清泓博客 https://gokoululi.com/ zh-CN 记录苦逼程序员走过的那些坑 Wed, 06 Jul 2022 16:26:00 +0800 Wed, 06 Jul 2022 16:26:00 +0800 Sqoop常用命令及参数 https://gokoululi.com/archives/985/ https://gokoululi.com/archives/985/ Wed, 06 Jul 2022 16:26:00 +0800 清泓

常用命令列举

序号命令说明
1importImportTool将数据导入到集群
2exportExportTool将集群数据导出
3codegenCodeGenTool获取数据库中某张表数据生成Java并打包Jar
4create-hive-tableCreateHiveTableTool创建Hive表
5evalEvalSqlTool查看SQL执行结果
6import-all-tablesImportAllTablesTool导入某个数据库下所有表到HDFS中
7jobJobTool用来生成一个sqoop的任务,生成后,该任务并不执行,除非使用命令执行该任务。
8list-databasesListDatabasesTool列出所有数据库名
9list-tablesListTablesTool列出某个数据库下所有表
10mergeMergeTool将HDFS中不同目录下面的数据合在一起,并存放在指定的目录中
11metastoreMetastoreTool记录sqoop job的元数据信息,如果不启动metastore实例,则默认的元数据存储目录为:~/.sqoop,如果要更改存储目录,可以在配置文件sqoop-site.xml中进行更改。
12helpHelpTool打印sqoop帮助信息
13versionVersionTool打印sqoop版本信息

命令及参数详解

刚才列举了一些Sqoop的常用命令,对于不同的命令,有不同的参数,让我们来一一列举说明。
首先来我们来介绍一下公用的参数,所谓公用参数,就是大多数命令都支持的参数。

公用参数:数据库连接

序号参数说明
1--connect连接关系型数据库的URL
2--connection-manager指定要使用的连接管理类
3--driverHadoop根目录
4--help打印帮助信息
5--password连接数据库的密码
6--username连接数据库的用户名
7--verbose在控制台打印出详细信息

公用参数:import

序号参数说明
1--enclosed-by 给字段值前加上指定的字符
2--escaped-by 对字段中的双引号加转义符
3--fields-terminated-by 设定每个字段是以什么符号作为结束,默认为逗号
4--lines-terminated-by 设定每行记录之间的分隔符,默认是\n
5--mysql-delimitersMysql默认的分隔符设置,字段之间以逗号分隔,行之间以\n分隔,默认转义符是\,字段值以单引号包裹
6--optionally-enclosed-by 给带有双引号或单引号的字段值前后加上指定字符

公用参数:export

序号参数说明
1--input-enclosed-by 对字段值前后加上指定字符
2--input-escaped-by 对含有转移符的字段做转义处理
3--input-fields-terminated-by 字段之间的分隔符
4--input-lines-terminated-by 行之间的分隔符
5--input-optionally-enclosed-by 给带有双引号或单引号的字段前后加上指定字符

公用参数:hive

序号参数说明
1--hive-delims-replacement 用自定义的字符串替换掉数据中的\r\n和\013 \010等字符
2--hive-drop-import-delims在导入数据到hive时,去掉数据中的\r\n\013\010这样的字符
3--map-column-hive 生成hive表时,可以更改生成字段的数据类型
4--hive-partition-key创建分区,后面直接跟分区名,分区字段的默认类型为string
5--hive-partition-value 导入数据时,指定某个分区的值
6--hive-home hive的安装目录,可以通过该参数覆盖之前默认配置的目录
7--hive-import将数据从关系数据库中导入到hive表中
8--hive-overwrite覆盖掉在hive表中已经存在的数据
9--create-hive-table默认是false,即,如果目标表已经存在了,那么创建任务失败
10--hive-table后面接要创建的hive表,默认使用MySQL的表名
11--table指定关系数据库的表名

公用参数介绍完之后,我们来按照命令介绍命令对应的特有参数

命令&参数:import

将关系型数据库中的数据导入到HDFS(包括Hive,HBase)中,如果导入的是Hive,那么当Hive中没有对应表时,则自动创建。
1) 命令:
如:导入数据到hive中

$ bin/sqoop import \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff \
--hive-import

如:增量导入数据到hive中,mode=append
append导入:

$ bin/sqoop import \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff \
--num-mappers 1 \
--fields-terminated-by "\t" \
--target-dir /user/hive/warehouse/staff_hive \
--check-column id \
--incremental append \
--last-value 3

提示:append不能与--hive-等参数同时使用(Append mode for hive imports is not yet supported. Please remove the parameter --append-mode)

如:增量导入数据到hdfs中,mode=lastmodified
先在mysql中建表并插入几条数据:

mysql> create table company.staff_timestamp(id int(4), name varchar(255), sex varchar(255), last_modified timestamp DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP);
mysql> insert into company.staff_timestamp (id, name, sex) values(1, 'AAA', 'female');
mysql> insert into company.staff_timestamp (id, name, sex) values(2, 'BBB', 'female');

先导入一部分数据:

$ bin/sqoop import \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff_timestamp \
--delete-target-dir \
--m 1

再增量导入一部分数据:

mysql> insert into company.staff_timestamp (id, name, sex) values(3, 'CCC', 'female');
$ bin/sqoop import \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff_timestamp \
--check-column last_modified \
--incremental lastmodified \
--last-value "2017-09-28 22:20:38" \
--m 1 \
--append

提示:使用lastmodified方式导入数据要指定增量数据是要--append(追加)还是要--merge-key(合并)
提示:last-value指定的值是会包含于增量导入的数据中
2) 参数:

序号参数说明
1--append将数据追加到HDFS中已经存在的DataSet中,如果使用该参数,sqoop会把数据先导入到临时文件目录,再合并
2--as-avrodatafile将数据导入到一个Avro数据文件中
3--as-sequencefile将数据导入到一个sequence文件中
4--as-textfile将数据导入到一个普通文本文件中
5--boundary-query 边界查询,导入的数据为该参数的值(一条sql语句)所执行的结果区间内的数据
6--columns <col1, col2, col3>指定要导入的字段
7--direct直接导入模式,使用的是关系数据库自带的导入导出工具,以便加快导入导出过程
8--direct-split-size在使用上面direct直接导入的基础上,对导入的流按字节分块,即达到该阈值就产生一个新的文件
9--inline-lob-limit设定大对象数据类型的最大值
10--m或–num-mappers启动N个map来并行导入数据,默认4个
11--query或--e 将查询结果的数据导入,使用时必须伴随参--target-dir,--hive-table,如果查询中有where条件,则条件后必须加上$CONDITIONS关键字
12--split-by 按照某一列来切分表的工作单元,不能与--autoreset-to-one-mapper连用(请参考官方文档)
13--table 关系数据库的表名
14--target-dir 指定HDFS路径
15--warehouse-dir 与14参数不能同时使用,导入数据到HDFS时指定的目录
16--where从关系数据库导入数据时的查询条件
17--z或--compress允许压缩
18--compression-codec指定hadoop压缩编码类,默认为gzip(Use Hadoop codec default gzip)
19--null-string string类型的列如果null,替换为指定字符串
20--null-non-string 非string类型的列如果null,替换为指定字符串
21--check-column
作为增量导入判断的列名
22--incremental mode:append或lastmodified
23--last-value 指定某一个值,用于标记增量导入的位置

