利用Spark实现Oracle到Hive的历史数据同步

1、需求背景

和上一篇文章Spark通过修改DataFrame的schema给表字段添加注释一样,通过Spark将关系型数据库(以Oracle为例)的表同步的Hive,这里讲的只是同步历史数据,不包括同步增量数据。

2、Oracle和Hive的字段类型对应

利用Spark的字段类型自动匹配,本来以为Spark匹配的不是很好,只是简单的判断一下是否为数字、字符串,结果经验证,Spark可以获取到Oracle的小数点精度,Spark的字段类型对应和我自己整理的差不多,所以就索性用Spark自带的字段类型匹配,而不是自己去Oracle相关表获取每个字段类型,然后一一转化为Hive对应的字段类型,下面是Oracle和Hive的字段类型对应,只是整理了大概:

Oracle

Hive

VARCHAR2

String

NVARCHAR2

String

NUMBER

DECIMAL/Int

DATE

TIMESTAMP

TIMESTAMP

TIMESTAMP

CHAR

String

CLOB(一般用不到)

String

BLOB(一般用不到)

BINARY

RAW (一般用不到)

BINARY

Other

String

2.1 看一下Spark字段类型对应

首先建一张包含大部分字段类型的Oracle表

CREATE TABLE TEST (
	COL1 VARCHAR2(25),
	COL2 NVARCHAR2(18),
	COL3 INTEGER,
	COL4 NUMBER(10,4),
	COL5 NUMBER(30,7),
	COL6 NUMBER,
	COL7 DATE,
	COL8 TIMESTAMP,
	COL9 CHAR(30),
	COL10 CLOB,
	COL11 BLOB,
	COL12 RAW(12)
) ;
COMMENT ON COLUMN TEST.COL2 IS '注释2' ;
COMMENT ON COLUMN TEST.COL7 IS '注释7' ;
COMMENT ON COLUMN TEST.COL10 IS '注释10' ;

然后用Spark打印一下获取到的字段类型。

可以看到Spark成功的完成上述表格的字段类型转化,小数的精度和是否为空都可以获取到,但是不完美的一点是没有将NUMBER标度为零的转换为Int,而还是以DECIMAL(38,0)的形式表示,虽然都是表示的整数,但是在后面Spark读取hive的时候,还需要将DECIMAL转为Int。

2.2 按需修改字段类型对应

以上面讲的将DECIMAL(38,0)转为Int为例: 先尝试通过修改schema实现

import org.apache.spark.sql.types._
val schema = df.schema.map(s => {
  if (s.dataType.equals(DecimalType(38, 0))) {
    new StructField(s.name, IntegerType, s.nullable)
  } else {
    s
  }
})
//根据添加了注释的schema,新建DataFrame
val new_df = spark.createDataFrame(df.rdd, StructType(schema)).repartition(160)
new_df.printSchema()

可以看到,已经成功的将COL3的字段转为了Int。但是这样构造的DataFrame是不能用的,如执行new_df.show会报如下错误:

java.lang.RuntimeException: Error while encoding: java.lang.RuntimeException: java.math.BigDecimal is not a valid external type for schema of int

原因是rdd的数据类型和schema的数据类型不匹配。 最后可以通过如下方式实现:

import scala.collection.mutable.ArrayBuffer
//需要转换的列名
val colName = ArrayBuffer[String]()
val schema = df.schema.foreach(s => {
  if (s.dataType.equals(DecimalType(38, 0))) {
    colName += s.name
  }
})

import org.apache.spark.sql.functions._
var df_int = df
colName.foreach(name => {
  df_int = df_int.withColumn(name, col(name).cast(IntegerType))
})
df_int.printSchema()
df_int.show

3、Oracle全部历史数据同步Hive

3.1 再新建一张表

这里的目的是表示多个表,而不是一个表,上面已经建了一张表,再建一张表,以验证代码可以将所有的表都同步过去,这里用上一篇博客上的建表Sql即可

CREATE TABLE ORA_TEST (
ID VARCHAR2(100), 
NAME VARCHAR2(100)
);
COMMENT ON COLUMN ORA_TEST.ID IS 'ID';
COMMENT ON COLUMN ORA_TEST.NAME IS '名字';
COMMENT ON TABLE ORA_TEST IS  '测试';

