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)
涉及组件:Spark,Mysql,Hive
涉及知识点:
- Spark读取数据库数据
- DataFrameAPI的使用(重点)
- Spark写入数据库数据
- Hive数据库的基本操作
1.导入配置文件到pom.xml
org.apache.spark spark-sql_2.11 ${spark.version} org.apache.spark spark-hive_2.11 ${spark.version} mysql mysql-connector-java 5.1.37
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_dataExtractionimport org.apache.spark.sql.functions.litimport org.apache.spark.sql.{DataFrame, SparkSession}import java.text.SimpleDateFormatimport 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
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))
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
来源地址:https://blog.csdn.net/qq_36920766/article/details/129774263