使用pyspark模仿sqoop从oracle导数据到hive的主要功能（自动建表，分区导入，增量，解决数据换行符问题）

　　最近公司开始做大数据项目，让我使用sqoop（1.6.4版本）导数据进行数据分析计算，然而当我们将所有的工作流都放到azkaban上时整个流程跑完需要花费13分钟，而其中导数据（增量）就占了4分钟左右，老板给我提供了使用 spark 导数据的思路，学习整理了一个多星期，终于实现了sqoop的主要功能。

　　这里我使用的是pyspark完成的所有操作。

　　

　　条件：hdfs平台，pyspark，ubuntu系统

　　运行：我这里是在 /usr/bin 目录下（或者指定在此目录下 ）运行的python文件，也可以使用系统自带的pyspark

 ./spark-submit --jars "/home/engyne/spark/ojdbc7.jar" --master local  /home/engyne/spark/SparkDataBase.py

　　其中--jars 是指定连接oracle的驱动，ojdbc7.jar对应的是oracle12版本，--master local /...指定的是运行的python文件

　　注意：我的代码没有解决中文问题，所以不管是注释还是代码中都不能出现中文，记得删除！！！

　　1、pyspark连接oracle，导数据到hive（后面的代码需要在此篇代码基础上进行，重复代码不再copy了）

 import sys
 from pyspark.sql import HiveContext
 from pyspark import SparkConf, SparkContext, SQLContext

 conf = SparkConf().setAppName('inc_dd_openings')
 sc = SparkContext(conf=conf)
 sqlContext = HiveContext(sc)

 #以下是为了在console中打印出表内容
 reload(sys)
 sys.setdefaultencoding("utf-8")

 get_df_url = "jdbc:oracle:thin:@//192.168.1.1:1521/ORCLPDB"
 get_df_driver = "oracle.jdbc.driver.OracleDriver"
 get_df_user = "xxx"
 get_df_password = "xxx"

 df = sqlContext.read.format("jdbc") \
     .option("url", get_df_url) \
     .option("driver", get_df_driver) \
     .option("dbtable", "STUDENT") \
     .option("user",  get_df_user).option("password", get_df_password) \
     .load()
 #df.show() #可以查看到获取的表的内容，默认显示20行
 sqlContext.sql("use databaseName")    #databaseName指定使用hive中的数据库
 #创建临时表
 df.registerTempTable("tempTable")
 #创建表并写入数据
 sqlContext.sql("create table STUDENT as select * from tempTable")

　　2、pyspark在hive中创建动态分区表

 #修改一下hive的默认设置以支持动态分区
 sqlContext.sql("set hive.exec.dynamic.partition=true")
 sqlContext.sql("set hive.exec.dynamic.partition.mode=nonstrict")
 #设置hive支持创建分区文件的最大值
 sqlContext.sql("SET hive.exec.max.dynamic.partitions=100000")
 sqlContext.sql("SET hive.exec.max.dynamic.partitions.pernode=100000")

　　这里需要先手动创建分区表，我使用dataframe的dtypes属性获取到表结构，然后循环拼接表的每个字段在hive中所对应的类型

　　最后写入表数据的代码是：

 sqlContext.sql("insert overwrite table STUDENT partition(AGE) SELECT ID,NAME,UPDATETIME,AGE FROM tempTable"）

　　3、实现增量导入数据

　　我这里使用了MySql数据库，用来存储增量导入的信息，创建表（job）

DROP TABLE IF EXISTS `job`;

CREATE TABLE `job` (
  `id` int(10) NOT NULL AUTO_INCREMENT,
  `database_name` varchar(50) DEFAULT NULL,     --数据库名称
  `table_name` varchar(100) DEFAULT NULL,       --需要增量导入的表名
  `partition_column_name` varchar(100) DEFAULT NULL,        --分区的字段名（这里只考虑对一个字段分区，如果多个字段这里应该使用一对多表结构吧）
  `partition_column_desc` varchar(50) DEFAULT NULL,     --分区字段类型
  `check_column` varchar(50) DEFAULT NULL,      --根据（table_name中）此字段进行增量导入校验（我这里例子使用的是updatetime）
  `last_value` varchar(255) DEFAULT NULL,       --校验值
  `status` int(1) NOT NULL,     --是否使用（1表示此job激活）
  PRIMARY KEY (`id`)
) INCREMENTAL=InnoDB AUTO_INCREMENT=81 DEFAULT CHARSET=utf8;

