我试图使用Spark从Greenplum数据库中提取增量数据。我们为每个表提供了增量数据,其中包含一个名为transactionId
的密钥。每个transactionId
可以包含一行或多行的数据。所有这些都存储在元数据表中:incKeyTable
。我们还有另一个元数据表中每个表的最后移动的transactionID
:incKeyLoads
。此表包含每个表的一个条目,这是最后更新的transactionId
到生产表中。为了找出每个表的增量transactionid
,我提出了以下逻辑。
val spark = SparkSession.builder().master("yarn").enableHiveSupport().config("hive.exec.dynamic.partition", "true").config("hive.exec.dynamic.partition.mode", "nonstrict").getOrCreate()
import spark.implicits._
Class.forName("org.postgresql.Driver").newInstance()
val tableStatus = s"select tablename, last_update_transaction_id from prod.incKeyLoads where source_system='DB2' and tablename='table1' and final_stage='PROD' and load='Successfull'"
val tableMetaDF = spark.read.format("jdbc").option("url", "url").option("dbtable", s"(${tableStatus}) as LoadedData").option("user", "user").option("password", "pwd").load()
val lutransIdTableMap = tableMetaDF.map(r => (r.getString(0),r.getLong(1))).collect().toMap
现在我在scala Map中有我最后更新的事务ID,如下所示:
lutransIdTableMap.foreach(println) =
(table1 -> 123)
(table2 -> 113)
(table3 -> 122)
...
(tableN -> 098)
为了找到最新的transactionId
(增量数据)来自greenplum,我编写了以下逻辑来查询元数据表:incKeyTable
Class.forName("com.pivotal.jdbc.GreenplumDriver").newInstance()
def sortLogIds(incTransIds:DataFrame, lastMovedTransId:Long, tablename: String):String = {
val returnMsg = "Full loads on this table"
val count = incTransIds.where($"load_type" === "FULLLOAD").count
if(count == 0) {
incTransIds.createOrReplaceTempView("incTransID")
val execQuery = s"SELECT transactionId from incTransID order by transactionId desc"
val incLogIdDf = spark.sql(execQuery)
incLogIdDf.show
val pushTransIds = "select * from schema.tablename where transactionID in(" + "'" + incLogIdDf.select($"transactionId").collect().map(_.getInt(0).toString).mkString("','") + "')"
pushLogIds
} else {
println("Full load count is greater than zero..")
returnMsg
}
}
var incTransIdMap = Map[String, String]()
lutransIdTableMap.keys.foreach(keyTable => if(lutransIdTableMap(keyTable) !=0) {
val tablename = keyTable.split("\\.") // Tablename = schema.tablename
val cdf = spark.read.format("jdbc").option("url", "url").option("dbtable", s"(select transactionId, load_type, source_system, tablename from schema.incKeyTable where source_system='DB2' and target_table='${tablename(1)}' and transactionId > ${lutransIdTableMap(keyTable)}) as controlTableDF").option("user", "user").option("password", "pwd").load()
incTransIdMap += (keyTable -> sortLogIds(cdf, lutransIdTableMap(keyTable), tablename(1)))
}
)
这种方法正在运行,但由于数据帧cdf是一个巨大的数据帧,因此我需要花费很长时间才能在此搜索完成之前从表级别从greenplum中提取整个数据。我试图缓存数据帧:cdf但是包含近500万行,并建议不要将这么大的表缓存到缓存中。我无法想到其他方式可以让我更快地进行搜索。谁能让我知道一个想法,使这个过程成为一个有效的过程?
问题中的代码不能是你实际运行的代码,因为你在pushLogIds
中返回sortLogIds
,它从未被定义过,你从schema.tablename
中选择而不是从s"schema.$tablename"
中选择。这使得很难确切知道发生了什么......
也就是说,从大数据处理的角度来看,您的方法存在一些潜在的问题:
lutransIdTableMap
中的所有表。sortLogIds
中,您正在执行count
操作,以决定是否运行其他查询。在其他条件相同的情况下,最好通过连接转换来表达这一点,以便延迟运行操作。之后你发行了一个show
,它的封面相当于take(n)
。这个动作真的有必要吗?稍后您使用collect
生成要在IN
运算符中使用的SQL表达式。这是您应该使用连接的另一个示例。总而言之,您执行三次由incTransId
表示的相同Greenplum基本查询。如果你坚持这种类型的处理,你绝对应该以某种方式坚持incTransId
。如果没有完整的代码并且不知道确切的Greenplum架构+分发策略+索引(如果有的话)以及所涉及的数据大小,那么这里有太多的问题需要解决。但是,上面应该给你一个起点。
以下是如何从使用迭代切换到联合的示例。
val allData = Map("table1" -> 101, "table2" -> 212)
.map { case (tableName, id) =>
spark.table(tableName).withColumn("id", lit(id))
}
.reduceLeft(_ union _)
这是一个如何使用连接而不是collect
+ IN
的示例。
val allIds = spark.range(100)
val myIds = spark.createDataset(Seq(11, 33, 55, 77, 99)).toDF("id")
allIds.where('id.isin(myIds.as[Int].collect: _*)) // premature action
allIds.join(myIds, Seq("id")) // inner join delays action
上面的例子还展示了如何使用collect
数据集,例如用.collect().map(_.getInt(0).toString)
替换.as[String].collect
,它更简单,更安全,更快捷。
希望这可以帮助!