Hive+Spark离线数仓工业项目实战--数仓设计及数据采集（2）

￡神魔★判官ぃ 2024-03-30 12:13 65阅读 0赞

## MR的Uber模式 ##

**目标：**了解MR的Uber模式的配置及应用

**实施**

\- Spark为什么要比MR要快

\- MR慢  
\- 只有Map和Reduce阶段，每个阶段的结果都必须写入磁盘  
\- 如果要实现Map1 -> Map2 -> Reduce1 -> Reduce2  
\- Mapreduce1：Map1  
\- MapReduce2：Map2 -> Reduce1  
\- Mapreduce3：Reduce2  
\- MapReduce程序处理是进程级别：MapTask进程、ReduceTask进程

**问题：**MR程序运行在YARN上时，有一些轻量级的作业要频繁的申请资源再运行，性能比较差怎么办？

**Uber模式**

**功能：**Uber模式下，程序只申请一个AM Container：所有Map Task和Reduce Task，均在这个Container中顺序执行

![382a26915a694367b6d1313f20916f60.png][]

默认不开启

**配置**：$\{HADOOP\_HOME\}/etc/hadoop/mapred-site.xml

![4518c1afd6bb4fac8a8498d5800e379c.png][]

**特点**

\- Uber模式的进程为AM，所有资源的使用必须小于AM进程的资源  
\- Uber模式条件不满足，不执行Uber模式  
\- Uber模式，会禁用推测执行机制

## Sqoop采集数据格式问题 ##

**目标：**掌握Sqoop采集数据时的问题

**路径**

\- step1：现象  
\- step2：问题  
\- step3：原因  
\- step4：解决

**实施**

现象

\- step1：查看Oracle中CISS\_SERVICE\_WORKORDER表的数据条数

![d2a8694bdecb456d896d8fdf6fa0ad1c.png][]

\- step2：采集CISS\_SERVICE\_WORKORDER的数据到HDFS上

![3989447b6e644357805367e080787f57.png][]  
  
\- step3：Hive中建表查看数据条数

![2ccd7507783d46b49c019359a55bb329.png][]  
  
 **问题**：Sqoop采集完成后导致HDFS数据与Oracle数据量不符

**原因**

\- sqoop以文本格式导入数据时，默认的换行符是特殊字符

\- Oracle中的数据列中如果出现了\\n、\\r、\\t等特殊字符，就会被划分为多行

![7e13cbb70f3a4759b535b84c52c8569a.png][]

**解决**

\- 方案一：删除或者替换数据中的换行符  
\- --hive-drop-import-delims：删除换行符  
\- --hive-delims-replacement char：替换换行符  
\- 不建议使用：侵入了原始数据  
\- 方案二：使用特殊文件格式：AVRO格式

## 问题解决：Avro格式 ##

**目标**：掌握使用Avro格式解决采集换行问题

**路径**

\- step1：常见格式介绍  
\- step2：Avro格式特点  
\- step3：Sqoop使用Avro格式  
\- step4：使用测试

**实施**

**常见格式介绍**

![f29ff54bbc2948b48a5188f490f1ff00.png][]

\- SparkCore缺点：RDD【数据】：没有Schema  
\- SparkSQL优点：DataFrame【数据 + Schema】  
\- Schema：列的信息【名称、类型】

**Avro格式特点**

**- 优点**  
\- 二进制数据存储，性能好、效率高  
\- 使用JSON描述模式，支持场景更丰富  
\- Schema和数据统一存储，消息自描述  
\- 模式定义允许定义数据的排序  
 **- 缺点**  
\- 只支持Avro自己的序列化格式  
\- 少量列的读取性能比较差，压缩比较低  
\- 场景：基于行的大规模结构化数据写入、列的读取非常多或者Schema变更操作比较频繁的场景

**Sqoop使用Avro格式**

![8ab9a2734cf9445fb85700ea00308b7a.png][]

**使用测试**

![381f2684d4544c9dbfab12cb569bc00a.png][]

## Sqoop增量采集方案回顾 ##

**目标：**回顾Sqoop增量采集方案

**路径**

\- step1：Append  
\- step2：Lastmodified  
\- step3：特殊方式

**实施**

**Append**

\- 要求：必须有一列自增的值，按照自增的int值进行判断

\- 特点：只能导入增加的数据，无法导入更新的数据

\- 场景：数据只会发生新增，不会发生更新的场景

\- 代码

![77b91fa42bfe4c94997042197979f6fc.png][]

**Lastmodified**

\- 要求：必须包含动态时间变化这一列，按照数据变化的时间进行判断

\- 特点：既导入新增的数据也导入更新的数据

\- 场景：一般无法满足要求，所以不用

![af5223e1db634b2e826537aa79a3e144.png][]