命令&参数:export

从HDFS(包括Hive和HBase)中奖数据导出到关系型数据库中。
1) 命令:
如:

$ bin/sqoop export \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff \
--export-dir /user/company \
--input-fields-terminated-by "\t" \
--num-mappers 1

2) 参数:

序号参数说明
1--direct利用数据库自带的导入导出工具,以便于提高效率
2--export-dir 存放数据的HDFS的源目录
3-m或--num-mappers 启动N个map来并行导入数据,默认4个
4--table 指定导出到哪个RDBMS中的表
5--update-key 对某一列的字段进行更新操作
6--update-mode updateonly allowinsert(默认)
7--input-null-string 请参考import该类似参数说明
8--input-null-non-string 请参考import该类似参数说明
9--staging-table 创建一张临时表,用于存放所有事务的结果,然后将所有事务结果一次性导入到目标表中,防止错误
10--clear-staging-table如果第9个参数非空,则可以在导出操作执行前,清空临时事务结果表

命令&参数:codegen

将关系型数据库中的表映射为一个Java类,在该类中有各列对应的各个字段。
如:

$ bin/sqoop codegen \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"
序号参数说明
1--bindir 指定生成的Java文件、编译成的class文件及将生成文件打包为jar的文件输出路径
2--class-name 设定生成的Java文件指定的名称
3--outdir 生成Java文件存放的路径
4--package-name 包名,如com.z,就会生成com和z两级目录
5--input-null-non-string 在生成的Java文件中,可以将null字符串或者不存在的字符串设置为想要设定的值(例如空字符串)
6--input-null-string 将null字符串替换成想要替换的值(一般与5同时使用)
7--map-column-java 数据库字段在生成的Java文件中会映射成各种属性,且默认的数据类型与数据库类型保持对应关系。该参数可以改变默认类型,例如:--map-column-java id=long, name=String
8--null-non-string 在生成Java文件时,可以将不存在或者null的字符串设置为其他值
9--null-string 在生成Java文件时,将null字符串设置为其他值(一般与8同时使用)
10--table 对应关系数据库中的表名,生成的Java文件中的各个属性与该表的各个字段一一对应

命令&参数:create-hive-table

生成与关系数据库表结构对应的hive表结构。
命令:
如:

$ bin/sqoop create-hive-table \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff \
--hive-table hive_staff

参数:

序号参数说明
1--hive-home Hive的安装目录,可以通过该参数覆盖掉默认的Hive目录
2--hive-overwrite覆盖掉在Hive表中已经存在的数据
3--create-hive-table默认是false,如果目标表已经存在了,那么创建任务会失败
4--hive-table后面接要创建的hive表
5--table指定关系数据库的表名

命令&参数:eval

可以快速的使用SQL语句对关系型数据库进行操作,经常用于在import数据之前,了解一下SQL语句是否正确,数据是否正常,并可以将结果显示在控制台。
命令:
如:

$ bin/sqoop eval \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--query "SELECT * FROM staff"

参数:

序号参数说明
1--query或--e后跟查询的SQL语句

命令&参数:import-all-tables

可以将RDBMS中的所有表导入到HDFS中,每一个表都对应一个HDFS目录
命令:
如:

$ bin/sqoop import-all-tables \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--warehouse-dir /all_tables

参数:

序号参数说明
1--as-avrodatafile这些参数的含义均和import对应的含义一致
2--as-sequencefile表格
3--as-textfile表格
4--direct表格
5--direct-split-size 表格
6--inline-lob-limit 表格
7--m或—num-mappers 表格
8--warehouse-dir 表格
9-z或--compress表格
10--compression-codec表格

命令&参数:job

用来生成一个sqoop任务,生成后不会立即执行,需要手动执行。
命令:
如:

$ bin/sqoop job \
 --create myjob -- import-all-tables \
 --connect jdbc:mysql://hadoop102:3306/company \
 --username root \
 --password 000000
 
$ bin/sqoop job \
--list
$ bin/sqoop job \

--exec myjob

提示:注意import-all-tables和它左边的--之间有一个空格
提示:如果需要连接metastore,则--meta-connect jdbc:hsqldb:hsql://master:16000/sqoop
参数:

序号参数说明
1--create 创建job参数
2--delete 删除一个job
3--exec 执行一个job
4--help显示job帮助
5--list显示job列表
6--meta-connect 用来连接metastore服务
7--show 显示一个job的信息
8--verbose打印命令运行时的详细信息

提示:在执行一个job时,如果需要手动输入数据库密码,可以做如下优化

<property>
    <name>sqoop.metastore.client.record.password</name>
    <value>true</value>
    <description>If true, allow saved passwords in the metastore.</description>
</property>

命令&参数:list-databases

命令:
如:

$ bin/sqoop list-databases \
--connect jdbc:mysql://master:3306/ \
--username root \
--password 000000

参数:与公用参数一样

命令&参数:list-tables

命令:
如:

$ bin/sqoop list-tables \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000

参数:与公用参数一样

命令&参数:merge

将HDFS中不同目录下面的数据合并在一起并放入指定目录中
数据环境:

new_staff
1       AAA     male
2       BBB     male
3       CCC     male
4       DDD     male
old_staff
1       AAA     female
2       CCC     female
3       BBB     female
6       DDD     female

提示:上边数据的列之间的分隔符应该为\t,行与行之间的分割符为\n,如果直接复制,请检查之。
命令:
如:
创建JavaBean:

$ bin/sqoop codegen \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff \
--bindir /home/admin/Desktop/staff \
--class-name Staff \
--fields-terminated-by "\t"

开始合并:

$ bin/sqoop merge \
--new-data /test/new/ \
--onto /test/old/ \
--target-dir /test/merged \
--jar-file /home/admin/Desktop/staff/Staff.jar \
--class-name Staff \
--merge-key id

结果:

1    AAA    MALE
2    BBB    MALE
3    CCC    MALE
4    DDD    MALE
6    DDD    FEMALE

参数:

序号参数说明
1--new-data HDFS 待合并的数据目录,合并后在新的数据集中保留
2--onto HDFS合并后,重复的部分在新的数据集中被覆盖
3--merge-key
合并键,一般是主键ID
4--jar-file 合并时引入的jar包,该jar包是通过Codegen工具生成的jar包
5--class-name 对应的表名或对象名,该class类是包含在jar包中的
6--target-dir 合并后的数据在HDFS里存放的目录

