急中生智~利用Spark core完成"ETL"!

背景介绍：
今天接到老板分配的一个小任务：开发一个程序，实现从数据库中抽取数据并生成报表（这是我们数据库审计平台准备上线的一个功能）。既然是要生成报表，那么首先得有数据，于是便想到从该业务系统的测试环境抽取业务表的数据，然后装载至自己云主机上的Mysql中。
本来以为只要"select ...into outfile"和"load data infile..."两个命令就可以搞定的，可是还是出了意外。测试环境导出的
txt文件在云主机load时，报了"Row 1 doesn't contain data for all columns"这样的warning，表中的数据自然也是凌乱且不完整的。
仔细分析，感觉可能是两个方面出了问题：
1.由于测试环境的网段是隔离的，所以为了拿到"select ...into outfile"时生成的数据，我是打开CRT的日志，然后执行
"cat xxx.txt"，变相地将数据获取到了本地，然后上传至云主机的；
2.测试环境的Mysql和云主机上Mysql的小版本不一致。
这两个问题看似都没法解决，现在只有文本文件，怎么办？使用Spark不就得了！
之前也写过一篇使用Spark分析Mysql慢日志的博文，自己对Spark core的各种算子比较熟悉，所以决定试一试。

实战演练：
表结构如下：

mysql> desc claims_case_loss_document; +---------------+-------------+------+-----+---------+----------------+ | Field | Type | Null | Key | Default | Extra | +---------------+-------------+------+-----+---------+----------------+ | id | int(11) | NO | PRI | NULL | auto_increment | | case_id | varchar(22) | NO | | NULL | | | case_times | varchar(2) | NO | | NULL | | | document_list | text | NO | | NULL | | | create_time | timestamp | YES | | NULL | | | update_time | timestamp | YES | | NULL | | +---------------+-------------+------+-----+---------+----------------+ 6 rows in set (0.00 sec)

文本结构如下：

1147 90100002700021437455 1 100100_收款方账户信息;001003_事故证明;001001_驾驶证;100000_收款方×××明;001002_索赔申请书 2017-11-16 12:08:08 2017-11-16 12:08:08

观察文本结构可知，每个字段间都有数个空格，而且两两字段间的空格数并不一致，所以得先使用Spark core将文本中字段提取出来，以便后续插入。
闲话少说，直接上程序！（以下程序均使用scala在eclipse ide for scala中编写和执行）

package cn.spark.study.sql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import scala.collection.mutable.ArrayBuffer import java.sql.DriverManager object insert2Mysql { def main(args: Array[String]): Unit = { val t1=System.nanoTime() val conf = new SparkConf() .setAppName("insert2Mysql") .setMaster("local") val sc = new SparkContext(conf) //textFile方法只能读取字符集为utf-8的文件，否则中文会乱码。windows下，将文件另存为时，可以选择utf-8字符集 //也可在代码中实施转换，但比较繁琐 val lines = sc.textFile("D://Users//GAOZHONGZHENG186//Desktop//text001.txt", 1); val words = lines.map { line => line.split(" ") } val wordsNotNull = words.map{ word => val wordArray_raw = new ArrayBuffer[String]() val wordArray = new ArrayBuffer[String]() for(i<-0 until word.length){ if (word(i)!=""){ wordArray_raw+=word(i) } } for(i<-0 until wordArray_raw.length-4){ wordArray+=wordArray_raw(i) } wordArray+=wordArray_raw(4)+" "+wordArray_raw(5) wordArray+=wordArray_raw(6)+" "+wordArray_raw(7) wordArray } wordsNotNull.foreach { word => Class.forName("com.mysql.cj.jdbc.Driver") val conn = DriverManager.getConnection("jdbc:mysql://10.25.80.7:3306/db1", "root", "123456") try { val statement = conn.createStatement() val sql="insert into claims_case_loss_document values ("+ word(0)+","+ "'"+word(1)+"'"+","+ "'"+word(2)+"'"+","+ "'"+word(3)+"'"+","+ "'"+word(4)+"'"+","+ "'"+word(5)+"'"+")" //执行插入 //println(sql) statement.executeUpdate(sql) } catch{ case e:Exception =>e.printStackTrace } finally { conn.close } } val t2=System.nanoTime() //打印程序运行时间 println((t2-t1)/1000000000 +"s") } }

在插入的过程中，第一条记录总是会报错（后续语句插入正常），将eclipse中打印出的报错的insert语句手工粘贴至mysql执行时，仍报相同错误：

从报错看是遇到了bug，并且1147这个值有问题，将相邻语句放入Notepad对比：

从图中可看出，1147的千位上的1确实发生了异常改变，而第二条语句中的1148是正常的，猜测可能是某个未知bug导致了第一条记录发生了异常改变。这个猜测在后续得到了证实：当把1147所在行从文本中删除后（此时1148所在行为第一条记录），1148所在行也报出同样的错误，而后续语句均可正常插入。
由于数据是作分析用的，所以丢失一条无伤大雅，而且这个bug实在诡异，这里就不再深究了。

