zoukankan      html  css  js  c++  java
  • 我的Spark SQL单元测试实践

    最近加入一个Spark项目,作为临时的开发人员协助进行开发工作。该项目中不存在测试的概念,开发人员按需求进行编码工作后,直接向生产系统部署,再由需求的提出者在生产系统检验程序运行结果的正确性。在这种原始的工作方式下,产品经理和开发人员总是在生产系统验证自己的需求、代码。可以想见,各种直接交给用户的错误导致了一系列的事故和不信任。为了处理各类线上问题,大家都疲于奔命。当工作进行到后期,每一个相关人都已经意气消沉,常常对工作避之不及。

    为了改善局面,我尝试了重构部分代码,将连篇的SQL分散到不同的方法里,并对单个方法构建单元测试。目的是,在编码完成后,首先在本地执行单元测试,以实现:

    1. 部署到生产系统的代码中无SQL语法错误。
    2. 将已出现的bug写入测试用例,避免反复出现相同的bug。
    3. 提前发现一些错误,减少影响到后续环节的问题。
    4. 通过自动化减少开发和程序问题处理的总时间花费。
    5. 通过流程和结果的改善,减少开发人员的思维负担,增加与其他相关人的互信。

    本文将介绍我的Spark单元测试实践,供大家参考、批评。

    本文中的Spark API是PySpark,测试框架为pytest。

    对于希望将本文当作单元测试教程使用的读者,本文会假定读者已经准备好了开发和测试所需要的环境。如果没有也没有关系,文末的参考部分会包含一些配置环境相关的链接。

    本文链接:https://www.cnblogs.com/hhelibeb/p/10534862.html

    原创内容,转载请注明

    概念

    定义

    单元测试是一种测试方法,它的对象是单个程序单元/组件,目的是验证软件的每个组件都符合设计要求。

    单元是软件中最小的可测试部分。它通常包含一些输入和单一的输出。

    本文中的单元就是python函数(function)。

    单元测试通常是程序开发人员的工作。

    原则

    为了实现单元测试,函数最好符合一个条件,

    • 对于相同的输入,函数总有相同的输出。

    这要求函数的输出结果不依赖内外部状态。

    它的输出结果的确定不应该依赖输入参数外的任何内容,例如,不可以因为本地测试环境中没有相应的数据库就产生“连接数据库异常”导致无法返回结果。如果是类方法的话,也不可以依据一个可能被改变的类属性来决定输出。

    同时,函数内部不能存在“副作用”。它不应该改变除了返回结果以外的任何内容,例如,不可以改变全局可变状态。

    满足以上条件的函数,可以被称为“纯函数”。

    代码实践

    下面是数据和程序部分。

    数据

    假设我们的服务对象是一家水果运销公司,公司在不同城市设有仓库,现有三张表,其中inventory包含水果的总库存数量信息,inventory_ratio包含水果在不同城市的应有比例,

    目标是根据总库存数量和比例算出水果在各地的库存,写入到第三张表inventory_city中。三张表的列如下,

    1. inventory. Columns: “item”, “qty”.
    2. inventory_ratio. Columns: “item”, “city”, “ratio”.
    3. inventory_city. Columns: “item”, “city”, “qty”.

    第一版代码

    用最直接的方式实现这一功能,代码将是,

    from pyspark.sql import SparkSession
    
    if __name__ == "__main__":
    
        spark = SparkSession.builder.appName('TestAPP').enableHiveSupport().getOrCreate()
    
        result = spark.sql('''select t1.item, t2.city,
                                     case when t2.ratio is not null then t1.qty * t2.ratio 
                                          else                           t1.qty
                                     end as qty     
                              from      v_inventory as t1
                              left join v_ratio     as t2 on t1.item = t2.item ''')
    
        result.write.csv(path="somepath/inventory_city", mode="overwrite")

    这段代码可以实现计算各城市库存的需求,但测试起来会不太容易。特别是如果未来我们还要在这个程序中增加其他逻辑的话,不同的逻辑混杂在一起后,测试和修改都会变得麻烦。

    所以,在下一步,我们要将部分代码封装到一个函数中。

    有副作用的函数

    创建一个名为get_inventory_city的函数,将代码包含在内,

    from pyspark.sql import SparkSession
    
    def get_inventory_city():
        
        spark = SparkSession.builder.appName('TestAPP').enableHiveSupport().getOrCreate()
        
    
        result = spark.sql('''select t1.item, t2.city,
                                     case when t2.ratio is not null then t1.qty * t2.ratio 
                                          else                           t1.qty
                                     end as qty     
                              from      v_inventory as t1
                              left join v_ratio     as t2 on t1.item = t2.item ''')
        result.write.csv(path="somepath/inventory_city", mode="overwrite") if __name__ == "__main__": get_inventory_city()

    显然,这是一个不太易于测试的函数,因为它,

    • 没有输入输出参数,不能直接根据给定数据检验运行结果。
    • 包含对数据库的读/写,这意味着它要依赖外部数据库。
    • 包含对spark session的获取/创建,这和计算库存的逻辑也毫无关系。