命令&参数:metastore

记录了Sqoop job的元数据信息,如果不启动该服务,那么默认job元数据的存储目录为~/.sqoop,可在sqoop-site.xml中修改。
命令:
如:启动sqoop的metastore服务

$ bin/sqoop metastore

参数:

序号参数说明
1--shutdown关闭metastore
]]>
0 https://gokoululi.com/archives/985/#comments https://gokoululi.com/feed/
sqoop导入、导出数据 https://gokoululi.com/archives/984/ https://gokoululi.com/archives/984/ Wed, 06 Jul 2022 10:48:00 +0800 清泓

导入数据

在Sqoop中,“导入”概念指:从非大数据集群(RDBMS)向大数据集群(HDFS,HIVE,HBASE)中传输数据,叫做:导入,即使用import关键字

RDBMS到HDFS

(1)确定Mysql服务开启正常
(2)在Mysql中新建一张表并插入一些数据

$ mysql -uroot -p000000
mysql> create database company;
mysql> create table company.staff(id int(4) primary key not null auto_increment, name varchar(255), sex varchar(255));
mysql> insert into company.staff(name, sex) values('Thomas', 'Male');
mysql> insert into company.staff(name, sex) values('Catalina', 'FeMale');

(3)导入数据

  • 全部导入

    $ bin/sqoop import \
    --connect jdbc:mysql://master:3306/company \
    --username root \
    --password 000000 \
    --table staff \
    --target-dir /user/company \
    --delete-target-dir \
    --num-mappers 1 \
    --fields-terminated-by "\t"
  • 查询导入

    $ bin/sqoop import \
    --connect jdbc:mysql://master:3306/company \
    --username root \
    --password 000000 \
    --target-dir /user/company \
    --delete-target-dir \
    --num-mappers 1 \
    --fields-terminated-by "\t" \
    --query 'select name,sex from staff where id <=1 and $CONDITIONS;'

    提示:must contain '$CONDITIONS' in WHERE clause.
    如果query后使用的是双引号,则$CONDITIONS前必须加转移符,防止shell识别为自己的变量。

  • 导入指定列

    $ bin/sqoop import \
    --connect jdbc:mysql://master:3306/company \
    --username root \
    --password 000000 \
    --target-dir /user/company \
    --delete-target-dir \
    --num-mappers 1 \
    --fields-terminated-by "\t" \
    --columns id,sex \
    --table staff

    提示:columns中如果涉及到多列,用逗号分隔,分隔时不要添加空格

  • 使用sqoop关键字筛选查询导入数据

    $ bin/sqoop import \
    --connect jdbc:mysql://master:3306/company \
    --username root \
    --password 000000 \
    --target-dir /user/company \
    --delete-target-dir \
    --num-mappers 1 \
    --fields-terminated-by "\t" \
    --table staff \
    --where "id=1"

RDBMS到Hive

$ bin/sqoop import \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff \
--num-mappers 1 \
--hive-import \
--fields-terminated-by "\t" \
--hive-overwrite \
--hive-table staff_hive

提示:该过程分为两步,第一步将数据导入到HDFS,第二步将导入到HDFS的数据迁移到Hive仓库,第一步默认的临时目录是/user/master/表名

RDBMS到Hbase

$ bin/sqoop import \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table company \
--columns "id,name,sex" \
--column-family "info" \
--hbase-create-table \
--hbase-row-key "id" \
--hbase-table "hbase_company" \
--num-mappers 1 \
--split-by id

提示:sqoop1.4.6只支持HBase1.0.1之前的版本的自动创建HBase表的功能
解决方案:手动创建HBase表

hbase> create 'hbase_company,'info'

在HBase中scan这张表得到如下内容

hbase> scan ‘hbase_company’

导出数据

在Sqoop中,“导出”概念指:从大数据集群(HDFS,HIVE,HBASE)向非大数据集群(RDBMS)中传输数据,叫做:导出,即使用export关键字。

HIVE/HDFS到RDBMS

$ bin/sqoop export \
--connect jdbc:mysql://master:3306/company \
--username root \
--password 000000 \
--table staff \
--num-mappers 1 \
--export-dir /user/hive/warehouse/staff_hive \
--input-fields-terminated-by "\t"

提示:Mysql中如果表不存在,不会自动创建

脚本打包

使用opt格式的文件打包sqoop命令,然后执行

  • 创建一个.opt文件

    $ mkdir opt
    $ touch opt/job_HDFS2RDBMS.opt
  • 编写sqoop脚本

    $ vi opt/job_HDFS2RDBMS.opt
    
    export
    --connect
    jdbc:mysql://master:3306/company
    --username
    root
    --password
    000000
    --table
    staff
    --num-mappers
    1
    --export-dir
    /user/hive/warehouse/staff_hive
    --input-fields-terminated-by
    "\t"
  • 执行该脚本

    $ bin/sqoop --options-file opt/job_HDFS2RDBMS.opt
]]>
0 https://gokoululi.com/archives/984/#comments https://gokoululi.com/feed/
Sqoop安装与配置 https://gokoululi.com/archives/983/ https://gokoululi.com/archives/983/ Wed, 06 Jul 2022 10:31:00 +0800 清泓

Sqoop简介

  Sqoop是一款开源的工具,主要用于在Hadoop(Hive)与传统的数据库(mysql、postgresql...)间进行数据的传递,可以将一个关系型数据库(例如 : MySQL ,Oracle ,Postgres等)中的数据导进到Hadoop的HDFS中,也可以将HDFS的数据导进到关系型数据库中。
Sqoop项目开始于2009年,最早是作为Hadoop的一个第三方模块存在,后来为了让使用者能够快速部署,也为了让开发人员能够更快速的迭代开发,Sqoop独立成为一个Apache项目。

Sqoop原理

将导入或导出命令翻译成mapreduce程序来实现。
在翻译出的mapreduce中主要是对inputformat和outputformat进行定制。

Sqoop安装配置

安装Sqoop的前提是已经具备Java和Hadoop的环境。

下载并解压

  • 下载地址:http://mirrors.hust.edu.cn/apache/sqoop/1.4.6/
  • 上传安装包sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz到虚拟机中
  • 解压sqoop安装包到指定目录,如:

    $ tar -zxf sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz -C /opt/module/

修改配置文件

Sqoop的配置文件与大多数大数据框架类似,在sqoop根目录下的conf目录中。

  • 重命名配置文件

    $ mv sqoop-env-template.sh sqoop-env.sh
  • 修改配置文件

    sqoop-env.sh
    export HADOOP_COMMON_HOME=/opt/module/hadoop-2.7.2
    export HADOOP_MAPRED_HOME=/opt/module/hadoop-2.7.2
    export HIVE_HOME=/opt/module/hive
    export ZOOKEEPER_HOME=/opt/module/zookeeper-3.4.10
    export ZOOCFGDIR=/opt/module/zookeeper-3.4.10
    export HBASE_HOME=/opt/module/hbase