细心的童鞋在看了代码后应该会问：数据插入的效率如何？实不相瞒，效率很差！5000条的数据足足用了近半个小时，即使是在这样的OLAP场景下，这样的效率也是不可容忍的！
仔细研究代码可发现，在对RDD调用foreach方法进行插入的时候，每一条记录都要创建一个连接，并且每一次insert都会在Mysql中触发一次commit操作（autocommit参数默认是打开的），这些都是很消耗资源的操作，插入效率自然很差。
发现这些问题后，针对代码进行了修改：

package cn.spark.study.sql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import java.sql.DriverManager import scala.collection.mutable.ArrayBuffer object insert2Mysql { def main(args: Array[String]): Unit = { val t1=System.nanoTime() val conf = new SparkConf() .setAppName("insert2Mysql") .setMaster("local") val sc = new SparkContext(conf) //textFile方法只能读取字符集为utf-8的文件，否则中文会乱码。windows下，将文件另存为时，可以选择utf-8字符集 //也可在代码中实施转换，但比较繁琐 val lines = sc.textFile("D://Users//GAOZHONGZHENG186//Desktop//text01.txt", 1); val words = lines.map { line => line.split(" ") } val wordsNotNull = words.map{ word => val wordArray_raw = new ArrayBuffer[String]() val wordArray = new ArrayBuffer[String]() for(i<-0 until word.length){ if (word(i)!=""){ wordArray_raw+=word(i) } } for(i<-0 until wordArray_raw.length-4){ wordArray+=wordArray_raw(i) } wordArray+=wordArray_raw(4)+" "+wordArray_raw(5) wordArray+=wordArray_raw(6)+" "+wordArray_raw(7) wordArray } val sqlRDD=wordsNotNull.map{ word => val sql="insert into claims_case_loss_document values ("+ word(0)+","+ "'"+word(1)+"'"+","+ "'"+word(2)+"'"+","+ "'"+word(3)+"'"+","+ "'"+word(4)+"'"+","+ "'"+word(5)+"'"+")" sql } val sqlArray=sqlRDD.toArray() //加载驱动 Class.forName("com.mysql.cj.jdbc.Driver") val conn = DriverManager.getConnection("jdbc:mysql://10.25.80.7:3306/db1", "root", "123456") try { conn.setAutoCommit(false) val statement = conn.createStatement() //这里有bug，处理出来的第一行格式都会报ERROR 1054 (42S22): Unknown column '1147' in 'field list' //为了避免程序跳出循环，所以循环从1开始，即从第2条开始插入 for(i<-1 until sqlArray.length){ //执行插入 println(sqlArray(i)) statement.executeUpdate(sqlArray(i)) } conn.commit() } catch{ case e:Exception =>e.printStackTrace } finally{ conn.close } val t2=System.nanoTime() println((t2-t1)/1000000000 +"s") } }

修改后的代码规避了上述缺陷，在同样插入5000条数据的情况下，只用了221s！效率大大提升！
到Mysql验证数据：

mysql> select count(*) from claims_case_loss_document; +----------+ | count(*) | +----------+ | 4999 | --插入时跳过了第一条，所以为4999条 +----------+ 1 row in set (0.00 sec) mysql> select * from claims_case_loss_document limit 1\G *************************** 1. row *************************** id: 1148 case_id: 90100002700021437450 case_times: 1 document_list: 100100_收款方账户信息;001003_事故证明;001001_驾驶证;100000_收款方×××明;001002_索赔申请书 create_time: 2017-11-16 12:08:08 update_time: 2017-11-16 12:08:08 1 row in set (0.00 sec)

至此，问题圆满解决！整个过程和数据仓库领域的ETL很接近，抽取-转换-装载，三个环节都有涉及，只是没有使用
kettle之类的工具罢了。

总结：
在大数据时代，DBA应该积极做出改变，掌握一定开发技能，以便更好地适应时代变化，切不可固守自己的一亩三分地！

最后，给我们上海分组自研的数据库审计平台打个广告 ^.^
数据库审计平台是我们分组历时两年打造的产品，可用于Mysql、Oracle、Postgres等多种数据库，具备以下核心工能：
1.审计违规sql，前端一键生成报告
2.对相同功能点的sql可实现自动归类，方便后续统一整改
3.内嵌Percona toolkit，前端一键调用
4.一键抓取低效sql，并自动给出优化建议
还有很多很酷的功能就不一一介绍了，总之，谁用谁说好！感兴趣的DBA童鞋可以留言，可免费试用哦！