利用SparkSQL(java版)将离线数据或实时流数据写入hive的用法及坑点

1. 通常利用SparkSQL将离线或实时流数据的SparkRDD数据写入Hive,一般有两种方法。第一种是利用org.apache.spark.sql.types.StructType和org.apache.spark.sql.types.DataTypes来映射拆分RDD的值；第二种方法是利用rdd和Java bean来反射的机制。下面对两种方法做代码举例

2. 利用org.apache.spark.sql.types.StructType和org.apache.spark.sql.types.DataTypes来映射拆分RDD的值

		JavaRDD<Row> resultRdd = rdd.map(new Function<String[], Row>() {
                    @Override
                    public Row call(String[] line) throws Exception {
                        if (line != null && line.length > 0) {
                            return helper.createRow(line);
                        }
                        return null;
                    }
                });

  
        StructType structType = helper.createSchame();
        Dataset<Row> dataFrame = session.createDataFrame(resultRdd, structType);
        DataFrameWriter<Row> writer = dataFrame.coalesce(1).write().format(TableHelperInter.TABLE_FORMAT_TYPE).mode(SaveMode.Append);
        String tableName = hiveDataBaseName + "." + helper.getTableName();
        writer.insertInto(tableName);

这种方法的有点是写入简单，不必去考虑字段映射有误，但缺点是需要去写一个TableHelperInter，而且这种方式对字段的类型要求严格，在做字段类型和字段校验时比对时一旦字段过多会及其复杂，所以不推崇这种写法

3. 利用rdd和Java bean来反射

来一个完整的程序

public class SparkSQLTest {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf().setMaster("yarn").setAppName("SparkSQL_test");
        JavaSparkContext sc = new JavaSparkContext(conf);

        String line = "1102,jason,20,male,15927384023,developer,col7,col8,col9,col10,col11,col12,col13,col14,col15,col16,col17,col18,col19,col20";
        String line2 = "1103,jason1,21,male,15927352023,developer1,col7,col8,col9,col10,col11,col12,col13,col14,col15,col16,col17,col18,col19,col20";

        List<String> list = new ArrayList<String>();
        list.add(line);
        list.add(line2);

        JavaRDD<String> rdd = sc.parallelize(list);
        JavaRDD<Person> rddResult = rdd.map(new Function<String, Person>() {
            @Override
            public Person call(String s) throws Exception {
                String[] message = s.split(",");
                Person person = new Person();
                person.setNo(message[0]);
                person.setName(message[1]);
                person.setAge(message[2]);
                person.setGender(message[3]);
                person.setPhone(message[4]);
                person.setJob(message[5]);
                person.setCol7(message[6]);
                person.setCol8(message[7]);
                person.setCol9(message[8]);
                person.setCol10(message[9]);
                person.setCol11(message[10]);
                person.setCol12(message[11]);
                person.setCol13(message[12]);
                person.setCol14(message[13]);
                person.setCol15(message[14]);
                person.setCol16(message[15]);
                person.setCol17(message[16]);
                person.setCol18(message[17]);
                person.setCol19(message[18]);
                person.setCol20(message[19]);
                person.setCreate_time_p(DateTimeFormatter.ofPattern("yyyyMMdd").format(LocalDate.now()));

                return person;
            }
        });

        //这行代码必须在实例SparkSession不然会出错
        SparkSession.clearDefaultSession();
        SparkSession session = SparkSession.builder()
                .config("hive.metastore.uris", "localhost:9083")
                .config("spark.sql.warehouse.dir", "/apps/hive/warehouse")
                .config("hive.exec.dynamic.partition", true)
                .config("spark.sql.sources.partitionColumnTypeInference.enabled", false)
                .config("hive.exec.dynamic.partition.mode", "nonstrict")
                .enableHiveSupport()
                .getOrCreate();

        Dataset dataset = session.createDataFrame(rddResult,Person.class);
        dataset.registerTempTable("person_temp_table");
        session.sql("insert into qwrenzixing.person_table20 partition (create_time_p="+DateTimeFormatter.ofPattern("yyyyMMdd")
                .format(LocalDate.now())+") select no,name,age,gender,phone,job,col7,col8,col9,col10,col11,col12,col13,col14,col15,col16,col17,col18,col19,col20 from person_temp_table");
    }
}

这种方法比较简洁，为了避免去做繁琐的字段比对和校验。可以将字段类型以string写入hive。同时通过SparkSession操作SQL的方法是spark2.0后的。这里是将dataset写成一张临时表，再将临时表的值查询出来insert into到hive表中。但将DataSet通过SparkSQL写成一张临时表的操作，Spark原生提供了四个关于这种操作API

dataset.registerTempTable("temp_table");
dataset.createGlobalTempView("temp_table");
dataset.createOrReplaceTempView("temp_table");
dataset.createTempView("temp_table");

4. 关于这四个将DataSet写成一张临时表的作用和坑点

1>. dataset.registerTempTable("temp_table")这个方法建议在离线，批处理中使用，在实时流式计算中会导致后续写入hive值与字段不匹配乱序的问题
2>. dataset.createGlobalTempView("temp_table")这个方法是创建一个全局临时表，意思就是别的spark-submit也可以用，这种场景很少,而且无法用在实时流式计算中,因为创建一次表后不能再创建会包表已经存在的错误
3>. dataset.createOrReplaceTempView("temp_table");这个其实比较好理解，如果存在就覆盖
4>. dataset.createTempView("temp_table"); 这个方法当spark程序没有结束时不能重复创建

这里的创建临时表在spark程序结束后临时表不存在，所以spark streaming程序要特别注意用法

5. 关于Spark SQL的一个坑点

在mysql中insert into有两种方式

INSERT INTO table_name VALUES (value1, value2,....)

INSERT INTO table_name (column1, column2,...) VALUES (value1, value2,....)

要注意第二种写法在SparkSQL会报错，SparkSQL不支持这种写法，只支持第一种写法。这个是为什么其实也很好理解，每个人想法不一样。第一次使用要避免这个坑点

最后附上我在利用SparkSQL将kafka数据写入hive的重要环节的代码：

		String tableName = hiveDataBaseName + ".test_data";
        Dataset dataFrame = session.createDataFrame(resultRdd, SJGJEntity.class);
        // createOrReplaceTempView API方式将数据写入hive 不存在值与字段名错乱的问题
        dataFrame.createOrReplaceTempView("temp_table");
             
        session.sql("insert into " + tableName + " partition(create_time_p=" + DateTimeFormatter.ofPattern("yyyyMMdd").format(LocalDate.now())
                    + ") select base_name,base_num,serviceCode,phoneno,called_phoneno,call_time,call_longth,lac,ci,xpoint,ypoint,imei,imsi,insert_time,call_address," + "source_table,mark_type,companyId,type,createKafkaTime from temp_table");