拷贝JDBC驱动

拷贝jdbc驱动到sqoop的lib目录下,如:

$ cp mysql-connector-java-5.1.27-bin.jar /opt/module/sqoop-1.4.6.bin__hadoop-2.0.4-alpha/lib/

验证Sqoop

我们可以通过某一个command来验证sqoop配置是否正确:

$ bin/sqoop help

出现一些Warning警告(警告信息已省略),并伴随着帮助命令的输出:

Available commands:
  codegen            Generate code to interact with database records
  create-hive-table     Import a table definition into Hive
  eval               Evaluate a SQL statement and display the results
  export             Export an HDFS directory to a database table
  help               List available commands
  import             Import a table from a database to HDFS
  import-all-tables     Import tables from a database to HDFS
  import-mainframe    Import datasets from a mainframe server to HDFS
  job                Work with saved jobs
  list-databases        List available databases on a server
  list-tables           List available tables in a database
  merge              Merge results of incremental imports
  metastore           Run a standalone Sqoop metastore
  version            Display version information

测试Sqoop是否能够成功连接数据库

$ bin/sqoop list-databases --connect jdbc:mysql://master:3306/ --username root --password 000000
出现如下输出:
information_schema
metastore
mysql
performance_schema
]]>
0 https://gokoululi.com/archives/983/#comments https://gokoululi.com/feed/
Spark SQL函数总结 https://gokoululi.com/archives/980/ https://gokoululi.com/archives/980/ Fri, 01 Jul 2022 09:52:00 +0800 清泓

前言

  • org.apache.spark.sql.functions是一个Object,提供了约两百多个函数
  • 大部分函数与Hive的接近
  • 除UDF函数,均可在spark-sql中直接使用
  • 经过import org.apache.spark.sql.functions._ ,也可以用于Dataframe,Dataset
  • version 2.3.0
  • 大部分支持Column的函数也支持String类型的列名。这些函数的返回类型基本都是Column

函数总结


聚合函数

approx_count_distinct
count_distinct近似值

avg
平均值

collect_list
聚合指定字段的值到list

collect_set
聚合指定字段的值到set

corr
计算两列的Pearson相关系数

count
计数

countDistinct
去重计数 SQL中用法:select count(distinct class)

covar_pop
总体协方差(population covariance)

covar_samp
样本协方差(sample covariance)

first
分组第一个元素

last
分组最后一个元素

grouping


grouping_id


kurtosis
计算峰态(kurtosis)值

skewness
计算偏度(skewness)

max
最大值

min
最小值

mean
平均值

stddev
即stddev_samp

stddev_samp
样本标准偏差(sample standard deviation)

stddev_pop
总体标准偏差(population standard deviation)

sum
求和

sumDistinct
非重复值求和 SQL中用法:select sum(distinct class)

var_pop
总体方差(population variance)

var_samp
样本无偏方差(unbiased variance)

variance
即var_samp

集合函数

array_contains(column,value)
检查array类型字段是否包含指定元素

explode
展开array或map为多行

explode_outer
同explode,但当array或map为空或null时,会展开为null。

posexplode
同explode,带位置索引。

posexplode_outer
同explode_outer,带位置索引。

from_json
解析JSON字符串为StructType or ArrayType,有多种参数形式,详见文档。

to_json
转为json字符串,支持StructType, ArrayType of StructTypes, a MapType or ArrayType of MapTypes。

get_json_object(column,path)
获取指定json路径的json对象字符串。

json_tuple(column,fields)
获取json中指定字段值。select json_tuple('{"a":1,"b":2}','a','b');

map_keys
返回map的键组成的array

map_values
返回map的值组成的array

size
array or map的长度

sort_array(e: Column, asc: Boolean)
将array中元素排序(自然排序),默认asc。

时间函数

add_months(startDate: Column, numMonths: Int)
指定日期添加n月

date_add(start: Column, days: Int)
指定日期之后n天 e.g. select date_add('2018-01-01',3)

date_sub(start: Column, days: Int)
指定日期之前n天

datediff(end: Column, start: Column)
两日期间隔天数

current_date()
当前日期

current_timestamp()
当前时间戳,TimestampType类型

date_format(dateExpr: Column, format: String)
日期格式化

dayofmonth(e: Column)
日期在一月中的天数,支持 date/timestamp/string

dayofyear(e: Column)
日期在一年中的天数, 支持 date/timestamp/string

weekofyear(e: Column)
日期在一年中的周数, 支持 date/timestamp/string

from_unixtime(ut: Column, f: String)
时间戳转字符串格式

from_utc_timestamp(ts: Column, tz: String)
时间戳转指定时区时间戳

to_utc_timestamp(ts: Column, tz: String)
指定时区时间戳转UTF时间戳

hour(e: Column)
提取小时值

minute(e: Column)
提取分钟值

month(e: Column)
提取月份值

quarter(e: Column)
提取季度

second(e: Column)
提取秒

year(e: Column):提取年

last_day(e: Column)
指定日期的月末日期

months_between(date1: Column, date2: Column)
计算两日期差几个月

next_day(date: Column, dayOfWeek: String)
计算指定日期之后的下一个周一、二...,dayOfWeek区分大小写,只接受 "Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"。

to_date(e: Column)
字段类型转为DateType

trunc(date: Column, format: String)
日期截断

unix_timestamp(s: Column, p: String)
指定格式的时间字符串转时间戳

unix_timestamp(s: Column)
同上,默认格式为 yyyy-MM-dd HH:mm:ss

unix_timestamp():当前时间戳(秒),底层实现为unix_timestamp(current_timestamp(), yyyy-MM-dd HH:mm:ss)

window(timeColumn: Column, windowDuration: String, slideDuration: String, startTime: String)
时间窗口函数,将指定时间(TimestampType)划分到窗口

数学函数

cos,sin,tan
计算角度的余弦,正弦。。。

sinh,tanh,cosh
计算双曲正弦,正切,。。

acos,asin,atan,atan2
计算余弦/正弦值对应的角度

bin
将long类型转为对应二进制数值的字符串For example, bin("12") returns "1100".

bround
舍入,使用Decimal的HALF_EVEN模式,v>0.5向上舍入,v< 0.5向下舍入,v0.5向最近的偶数舍入。

round(e: Column, scale: Int)
HALF_UP模式舍入到scale为小数点。v>=0.5向上舍入,v< 0.5向下舍入,即四舍五入。

ceil
向上舍入

floor
向下舍入

cbrt
Computes the cube-root of the given value.

conv(num:Column, fromBase: Int, toBase: Int)
 转换数值(字符串)的进制

log(base: Double, a: Column):$log_{base}(a)$

log(a: Column):$log_e(a)$

log10(a: Column):$log_{10}(a)$

log2(a: Column):$log_{2}(a)$

log1p(a: Column):$log_{e}(a+1)$

pmod(dividend: Column, divisor: Column):Returns the positive value of dividend mod divisor.

