC，GC 会导致工作 线程停止，进而导致 Spark 暂停工作一段时间，严重影响 Spark 性能。假设当前任务配置了 20 个 Executor，指定 500 个 task，有一个 20M 的变量被所有 task 共用，此时会在 500 个 task 中产生 500 个副本，耗费集群 10G 的内存，如果使用了广播变 量， 那么每个 Executor 保存一个副本，一共消耗 400M 内存，内存消耗减少了 5 倍。广播变量在每个 Executor 保存一个副本，此Executor 的所有 task 共用此广播变量，这让变 量产生的副本数量大大减少。在初始阶段，广播变量只在 Driver 中有一份副本。task 在运行的时候，想要使用广播变 量中的数据，此时首先会在自己本地的 Executor 对应的 BlockManager 中尝试获取变量，如 果本地没有，BlockManager 就会从 Driver 或者其他节点的 BlockManager 上远程拉取变量的 复本，并由本地的 BlockManager 进行管理；之后此 Executor 的所有 task 都会直接从本地的 BlockManager 中获取变量。

        一般spark.SparkContext是存在Driver进程里的，工作节点获取不到，每个jvm只能有一个SparkContext，再创建新的SparkContext之前需要先stop()当前活动的SparkContext。

综上分析，方案一不能实现，即DataFrame里不能创建DataFrame

2、方案二

        利用PrepareStatement执行插入更新的sql语句，将DataFrame里的每一行Row的字段数值解析出来封装成sql，每batch个执行一次并提交，碰到有重复的key执行update操作，新的数据执行insert操作。该方案的实现过程借鉴了spark的dataframe的save方法。tableSchema.fields.map(x => x.name).mkString(",")利用map和mkString方法进行字符串操作，同时利用spark的makeSetter方法实现PrepareStatement语句的填充。

三、碰到问题及解决

采用方案二在开发的过程碰到的问题：

1. Spark error: value foreach is not a member of Object

当调用这样调用的时候：

升级2.12之后，DataFrame的foreachPartition 里面不能处理 Row的Iterator；

解决方法：（1）

（2）就是使用foreach替代foreachPartition

2、Caused by: java.io.NotSerializableException: org.postgreslq.jdbc.PgPrepareStatement

原因： prep是一个PrepareStatement对象，这个对象无法序列化，在标1的地方执行，而传入map中的对象是需要分布式传送到各个节点上，传送前先序列化，到达相应机器上后再反序列化，PrepareStatement是个Java类，如果一个java类想(反)序列化，必须实现Serialize接口，PrepareStatement并没有实现这个接口，对象prep在driver端，collect后的数据也在driver端，就不需prep序列化传到各个节点了。但这样其实会有collect的性能问题。

解决方案：使用mappartition在每一个分区内维持一个pgsql连接进行插入

3、在insert on conflict的语句上报Postgre SQL ERROR:there is no unique or exclusion constraint matching the ON CONFLICT specification。

        执行insert into test values('a','b') on conflict(a,b) do update set c='1';由于建表时没有建关于a,b的CONSTRAINT，于是就会报错，为表添加CONSTRAINT

4、java jar 后面传参数，参数中含有空格的处理方法。将含有空格的参数加上双引号。

四、总结

        该组件实现了对于数据规整规范的情况下，直接调用DataFrame的write.mode()方法批量写入，对于特殊的情况hive表里对于pg表的主键字段有重复的情况，进行了重新的封装，通过执行s"INSERT INTO $table ($columns) VALUES ($placeholders) on conflict($id) do update set name1=? ,name2=?"