Spark SQL External Data Sources JDBC简易实现

浏览数：35 / 时间：2015年06月12日

在spark1.2版本中最令我期待的功能是External Data Sources，通过该API可以直接将External Data Sources注册成一个临时表，该表可以和已经存在的表等通过sql进行查询操作。External Data Sources API代码存放于org.apache.spark.sql包中。

具体的分析可参见OopsOutOfMemory的两篇精彩博文：

http://blog.csdn.net/oopsoom/article/details/42061077

http://blog.csdn.net/oopsoom/article/details/42064075

自己尝试实现了一个简易的读取关系型数据库的外部数据源，代码参见：https://github.com/luogankun/spark-jdbc

支持MySQL/Oracle/DB2，以及几种简单的数据类型，暂时还不支持PrunedScan、PrunedFilteredScan，仅支持TableScan，后续在接着完善。

使用步骤：

1、编译spark-jdbc代码

sbt package

2、添加jar包到spark-env.sh

export SPARK_CLASSPATH=/home/spark/software/source/spark_package/spark-jdbc/target/scala-2.10/spark-jdbc_2.10-0.1.jar:$SPARK_CLASSPATH
export SPARK_CLASSPATH=/home/spark/lib/ojdbc14-10.2.0.3.jar:$SPARK_CLASSPATH
export SPARK_CLASSPATH=/home/spark/lib/db2jcc-9.7.jar:$SPARK_CLASSPATH
export SPARK_CLASSPATH=/home/spark/lib/mysql-connector-java-3.0.10.jar:$SPARK_CLASSPATH

3、启动spark-sql

CREATE TEMPORARY TABLE jdbc_table
USING com.luogankun.spark.jdbc
OPTIONS (
sparksql_table_schema  ‘(TBL_ID int, TBL_NAME string, TBL_TYPE string)‘,
jdbc_table_name    ‘TBLS‘,
jdbc_table_schema ‘(TBL_ID , TBL_NAME , TBL_TYPE)‘,
url    ‘jdbc:mysql://hadoop000:3306/hive‘,
user    ‘root‘,
password    ‘root‘,
num_partitions ‘6‘,
where "TBL_ID > 766 AND TBL_NAME=‘order_created_4_partition‘"
);

参数说明：

sparksql_table_schema：spark sql表字段名称与类型

jdbc_table_name：关系型数据库表名

jdbc_table_schema：关系型数据库表字段名称

url ：关系型数据库url

user ：关系型数据库用户名

password：关系型数据库密码

num_partitions：partitions数目，默认是5，可省略

where：过滤条件，可省略

select TBL_ID,TBL_NAME,TBL_TYPE from jdbc_table;

在测试过程中遇到的问题：

如上的代码在连接MySQL数据库操作时没有问题，但是在操作Oracle或者DB2数据库时，报错如下：

09:56:48,302 [Executor task launch worker-0] ERROR Logging$class : Error in TaskCompletionListener
java.lang.AbstractMethodError: oracle.jdbc.driver.OracleResultSetImpl.isClosed()Z
    at org.apache.spark.rdd.JdbcRDD$$anon$1.close(JdbcRDD.scala:99)
    at org.apache.spark.util.NextIterator.closeIfNeeded(NextIterator.scala:63)
    at org.apache.spark.rdd.JdbcRDD$$anon$1$$anonfun$1.apply(JdbcRDD.scala:71)
    at org.apache.spark.rdd.JdbcRDD$$anon$1$$anonfun$1.apply(JdbcRDD.scala:71)
    at org.apache.spark.TaskContext$$anon$1.onTaskCompletion(TaskContext.scala:85)
    at org.apache.spark.TaskContext$$anonfun$markTaskCompleted$1.apply(TaskContext.scala:110)
    at org.apache.spark.TaskContext$$anonfun$markTaskCompleted$1.apply(TaskContext.scala:108)
    at scala.collection.mutable.ResizableArray$class.foreach(ResizableArray.scala:59)
    at scala.collection.mutable.ArrayBuffer.foreach(ArrayBuffer.scala:47)
    at org.apache.spark.TaskContext.markTaskCompleted(TaskContext.scala:108)
    at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:64)
    at org.apache.spark.scheduler.Task.run(Task.scala:54)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:181)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1145)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:615)
    at java.lang.Thread.run(Thread.java:744)
09:56:48,302 [Executor task launch worker-1] ERROR Logging$class : Error in TaskCompletionListener