pow(l: Double, r: Column):$r^l$ 注意r是列

pow(l: Column, r: Double):$r^l$ 注意l是列

pow(l: Column, r: Column):$r^l$ 注意r,l都是列

radians(e: Column):角度转弧度

rint(e: Column):Returns the double value that is closest in value to the argument and is equal to a mathematical integer.

shiftLeft(e: Column, numBits: Int):向左位移

shiftRight(e: Column, numBits: Int):向右位移

shiftRightUnsigned(e: Column, numBits: Int):向右位移(无符号位)

signum(e: Column):返回数值正负符号

sqrt(e: Column):平方根

hex(column: Column):转十六进制

unhex(column: Column):逆转十六进制

混杂(misc)函数

crc32(e: Column):计算CRC32,返回bigint

hash(cols: Column*):计算 hash code,返回int

md5(e: Column):计算MD5摘要,返回32位,16进制字符串

sha1(e: Column):计算SHA-1摘要,返回40位,16进制字符串

sha2(e: Column, numBits: Int):计算SHA-1摘要,返回numBits位,16进制字符串。numBits支持224, 256, 384, or 512.

其他非聚合函数

abs(e: Column)
绝对值

array(cols: Column*)
多列合并为array,cols必须为同类型

map(cols: Column*):
将多列组织为map,输入列必须为(key,value)形式,各列的key/value分别为同一类型。

bitwiseNOT(e: Column):
Computes bitwise NOT.

broadcast[T](df: Dataset[T]): Dataset[T]:
将df变量广播,用于实现broadcast join。如left.join(broadcast(right), "joinKey")

coalesce(e: Column*):
返回第一个非空值

col(colName: String):
返回colName对应的Column

column(colName: String):
col函数的别名

expr(expr: String):
解析expr表达式,将返回值存于Column,并返回这个Column。

greatest(exprs: Column*):
返回多列中的最大值,跳过Null

least(exprs: Column*):
返回多列中的最小值,跳过Null

input_file_name():返
回当前任务的文件名 ??

isnan(e: Column):
检查是否NaN(非数值)

isnull(e: Column):
检查是否为Null

lit(literal: Any):
将字面量(literal)创建一个Column

typedLit[T](literal: T)(implicit arg0: scala.reflect.api.JavaUniverse.TypeTag[T]):
将字面量(literal)创建一个Column,literal支持 scala types e.g.: List, Seq and Map.

monotonically_increasing_id():
返回单调递增唯一ID,但不同分区的ID不连续。ID为64位整型。

nanvl(col1: Column, col2: Column):
col1为NaN则返回col2

negate(e: Column):
负数,同df.select( -df("amount") )

not(e: Column):
取反,同df.filter( !df("isActive") )

rand():
随机数[0.0, 1.0]

rand(seed: Long):
随机数[0.0, 1.0],使用seed种子

randn():
随机数,从正态分布取

randn(seed: Long):
同上

spark_partition_id():
返回partition ID

struct(cols: Column*):
多列组合成新的struct column ??

when(condition: Column, value: Any):
当condition为true返回value,如
people.select(when(people("gender") === "male", 0)
  .when(people("gender") === "female", 1)
  .otherwise(2))
如果没有otherwise且condition全部没命中,则返回null.

排序函数

asc(columnName: String):正序

asc_nulls_first(columnName: String):正序,null排最前

asc_nulls_last(columnName: String):正序,null排最后

e.g.
df.sort(asc("dept"), desc("age"))

对应有desc函数
 desc,desc_nulls_first,desc_nulls_last

字符串函数


ascii(e: Column): 计算第一个字符的ascii码

base64(e: Column): base64转码

unbase64(e: Column): base64解码

concat(exprs: Column*):连接多列字符串

concat_ws(sep: String, exprs: Column*):使用sep作为分隔符连接多列字符串

decode(value: Column, charset: String): 解码

encode(value: Column, charset: String): 转码,charset支持 'US-ASCII', 'ISO-8859-1', 'UTF-8', 'UTF-16BE', 'UTF-16LE', 'UTF-16'。

format_number(x: Column, d: Int):格式化'#,###,###.##'形式的字符串

format_string(format: String, arguments: Column*): 将arguments按format格式化,格式为printf-style。

initcap(e: Column): 单词首字母大写

lower(e: Column): 转小写

upper(e: Column): 转大写

instr(str: Column, substring: String): substring在str中第一次出现的位置

length(e: Column): 字符串长度

levenshtein(l: Column, r: Column): 计算两个字符串之间的编辑距离(Levenshtein distance)

locate(substr: String, str: Column): substring在str中第一次出现的位置,位置编号从1开始,0表示未找到。

locate(substr: String, str: Column, pos: Int): 同上,但从pos位置后查找。

lpad(str: Column, len: Int, pad: String):字符串左填充。用pad字符填充str的字符串至len长度。有对应的rpad,右填充。

ltrim(e: Column):剪掉左边的空格、空白字符,对应有rtrim.

ltrim(e: Column, trimString: String):剪掉左边的指定字符,对应有rtrim.

trim(e: Column, trimString: String):剪掉左右两边的指定字符

trim(e: Column):剪掉左右两边的空格、空白字符

regexp_extract(e: Column, exp: String, groupIdx: Int): 正则提取匹配的组

regexp_replace(e: Column, pattern: Column, replacement: Column): 正则替换匹配的部分,这里参数为列。

regexp_replace(e: Column, pattern: String, replacement: String): 正则替换匹配的部分

repeat(str: Column, n: Int):将str重复n次返回

reverse(str: Column): 将str反转

soundex(e: Column): 计算桑迪克斯代码(soundex code)PS:用于按英语发音来索引姓名,发音相同但拼写不同的单词,会映射成同一个码。

split(str: Column, pattern: String): 用pattern分割str

substring(str: Column, pos: Int, len: Int): 在str上截取从pos位置开始长度为len的子字符串。

substring_index(str: Column, delim: String, count: Int):Returns the substring from string str before count occurrences of the delimiter delim. If count is positive, everything the left of the final delimiter (counting from left) is returned. If count is negative, every to the right of the final delimiter (counting from the right) is returned. substring_index performs a case-sensitive match when searching for delim.

translate(src: Column, matchingString: String, replaceString: String):把src中的matchingString全换成replaceString。

UDF函数

user-defined function.

callUDF(udfName: String, cols: Column*): 调用UDF
import org.apache.spark.sql._

val df = Seq(("id1", 1), ("id2", 4), ("id3", 5)).toDF("id", "value")
val spark = df.sparkSession
spark.udf.register("simpleUDF", (v: Int) => v * v)
df.select($"id", callUDF("simpleUDF", $"value"))

udf: 定义UDF

窗口函数

cume_dist(): cumulative distribution of values within a window partition

currentRow(): returns the special frame boundary that represents the current row in the window partition.