再在每张表里造点数据,这里就不截图了。

3.2 代码

上篇博客里用到的注释,是在程序里手工添加的注释,下面的代码是从Oracle里取的,且同步的是一个用户下所有的表。

package com.dkl.leanring.spark.sql.Oracle

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.types._
import java.util.Properties
import scala.collection.mutable.ArrayBuffer

/**
 *
 * Spark自动建表(带字段注释、暂无表注释)
 * 并将中间库Oracle的历史数据全部初始化到hive
 *
 * 实现方案:
 * 1、 利用Spark的自动字段类型匹配
 * 2、 读取Oracle表字段注释,添加到DataFrame的元数据
 * 3、按需修改Spark默认的字段类型转换
 *
 * 注:需要提前建好对应的hive数据库
 */
object Oracle2Hive {

  def main(args: Array[String]): Unit = {
    val spark = SparkSession
      .builder()
      .appName("Oracle2Hive")
      .master("local")
      .config("spark.sql.parquet.writeLegacyFormat", true)
      .enableHiveSupport()
      .getOrCreate()

    //oracle的连接信息
    val p = new Properties()
    p.put("driver", "oracle.jdbc.driver.OracleDriver")
    p.put("url", "jdbc:oracle:thin:@192.168.44.128:1521:orcl")
    p.put("user", "bigdata")
    p.put("password", "bigdata")

    import scala.collection.JavaConversions._
    val database_conf: scala.collection.mutable.Map[String, String] = p

    //Oracle是分用户的,这里以用户BIGDATA为例
    val owner = "BIGDATA"
    val sql_in_owner = s"('${owner}')"

    database_conf.put("dbtable", "TEST")

    spark.sql(s"use ${owner}")

    database_conf.put("dbtable", s"(select table_name from all_tables where owner in ${sql_in_owner})a")
    //所有的表名
    val allTableNames = getDataFrame(spark, database_conf)

    database_conf.put("dbtable", s"(select * from all_col_comments where owner in ${sql_in_owner})a")
    //所有的表字段对应的注释
    val allColComments = getDataFrame(spark, database_conf).repartition(160).cache

    allTableNames.select("table_name").collect().foreach(row => {
      //表名
      val table_name = row.getAs[String]("table_name")
      database_conf.put("dbtable", table_name)
      //根据表名从Oracle取数
      val df = getDataFrame(spark, database_conf)
      //字段名 和注 对应的map
      val colName_comments_map = allColComments.where(s"TABLE_NAME='${table_name}'")
        .select("COLUMN_NAME", "COMMENTS")
        .na.fill("", Array("COMMENTS"))
        .rdd.map(row => (row.getAs[String]("COLUMN_NAME"), row.getAs[String]("COMMENTS")))
        .collect()
        .toMap

      val colName = ArrayBuffer[String]()
      //为schema添加注释信息
      val schema = df.schema.map(s => {
        if (s.dataType.equals(DecimalType(38, 0))) {
          colName += s.name
          new StructField(s.name, IntegerType, s.nullable, s.metadata).withComment(colName_comments_map(s.name))
        } else {
          s.withComment(colName_comments_map(s.name))
        }
      })

      import org.apache.spark.sql.functions._
      var df_int = df
      colName.foreach(name => {
        df_int = df_int.withColumn(name, col(name).cast(IntegerType))

      })
      //根据添加了注释的schema,新建DataFrame
      val new_df = spark.createDataFrame(df_int.rdd, StructType(schema))
      new_df.write.mode("overwrite").saveAsTable(table_name)

      //      new_df.schema.foreach(s => println(s.metadata))
      //      new_df.printSchema()

    })

    spark.stop

  }
  /**
   * @param spark SparkSession
   * @param database_conf 数据库配置项Map,包括driver,url,username,password,dbtable等内容,提交程序时需用--jars选项引用相关jar包
   * @return 返回DataFrame对象
   */
  def getDataFrame(spark: SparkSession, database_conf: scala.collection.Map[String, String]) = {
    spark.read.format("jdbc").options(database_conf).load()
  }

}

3.3 看一下Hive里的结果

这样就成功的完成了Oracle历史数据到Hive的同步!