　　存储STUDENT表增量导入信息（这里是为了演示）

insert  into `job`(`id`,`database_name`,`table_name`,`partition_column_name`,`partition_column_desc`,`check_column`,`last_value`,`status`)values (1,'test_datebase','STUDENT','AGE','string','UPDATETIME','2018-07-30',1)

　　python 连接MySql的方法我这里就直接怼代码了，具体详解大家就看菜鸟教程

　　Ubuntu需要安装MySQLdb（   sudo apt-get install python-mysqldb   ）

import MySQLdb

# insert        update        delete
def conMysqlDB_exec(sqlStr):
    db = MySQLdb.connect("192.168.xxx.xxx", "xx", "xx", "xx", charset='utf8' )
    cursor = db.cursor()
    try:
        cursor.execute(sqlStr)
        db.commit()
        result = True
    except:
        print("---->MySqlError: execute error")
        result = False
        db.rollback()
    db.close
    return result

# select
def conMysqlDB_fetchall(sqlStr):
    db = MySQLdb.connect("192.168.xxx.xxx", "xx", "xx", "xx", charset='utf8' )
    cursor = db.cursor()
    results = []
    try:
        cursor.execute(sqlStr)
        results = cursor.fetchall()
    except:
        print("---->MySqlError: unable to fecth data")
    db.close
    return results

　　查询增量信息，使用spark进行导入

findJobSql = "SELECT * FROM job where status=1"
result = conMysqlDB_fetchall(findJobSql)
databaseName = val[1]
tableName = val[2]
partitionColumnName = val[3]
partitionColumnDesc = val[4]
checkColumn = val[5]
lastValue = val[6]

sqlContext.sql("use database")

df = sqlContext.read.format("jdbc") \
            .option("url", "jdbc:oracle:thin:@//192.168.xxx.xxx:1521/ORCLPDB") \
            .option("driver", "oracle.jdbc.driver.OracleDriver") \
            .option("dbtable", "(select * from %s where to_char(%s, 'yyyy-MM-dd')>'%s')" % (tableName, checkColumn, lastValue)) \    #这里是关键，直接查询出新增的数据，这样后面的速度才能提升，否则要对整个表的dataframe进行操作，慢死了，千万不要相信dataframe的filter，where这些东西，4万多条数据要查3分钟！！！
            .option("user", "xxx").option("password", "xxx") \
            .load()
def  max(a, b):
　　　　if a>b:
　　　　　　return a
　　　　else:
　　　　　　return b
try:
    #获取到新增字段的最大值！！！（这块也困了我好久）这里使用的是python的reduce函数，调用的max方法
    nowLastValue = df.rdd.reduce(max)[checkColumn]

    df.registerTempTable("temp")#写入内容
    saveSql = "insert into table student select * from temp"
    sqlContext.sql(saveSql)
    #更新mysql表，使lastValue是表最新值
    updataJobSql = "UPDATE job SET last_value='%s' WHERE table_name='%s'" % (nowLastValue, tableName)
    if conMysqlDB_exec(updataJobSql):
        print("---->SUCCESS: incremental import success")
except ValueError:
    print("---->INFO: No new data added!")
except:
    print("---->ERROR: other error")

　　4、解决导入数据换行符问题

　　有时候oracle中的数据中会存在换行符（" \n "）然而hive1.1.0中数据换行默认识别的也是\n，最坑的是还不能对它进行修改（目前我没有查出修改的方法，大家要是有办法欢迎在评论区讨论）那我只能对数据进行处理了，以前使用sqoop的时候也有这个问题，所幸sqoop有解决换行符的语句，，，，巴拉巴拉，，，扯远了

　　解决换行符需要dataframe的map方法，然后使用lambda表达式进行replace，总结好就是下面的代码（第3行）

　　解释：这是个for循环里面加if else 判断，整个需要用  [ ]  包起来，没错这是个list ，如果不包就报错，lambda x 获取到的是表中一行行的数据，for循环对每一行进行遍历，然后对一行中每个字段进行判断，是否是unicode或者str类型，（一般只有是这两个类型才存在换行符）如果是则进行replace处理，否则不做处理。

　　转化好之后这是个rdd类型的数据，需要转化为dataframe类型才能写入hive

 #df自带获取schema的方法,不要学我去拼凑出来（