大数据之使用Spark全量抽取MySQL的数据到Hive数据库

文章目录

前言

本题来源于全国职业技能大赛之大数据技术赛项赛题-离线数据处理-数据抽取（其他暂不透露）

题目：编写Scala代码，使用Spark将MySQL的shtd_industry库中表EnvironmentData，ChangeRecord，BaseMachine，MachineData,ProduceRecord全量抽取到Hive的ods库（需自建）中对应表environmentdata，changerecord，basemachine， machinedata， producerecord中。

以下面题目为例：

抽取MySQL的shtd_industry库中EnvironmentData表的全量数据进入Hive的ods库中表environmentdata，字段排序、类型不变，同时添加静态分区，分区字段类型为String，且值为当前日期的前一天日期（分区字段格式为yyyyMMdd）。并在hive cli执行show partitions ods.environmentdata命令，将结果截图粘贴至对应报告中；

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：Spark，Mysql，Hive

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

二、使用步骤

1.导入配置文件到pom.xml

        <!--SparkSQL配置-->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <!--spark连接hive-->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_2.11</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <!--mysql配置-->
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.37</version>
        </dependency>

2.代码部分

由于不是很难，直接上代码，代码如下（示例）：

package A.offlineDataProcessing.shtd_industry.task1_dataExtraction

import org.apache.spark.sql.functions.lit
import org.apache.spark.sql.{DataFrame, SparkSession}

import java.text.SimpleDateFormat
import java.util.{Calendar, Properties}

object SparkToMysqlToHive {
  def main(args: Array[String]): Unit = {

    // 创建Spark对象会话
    val spark = SparkSession.builder()
      .appName("MySQL to Hive")
      .master("spark://bigdata1:7077")
      .enableHiveSupport().getOrCreate()

    // 连接MySQL数据库并设置属性
    val jdbcUrl = "jdbc:mysql://bigdata1:3306/shtd_industry"
    val table = "EnvironmentData"
    val properties = new Properties
    properties.put("user", "root")
    properties.put("password", "123456")

    // Read data from MySQL
    val df: DataFrame = spark.read.jdbc(jdbcUrl, table, properties)

    println("-------------------自定义操作-------------------------")
    // Add partition column
    val dateFormat = new SimpleDateFormat("yyyyMMdd")
    //    第一个getTime返回的是一个 Date 对象
    //    第二个 getTime 方法返回的是一个整数值，表示此 Date 对象表示的时间距离标准基准时间（1970年1月1日00:00:00 GMT）的毫秒数。
    val yesterday = dateFormat.format(Calendar.getInstance().getTime.getTime - 24 * 60 * 60 * 1000)
    //对MySQL来的数据进行withCoulum操作，有就修改，没有就添加
    val dfWithPartition: DataFrame = df.withColumn("etldate", lit(yesterday))

    println("-------------------写入数据-------------------------")
    // Write data to Hive
    //    mode模式为覆盖，还有append为追加
    //    partitionBy 根据指定列进行分区
    //    saveAsTable保存表
    dfWithPartition.write.mode("overwrite")
      .partitionBy("etldate")
      .saveAsTable("ods.environmentdata")

  }

}

hive数据库相关的操作在这不做演示

三、重难点分析

没有难点，主要涉及能否自定义函数完成任务需求

val dateFormat = new SimpleDateFormat("yyyyMMdd")
    //    第一个getTime返回的是一个 Date 对象
    //    第二个 getTime 方法返回的是一个整数值，表示此 Date 对象表示的时间距离标准基准时间（1970年1月1日00:00:00 GMT）的毫秒数。
    val yesterday = dateFormat.format(Calendar.getInstance().getTime.getTime - 24 * 60 * 60 * 1000)
    //对MySQL来的数据进行withCoulum操作，有就修改，没有就添加
    val dfWithPartition: DataFrame = df.withColumn("etldate", lit(yesterday))

总结

本文仅仅介绍了Spark读取MySQL的数据到hive数据库的操作，spark提供了许多方法，我们不必写SQL语法就可以直接对数据进行操作，还是很方便的，并且难度也不高（比flink简单）。

如转载请标明出处