4、关于增量数据的同步

4.1 实时同步

可以考虑这样,先用ogg将Oracle的增量数据实时同步到kafka,再用Spark Streaming实现kafka到hive的实时同步。

  • 下面两篇文章提供参考:利用ogg实现oracle到kafka的增量数据实时同步Spark Streamming+Kafka提交offset实现有且仅有一次,其中Spark Streaming的代码并没有实现写入hive的功能,但是实时读取kafka的功能已经实现,只要自己处理一下解析kafka里json格式的增量数据,转成DataFrame保存到hive表里即可。4.2 非实时 如果Oracle的每个表里都有时间字段,那么可以通过时间字段来过滤增量数据,用上面的Spark程序去定时的跑,如果没有时间字段的话,可以用ogg的colmap函数增加时间字段,先实时同步到中间的Oracle库,再根据时间字段来同步。

本文由 董可伦 发表于 伦少的博客 ,采用署名-非商业性使用-禁止演绎 3.0进行许可。

非商业转载请注明作者及出处。商业转载请联系作者本人。

本文标题:利用Spark实现Oracle到Hive的历史数据同步

本文链接:https://dongkelun.com/2018/08/27/sparkOracle2Hive/

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏企鹅号快讯

大数据入门基础系列之浅谈Hive的执行原理

在前面的博文里,我已经介绍了 在前面的博文里,我已经介绍了 Hive的执行原理 ? Hive的执行原理 Hive构建在Hadoop之上 (1) HQL中对查询语...

1966
来自专栏杨建荣的学习笔记

关于db_files和maxdatafiles的问题(r4笔记第31天)

昨天在做生产监控的时候发现有个库的表空间不够了,就发邮件给客户的dba去处理,但是得到的反馈是尝试添加的时候发现已经超过了数据文件的最大数限制。这个错误毫无疑问...

3486
来自专栏游戏开发那些事

mysql数据库之基础SQL语句/语法

SQL是现在进入互联网工作人们的必须技能之一,下面分享自己觉得很nice的SQL基本语句,从网上找了,觉得很不错,就分享给大家! 简要介绍基础语句:  1、说明...

1092
来自专栏me的随笔

Dapper简明教程

Dapper是一款轻量级的ORM框架,有关Dapper优缺点的文章网上一大堆,这里小编就不再赘述啦。下面直接进入正题:

1505
来自专栏JavaQ

三分钟学习分布式ID方案

在分布式系统中,当数据库数据量达到一定量级的时候,需要进行数据拆分、分库分表操作,传统使用方式的数据库自有的自增特性产生的主键ID已不能满足拆分的需求,它只能保...

1212
来自专栏算法修养

Lucene.net(4.8.0) 学习问题记录五: JIEba分词和Lucene的结合,以及对分词器的思考

前言:目前自己在做使用Lucene.net和PanGu分词实现全文检索的工作,不过自己是把别人做好的项目进行迁移。因为项目整体要迁移到ASP.NET Core ...

57514
来自专栏程序猿

系统设计之数据库范式

在设计数据库时,必须遵守一定的规则,在关系数据库中,就是范式。 字数虽少,信息量大。 什么是范式呢?(这个概念...

3836
来自专栏JAVA高级架构

SQL索引一步到位

982
来自专栏大数据架构

Spark SQL / Catalyst 内部原理 与 RBO

从上图可见,无论是直接使用 SQL 语句还是使用 DataFrame,都会经过如下步骤转换成 DAG 对 RDD 的操作

902
来自专栏小尘哥的专栏

mybatis plus分页查询之掉坑里

当我们调用他service自带的selectPage(Page page, Wrapper wrapper)时候,有可能会有惊喜。比如

641

扫码关注云+社区

领取腾讯云代金券