    我们把这些函数中的多余的东西称为副作用。副作用和函数的核心逻辑纠缠在一起,使单元测试变得困难,也不利于代码的模块化。

    我们必须另外管理副作用,只在函数内部保留纯逻辑

    无副作用的函数

    按照上文中提到的原则,重新设计函数,可以得到,

    from pyspark.sql import SparkSession, DataFrame
    
    def get_inventory_city(spark: SparkSession, inventory: DataFrame, ratio: DataFrame):
    
        inventory.createOrReplaceTempView('v_inventory')
        ratio.createOrReplaceTempView('v_ratio')
    
        result = spark.sql('''select t1.item, t2.city,
                                     case when t2.ratio is not null then t1.qty * t2.ratio 
                                          else                           t1.qty
                                     end as qty     
                              from      v_inventory as t1
                              left join v_ratio     as t2 on t1.item = t2.item ''')
    
        return result
    
    if __name__ == "__main__":
    
        spark = SparkSession.builder.appName('TestAPP').enableHiveSupport().getOrCreate()
    
        inventory = spark.sql('''select * from inventory''')
        ratio     = spark.sql('''select * from inventory_ratio''')
    
        result = get_inventory_city(spark, inventory, ratio)
    
        result.write.csv(path="somepath/inventory_city", mode="overwrite")

    修改后的函数get_inventory_city有3个输入参数和1个返回参数,函数内部已经不再包含对spark session和数据库表的处理,这意味着对于确定的输入值,它总会输出不变的结果。

    这比之前的设计更加理想,因为函数只包含纯逻辑,所以调用者使用它时不会再受到副作用的干扰,这使得函数的可测试性和可组合性得到了提高。

    测试代码

    创建一个test_data目录,将csv格式的测试数据保存到里面。测试数据的来源可以是手工模拟制作,也可以是生产环境导出。

    然后创建测试文件,添加代码,

    from inventory import get_inventory_city
    from pyspark.sql import SparkSession
    
    spark = SparkSession.builder.appName('TestAPP').enableHiveSupport().getOrCreate()
    
    def test_get_inventory_city():
    
        #导入测试数据
        inventory = spark.read.format("csv").option("header", "true").load("./test_data/inventory.csv")
        ratio     = spark.read.format("csv").option("header", "true").load("./test_data/inventory_ratio.csv")
    
        #执行函数
        result = get_inventory_city(spark, inventory, ratio)
    
        #验证拆分后的总数量等于拆分前的总数量
        result.createOrReplaceTempView('v_result')
        inventory.createOrReplaceTempView('v_inventory')
    
        qty_before_split = spark.sql('''select sum(qty) as qty from v_inventory''')
        qty_after_split  = spark.sql('''select sum(qty) as qty from v_result''')
    
        assert qty_before_split.take(1)[0]['qty'] == qty_after_split.take(1)[0]['qty']

    执行测试,可以看到以下输出内容

    ============================= test session starts =============================
    platform win32 -- Python 3.6.8, pytest-4.3.1, py-1.8.0, pluggy-0.9.0
    rootdir: C:Userszhaozhe42PycharmProjectsspark_unitunit, inifile:collected 1 item

    test_get_inventory_city.py .2019-03-21 14:16:24 WARN  ObjectStore:568 - Failed to get database global_temp, returning NoSuchObjectException
                                                 [100%]
    ========================= 1 passed in 18.06 seconds ==========================

    这样一个单元测试例子就完成了。

    相比把程序放到服务器测试,单元测试的运行速度更快,开发者不用再担心测试会对生产作业和用户造成影响,也可以更早发现在编码期间犯下的错误。它也可以成为自动化测试的基础。

    待解决的问题

    目前我已经可以在项目中构建初步的单元测试,但依然面临着一些问题。

    运行时间

    上面这个简单的测试示例在我的联想T470笔记本上需要花费18.06秒执行完成,而实际项目中的程序的复杂度要更高,执行时间也更长。执行时间过长一件糟糕的事情,因为单元测试的执行花费越大,就会越被开发者拒斥。面对显示器等待单元测试执行完成的时间是难捱的。虽然相比于把程序丢到生产系统中执行,这种单元测试模式已经可以节约不少时间,但还不够好。

    接下来可能会尝试的解决办法:提升电脑配置/改变测试数据的导入方式。

    有效范围

    在生产实践中构建纯函数是一件不太容易的事情,它对开发者的设计和编码能力有相当的要求。

    单元测试虽然能帮助发现一些问题和确定问题代码范围,但它似乎并不能揭示错误的原因。只靠单元测试,不能完全证明代码的正确性。

    笔者水平有限,目前写出的代码中仍有很多单元测试力所不能及的地方。可能需要在实践中对它们进行改进,或者引入其它测试手段作为补充。

    参考

    一些参考内容。

    配置

    Getting Started with PySpark on Windows

    win10下安装pyspark

    PyCharm中的pytest

    pycharm 配置spark 2.2.0

    阅读

    函数响应式领域建模

    ABAP单元测试最佳实践

     
  • 相关阅读:
    spring学习总结009 --- 重复id或name的bean定义允许覆盖allowBeanDefinitionOverriding
    spring学习总结008 --- IOC流程图
    spring学习总结007 --- IOC容器级生命周期接口
    spring学习总结006 --- Bean级生命周期接口
    spring学习总结005 --- IOC容器启动源码(事件机制)
    字体图标
    pycharm永久激活
    Linux常用命令
    Android Studio 更新后导入旧项目Bug解决
    Ubuntu更新源
  • 原文地址:https://www.cnblogs.com/hhelibeb/p/10534862.html
Copyright © 2011-2022 走看看