特殊方式

\- 要求：每次运行的输出目录不能相同

\- 特点：自己实现增量的数据过滤，可以实现新增和更新数据的采集

\- 场景：一般用于自定义增量采集每天的分区数据到Hive

\- 代码

![2908403ea6944a8da234fe58d605a458.png][]

## 脚本开发思路 ##

**目标**：实现自动化脚本开发的设计思路分析

**路径**

\- step1：脚本目标  
\- step2：实现流程  
\- step3：脚本选型  
\- step4：单个测试

**实施**

**脚本目标：**实现自动化将多张Oracle中的数据表全量或者增量采集同步到HDFS中

**实现流程**

\- a. 获取表名  
\- b.构建Sqoop命令  
\- c.执行Sqoop命令  
\- d.验证结果

**脚本选型**

\- Shell：Linux原生Shell脚本，命令功能全面丰富，主要用于实现自动化Linux指令，适合于Linux中简单的自动化任务开发  
\- Python：多平台可移植兼容脚本，自身库功能强大，主要用于爬虫、数据科学分析计算等，适合于复杂逻辑的处理计算场景  
\- 场景：一般100行以内的代码建议用Shell，超过100行的代码建议用Python  
\- 采集脚本选用：Shell

**单个测试**

![601e22845e2d48a6a45fcfc0cec0b815.png][]

![bcd1691f6f6843b6bab3c6ee74e61b23.png][]

![493f6b670b564be2b8fbea091803bd21.png][]

## 全量及增量采集脚本运行 ##

**目标**：实现全量采集脚本的运行

**实施**

全量目标：将所有需要将实现全量采集的表进行全量采集存储到HDFS上

\- Oracle表：组织机构信息、地区信息、服务商信息、数据字典等

\- HDFS路径

![c09f53bf5c4c402196376fbd6b6da367.png][]

![9f09a14470a943c78ea0d9529c3d15df.png][]

## Schema备份及上传 ##

**目标**：了解如何实现采集数据备份

**实施**

![bce1d7f5ff8d45ec8324105c3002f8b9.png][]

##  **Python脚本** ##

**目标：**了解如果使用Python脚本如何实现

实施

原理本质

\- 问题：所有的操作是Sqoop、HDFS等命令操作，如何能通过Python代码控制？

\- 解决：本质上是使用Python执行了Linux的Shell命令来实现的

\- 导包

![f4be0f20077a4749a517e546ed5e8855.png][]

[382a26915a694367b6d1313f20916f60.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/f166f3b2e0fd4b68963df91b661ccf1e.png
[4518c1afd6bb4fac8a8498d5800e379c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/5f439ce2ee0143ae9ec89fb4cca96e83.png
[d2a8694bdecb456d896d8fdf6fa0ad1c.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/31c2bf07496b44b5aa308f902d8388fa.png
[3989447b6e644357805367e080787f57.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/0cb3ac7da4f645f4b1077191d6f25b44.png
[2ccd7507783d46b49c019359a55bb329.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/40ac484877cb450db3ccf130861d9abb.png
[7e13cbb70f3a4759b535b84c52c8569a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/203225fffcdd415599f09f3191c5c61c.png
[f29ff54bbc2948b48a5188f490f1ff00.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/2066a1ac27d2420495afb66cc1575596.png
[8ab9a2734cf9445fb85700ea00308b7a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/f9b6d0e5f1a54f0d9549ed6c485eaf79.png
[381f2684d4544c9dbfab12cb569bc00a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/9ad708980ef74493a93a1db5e6e1c5aa.png
[77b91fa42bfe4c94997042197979f6fc.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/1aed621c73644e2783d27163be776511.png
[af5223e1db634b2e826537aa79a3e144.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/4b28b24ee3474158b1314fb91742f83a.png
[2908403ea6944a8da234fe58d605a458.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/6a16e3a65eb04845b316f34efa19745b.png
[601e22845e2d48a6a45fcfc0cec0b815.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/57ab9010a63243c38d0ee27cf52124f5.png
[bcd1691f6f6843b6bab3c6ee74e61b23.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/f7127ec7253745f691aa28ef76816c48.png
[493f6b670b564be2b8fbea091803bd21.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/9a149f6d74bb4b27b7c45762286c6d9d.png
[c09f53bf5c4c402196376fbd6b6da367.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/84593127e97b4af8a6cf99572c848976.png
[9f09a14470a943c78ea0d9529c3d15df.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/fbe1ad9556584e97a155b104fbddccef.png
[bce1d7f5ff8d45ec8324105c3002f8b9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/542200ff95f944399bae81641423e7ec.png
[f4be0f20077a4749a517e546ed5e8855.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/30/2672935c46594cc29f7a588201707467.png