rank():排名,返回数据项在分组中的排名,排名相等会在名次中留下空位 1,2,2,4。

dense_rank(): 排名,返回数据项在分组中的排名,排名相等会在名次中不会留下空位 1,2,2,3。

row_number():行号,为每条记录返回一个数字 1,2,3,4

percent_rank():returns the relative rank (i.e. percentile) of rows within a window partition.

lag(e: Column, offset: Int, defaultValue: Any): offset rows before the current row

lead(e: Column, offset: Int, defaultValue: Any): returns the value that is offset rows after the current row

ntile(n: Int): returns the ntile group id (from 1 to n inclusive) in an ordered window partition.

unboundedFollowing():returns the special frame boundary that represents the last row in the window partition.
]]>
0 https://gokoululi.com/archives/980/#comments https://gokoululi.com/feed/
hive日期格式化的问题 https://gokoululi.com/archives/979/ https://gokoululi.com/archives/979/ Mon, 20 Jun 2022 16:13:00 +0800 清泓

问题

  在hive中,经常需要进行日期的计算,可是,经常会出现这样一种情况,hive仓库中日期的存储格式是yyyyMMdd,例如20220505,在进行日期的计算时,hive支持的函数例如,add_months 仅识别yyyy-MM-dd格式的函数,如果输入yyyyMMdd的参数,返回结果是null。所以我们在对日期的字段进行计算时,优先需要进行格式的转换,将yyyyMMdd转换成yyyy-MM-dd格式。

需要注意的是,字符串日期格式化仅支持yyyy-MM-dd转为yyyyMMdd,不支持yyyyMMdd转为yyyy-MM-dd,转化后为null。

解决

  解决日期格式化最好的方法就是将日期格式转化为时间戳,再转换成需要的格式

举例:将yyyyMMdd HH:mm:ss格式的字符串时间 20220505 05:05:05 转换为yyyy-MM-dd HH:mm:ss 格式 2022-05-05 05:05:05

from_unixtime(unix_timestamp('20220505 05:05:05','yyyyMMdd HH:mm:ss'),'yyyy-MM-dd HH:mm:ss')
]]>
0 https://gokoululi.com/archives/979/#comments https://gokoululi.com/feed/
导入数据到hive的字段含有转义符问题 https://gokoululi.com/archives/977/ https://gokoululi.com/archives/977/ Mon, 20 Jun 2022 15:31:00 +0800 清泓

问题

  从mysql中抽取数据到hive中发现数据错乱了,mysql中的两百条数据抽到hive中变成了九千多条。初步怀疑是建表时的分割符问题,更换行分隔符和列分割符都无法解决问题。后面查看mysql中数据,发现有个字段中包含大量换行符、制表符、回车等,问题找到了,开始解决

解决

  Hive数据处理中去除字段中的换行符、分割符需要使用regexp_replace()函数

具体使用方式如下:

regexp_replace(字段,需要替换的符号,替换符号)

举例:

mysql数据:
test表中字段field_B中含有换行符等符号,需要在抽取时进行处理

field_Afield_Bfield_C
aaa\t\n\001\bxxxaaa
bbb\t\n\001\bxxxbbb
ccc\t\n\001\bxxxbbb

hive建表语句:

create table if not exists test(
field_A      string,
field_B      string,
field_C      string)
partitioned by (date timestamp)
row format delimited fields terminated by ',';

抽取语句:

insert overwrite table partition (date = current_date())
select 
field_A,
regexp_replace(field_B,'\\n|\\t|\\r',''),
field_C
from test
]]>
0 https://gokoululi.com/archives/977/#comments https://gokoululi.com/feed/
Spark提交任务内存不足 https://gokoululi.com/archives/976/ https://gokoululi.com/archives/976/ Tue, 14 Jun 2022 15:48:00 +0800 清泓

出现的异常

spark在yarn模式下运行任务报错
异常信息:
1 、 ERROR cluster.YarnScheduler: Lost executor
2 、 ERROR client.TransportClient: Failed to send RPC
3 、 WARN storage.BlockManagerMaster: Failed to remove RDD
4 、 ERROR cluster.YarnScheduler: Lost executor 1 on 192.168.23.105: Slave lost
出现此问题的原因是任务需要的内存过高,需要修改spark-env.sh调整默认的内存大小

解决

在spark-env.sh文件内添加如下配置

[root@master ~]# vi /usr/local/src/spark/conf/spark-env.sh
  export SPARK_EXECUTOR_INSTANCES=4   # yarn集群中,最多能够同时启动的EXECUTOR的实例个数
  export SPARK_EXECUTOR_CORES=4       # 每个EXECUTOR能够使用的CPU core的数量
  export SPARK_EXECUTOR_MEMORY=4G     # 每个EXECUTOR分配的内存的大小
  export SPARK_DRIVER_MEMORY=2G       # DRIVER分配的内存的大小
]]>
0 https://gokoululi.com/archives/976/#comments https://gokoululi.com/feed/
Spark在Yarn模式下提交未找到驱动 https://gokoululi.com/archives/975/ https://gokoululi.com/archives/975/ Tue, 14 Jun 2022 09:11:00 +0800 清泓

报错相关

使用spark提交任务到yarn上,出现找不到mysql驱动问题

22/06/14 16:48:38 WARN scheduler.TaskSetManager: Lost task 0.0 in stage 0.0 (TID 0, slave1, executor 1): java.lang.ClassNotFoundException: com.mysql.jdbc.Driver
    at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
    at org.apache.spark.sql.execution.datasources.jdbc.DriverRegistry$.register(DriverRegistry.scala:38)
    at org.apache.spark.sql.execution.datasources.jdbc.JdbcUtils$$anonfun$createConnectionFactory$1.apply(JdbcUtils.scala:51)
    at org.apache.spark.sql.execution.datasources.jdbc.JdbcUtils$$anonfun$createConnectionFactory$1.apply(JdbcUtils.scala:50)
    at org.apache.spark.sql.execution.datasources.jdbc.JDBCRDD.compute(JDBCRDD.scala:286)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
    at org.apache.spark.scheduler.Task.run(Task.scala:99)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:322)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
    at java.lang.Thread.run(Thread.java:748)

22/06/14 16:48:38 INFO scheduler.TaskSetManager: Starting task 0.1 in stage 0.0 (TID 1, slave1, executor 1, partition 0, PROCESS_LOCAL, 5868 bytes)
22/06/14 16:48:38 INFO scheduler.TaskSetManager: Lost task 0.1 in stage 0.0 (TID 1) on slave1, executor 1: java.lang.ClassNotFoundException (com.mysql.jdbc.Driver) [duplicate 1]
22/06/14 16:48:38 INFO scheduler.TaskSetManager: Starting task 0.2 in stage 0.0 (TID 2, slave1, executor 1, partition 0, PROCESS_LOCAL, 5868 bytes)
22/06/14 16:48:38 INFO scheduler.TaskSetManager: Lost task 0.2 in stage 0.0 (TID 2) on slave1, executor 1: java.lang.ClassNotFoundException (com.mysql.jdbc.Driver) [duplicate 2]
22/06/14 16:48:38 INFO scheduler.TaskSetManager: Starting task 0.3 in stage 0.0 (TID 3, slave1, executor 1, partition 0, PROCESS_LOCAL, 5868 bytes)
22/06/14 16:48:38 INFO scheduler.TaskSetManager: Lost task 0.3 in stage 0.0 (TID 3) on slave1, executor 1: java.lang.ClassNotFoundException (com.mysql.jdbc.Driver) [duplicate 3]
22/06/14 16:48:38 ERROR scheduler.TaskSetManager: Task 0 in stage 0.0 failed 4 times; aborting job
22/06/14 16:48:38 INFO cluster.YarnScheduler: Removed TaskSet 0.0, whose tasks have all completed, from pool 
22/06/14 16:48:38 INFO cluster.YarnScheduler: Cancelling stage 0
22/06/14 16:48:38 INFO scheduler.DAGScheduler: ResultStage 0 (sql at A1.scala:43) failed in 0.686 s due to Job aborted due to stage failure: Task 0 in stage 0.0 failed 4 times, most recent failure: Lost task 0.3 in stage 0.0 (TID 3, slave1, executor 1): java.lang.ClassNotFoundException: com.mysql.jdbc.Driver
    at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
    at org.apache.spark.sql.execution.datasources.jdbc.DriverRegistry$.register(DriverRegistry.scala:38)
    at org.apache.spark.sql.execution.datasources.jdbc.JdbcUtils$$anonfun$createConnectionFactory$1.apply(JdbcUtils.scala:51)
    at org.apache.spark.sql.execution.datasources.jdbc.JdbcUtils$$anonfun$createConnectionFactory$1.apply(JdbcUtils.scala:50)
    at org.apache.spark.sql.execution.datasources.jdbc.JDBCRDD.compute(JDBCRDD.scala:286)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
    at org.apache.spark.scheduler.Task.run(Task.scala:99)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:322)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
    at java.lang.Thread.run(Thread.java:748)

Driver stacktrace:
22/06/14 16:48:38 INFO scheduler.DAGScheduler: Job 0 failed: sql at A1.scala:43, took 0.869800 s
Exception in thread "main" org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 0.0 failed 4 times, most recent failure: Lost task 0.3 in stage 0.0 (TID 3, slave1, executor 1): java.lang.ClassNotFoundException: com.mysql.jdbc.Driver
    at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
    at org.apache.spark.sql.execution.datasources.jdbc.DriverRegistry$.register(DriverRegistry.scala:38)
    at org.apache.spark.sql.execution.datasources.jdbc.JdbcUtils$$anonfun$createConnectionFactory$1.apply(JdbcUtils.scala:51)
    at org.apache.spark.sql.execution.datasources.jdbc.JdbcUtils$$anonfun$createConnectionFactory$1.apply(JdbcUtils.scala:50)
    at org.apache.spark.sql.execution.datasources.jdbc.JDBCRDD.compute(JDBCRDD.scala:286)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
    at org.apache.spark.scheduler.Task.run(Task.scala:99)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:322)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
    at java.lang.Thread.run(Thread.java:748)

Driver stacktrace:
    at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$failJobAndIndependentStages(DAGScheduler.scala:1435)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1423)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1422)
    at scala.collection.mutable.ResizableArray$class.foreach(ResizableArray.scala:59)
    at scala.collection.mutable.ArrayBuffer.foreach(ArrayBuffer.scala:48)
    at org.apache.spark.scheduler.DAGScheduler.abortStage(DAGScheduler.scala:1422)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:802)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:802)
    at scala.Option.foreach(Option.scala:257)
    at org.apache.spark.scheduler.DAGScheduler.handleTaskSetFailed(DAGScheduler.scala:802)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.doOnReceive(DAGScheduler.scala:1650)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.onReceive(DAGScheduler.scala:1605)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.onReceive(DAGScheduler.scala:1594)
    at org.apache.spark.util.EventLoop$$anon$1.run(EventLoop.scala:48)
    at org.apache.spark.scheduler.DAGScheduler.runJob(DAGScheduler.scala:628)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1925)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1938)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1958)
    at org.apache.spark.sql.hive.execution.InsertIntoHiveTable.saveAsHiveFile(InsertIntoHiveTable.scala:210)
    at org.apache.spark.sql.hive.execution.InsertIntoHiveTable.sideEffectResult$lzycompute(InsertIntoHiveTable.scala:310)
    at org.apache.spark.sql.hive.execution.InsertIntoHiveTable.sideEffectResult(InsertIntoHiveTable.scala:221)
    at org.apache.spark.sql.hive.execution.InsertIntoHiveTable.doExecute(InsertIntoHiveTable.scala:407)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$execute$1.apply(SparkPlan.scala:114)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$execute$1.apply(SparkPlan.scala:114)
    at org.apache.spark.sql.execution.SparkPlan$$anonfun$executeQuery$1.apply(SparkPlan.scala:135)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)
    at org.apache.spark.sql.execution.SparkPlan.executeQuery(SparkPlan.scala:132)
    at org.apache.spark.sql.execution.SparkPlan.execute(SparkPlan.scala:113)
    at org.apache.spark.sql.execution.QueryExecution.toRdd$lzycompute(QueryExecution.scala:92)
    at org.apache.spark.sql.execution.QueryExecution.toRdd(QueryExecution.scala:92)
    at org.apache.spark.sql.Dataset.<init>(Dataset.scala:185)
    at org.apache.spark.sql.Dataset$.ofRows(Dataset.scala:64)
    at org.apache.spark.sql.SparkSession.sql(SparkSession.scala:592)
    at com.hive.task_1.A1$.main(A1.scala:43)
    at com.hive.task_1.A1.main(A1.scala)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:743)
    at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:187)
    at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:212)
    at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:126)
    at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)
Caused by: java.lang.ClassNotFoundException: com.mysql.jdbc.Driver
    at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
    at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
    at org.apache.spark.sql.execution.datasources.jdbc.DriverRegistry$.register(DriverRegistry.scala:38)
    at org.apache.spark.sql.execution.datasources.jdbc.JdbcUtils$$anonfun$createConnectionFactory$1.apply(JdbcUtils.scala:51)
    at org.apache.spark.sql.execution.datasources.jdbc.JdbcUtils$$anonfun$createConnectionFactory$1.apply(JdbcUtils.scala:50)
    at org.apache.spark.sql.execution.datasources.jdbc.JDBCRDD.compute(JDBCRDD.scala:286)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:323)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:287)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:87)
    at org.apache.spark.scheduler.Task.run(Task.scala:99)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:322)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
    at java.lang.Thread.run(Thread.java:748)

问题解决

我提交任务指令如下:

spark-submit
--master yarn \
--deploy-mode client \
--class com.hive.task_1.A1 \
/opt/Spark-01-1.0.SNAPSHOT.jar

我已经将mysql驱动复制到spark的conf目录下,但直接报错

Exception in thread "main" java.lang.ClassNotFoundException: com.mysql.jdbc.Driver

但我使用--driver-class-path /opt/mysql-connector-java-5.1.38.jar指定驱动后还是出现找不到驱动的问题

查找资料找到的解决方案是在spark安装目录下的conf/spark-env.sh配置SPARK_CLASSPATH来设置driver的环境变量,如下

export SPARK_CLASSPATH=$SPARK_CLASSPATH:/lib/com/mysql-connector-java-5.1.35.jar

注意:不能同时在conf/spark-env.sh里面配置SPARK_CLASSPATH和提交作业加上--driver-class-path参数,否则会出现异常

但还是无法解决问题,经过尝试后发现只需要在提交参数后添加--driver-class-path--jars指定驱动即可

spark-submit
--driver-class-path /opt/mysql-connector-java-5.1.38.jar \
--jars /opt/mysql-connector-java-5.1.38.jar \
--master yarn \
--deploy-mode client \
--class com.hive.task_1.A1 \
/opt/Spark-01-1.0.SNAPSHOT.jar
]]>
0 https://gokoululi.com/archives/975/#comments https://gokoululi.com/feed/
HadoopHA模式下Hive启动报错 https://gokoululi.com/archives/969/ https://gokoululi.com/archives/969/ Tue, 07 Jun 2022 15:21:00 +0800 清泓

报错

hadoop配置HA后启动hive报错
Exception in thread "main" java.lang.IllegalArgumentException: java.net.UnknownHostException: hadoopcluster

[root@master hive]# hive
which: no hbase in (/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/root/bin:/usr/local/src/jdk/bin:/usr/local/src/hadoop/bin:/usr/local/src/hadoop/sbin:/usr/local/src/zookeeper/bin:/usr/local/src/hive/bin:/usr/local/src/scala/bin:/usr/local/src/spark/bin:/usr/local/src/sqoop/bin:/usr/local/src/kafka/bin:/usr/local/src/flume/bin:/usr/local/src/flink/bin)
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/usr/local/src/hive/lib/log4j-slf4j-impl-2.6.2.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/local/src/hadoop/share/hadoop/common/lib/slf4j-log4j12-1.7.10.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.apache.logging.slf4j.Log4jLoggerFactory]

Logging initialized using configuration in jar:file:/usr/local/src/hive/lib/hive-common-2.3.4.jar!/hive-log4j2.properties Async: true
Exception in thread "main" java.lang.IllegalArgumentException: java.net.UnknownHostException: hadoopcluster
    at org.apache.hadoop.security.SecurityUtil.buildTokenService(SecurityUtil.java:377)
    at org.apache.hadoop.hdfs.NameNodeProxies.createNonHAProxy(NameNodeProxies.java:320)
    at org.apache.hadoop.hdfs.NameNodeProxies.createProxy(NameNodeProxies.java:176)
    at org.apache.hadoop.hdfs.DFSClient.<init>(DFSClient.java:687)
    at org.apache.hadoop.hdfs.DFSClient.<init>(DFSClient.java:628)
    at org.apache.hadoop.hdfs.DistributedFileSystem.initialize(DistributedFileSystem.java:149)
    at org.apache.hadoop.fs.FileSystem.createFileSystem(FileSystem.java:2667)
    at org.apache.hadoop.fs.FileSystem.access$200(FileSystem.java:93)
    at org.apache.hadoop.fs.FileSystem$Cache.getInternal(FileSystem.java:2701)
    at org.apache.hadoop.fs.FileSystem$Cache.get(FileSystem.java:2683)
    at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:372)
    at org.apache.hadoop.fs.FileSystem.get(FileSystem.java:171)
    at org.apache.hadoop.hive.ql.session.SessionState.start(SessionState.java:579)
    at org.apache.hadoop.hive.ql.session.SessionState.beginStart(SessionState.java:549)
    at org.apache.hadoop.hive.cli.CliDriver.run(CliDriver.java:750)
    at org.apache.hadoop.hive.cli.CliDriver.main(CliDriver.java:686)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:498)
    at org.apache.hadoop.util.RunJar.run(RunJar.java:226)
    at org.apache.hadoop.util.RunJar.main(RunJar.java:141)
Caused by: java.net.UnknownHostException: hadoopcluster
    ... 22 more

原因

原因是hadoop配置文件hdfs-site.xml的nameservices的名称为hadoopcluster

<!-- 指定hdfs的nameservices名称为hadoopcluster -->
<property>
    <name>dfs.nameservices</name>
    <value>hadoopcluster</value>
</property>

而指定HDFS客户端连接active namenode的java类时漏写了client

<property>
    <name>dfs.failover.proxy.provider.hadoopcluster</name>
    <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
</property>

修改为:

<property>
    <name>dfs.client.failover.proxy.provider.hadoopcluster</name>
    <value>org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider</value>
</property>
]]>
0 https://gokoululi.com/archives/969/#comments https://gokoululi.com/feed/
Flink提交任务的三种方式 https://gokoululi.com/archives/967/ https://gokoululi.com/archives/967/ Tue, 07 Jun 2022 09:31:00 +0800 清泓

Flink提交任务的三种方式

web页面提交

1

2

3

4

5

6

7

flink命令提交

将jar包上传至集群,提交任务

flink run -c com.flink.Flinktest flinktest.jar 

com.flink.Flinktest -- 主类名
flinktest.jar -- jar包名

rpc方式提交任务 --- 远程提交

用的较少

代码写完之后需要先打包,再运行

Flink框架报错有一个特点:前几条报错原因都是废话,要从后面看

package com.flink

import org.apache.flink.streaming.api.scala._

object Flinktest {
  def main(args: Array[String]): Unit = {

    /**
      * 创建远程环境,远程提交flink任务
      *
      */
      
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.createRemoteEnvironment(
      //主机名
      "master",
      //端口号
      8081,
      //指定jar包的路径
      "C:\\Users\\HB\\Desktop\\market_analysis\\flinktest.jar" 
    )

    val linesDS: DataStream[String] = env.socketTextStream("master", 8888)
    //1、将数据展开
    val wordsDS: DataStream[String] = linesDS.flatMap(line => line.split(","))
    //2、转换成kv格式
    val kvDS: DataStream[(String, Int)] = wordsDS.map((_, 1))
    //3、按照单词进行分组
    val keyByDS: KeyedStream[(String, Int), String] = kvDS.keyBy(kv => kv._1)
    //4、统计数量,对value进行求和, 指定下标进行聚合
    val countDS: DataStream[(String, Int)] = keyByDS.sum(1)
    //打印结果
    countDS.print()

    env.execute("rpc")

  }
}
]]>
0 https://gokoululi.com/archives/967/#comments https://gokoululi.com/feed/