基于SparkSQL实现的一套即席查询服务

IQL (项目地址：https://github.com/teeyog/IQL)

README-EN

基于SparkSQL实现了一套即席查询服务，具有如下特性：

• 优雅的交互方式，支持多种datasource/sink，多数据源混算
• spark常驻服务，基于zookeeper的引擎自动发现
• 负载均衡，多个引擎随机执行
• 多session模式实现并行查询
• 采用spark的FAIR调度，避免资源被大任务独占
• 基于spark的动态资源分配，在无任务的情况下不会占用executor资源
• 支持Cluster和Client模式启动
• 基于Structured Streaming实现SQL动态添加流
• 类似SparkShell交互式数据分析功能
• 高效的script管理，配合import/include语法完成各script的关联
• 对数据源操作的权限验证

支持的数据源：hdfs、hive、hbase、kafka、mysql、es、mongo

支持的文件格式：parquet、csv、orc、json、text、xml

在Structured Streaming支持的Sink之外还增加了对Hbase、MySQL、es的支持

Quickstart

HBase

加载数据

load hbase.t_mbl_user_version_info 
where `spark.table.schema`="userid:String,osversion:String,toolversion:String"
       and `hbase.table.schema`=":rowkey,info:osversion,info:toolversion" 
       and `hbase.zookeeper.quorum`="localhost:2181"
as tb;

参数	说明	默认值
hbase.zookeeper.quorum	zookeeper地址	localhost:2181
spark.table.schema	Spark临时表对应的schema（eg: "ID:String,appname:String,age:Int"）	无
hbase.table.schema	HBase表对应schema（eg: ":rowkey,info:appname,info:age"）	无
spark.rowkey.view.name	rowkey对应的dataframe创建的temp view名 ，设置了该值后只获取rowkey对应的数据	无

可获取指定rowkey集合对应的数据，spark.rowkey.view.name 即是rowkey集合对应的tempview，默认获取第一列为rowkey列

保存数据

save tb1 as hbase.tableName 
where `hbase.zookeeper.quorum`="localhost:2181"
      and `hbase.table.rowkey.filed`="name"

参数	说明	默认值
hbase.zookeeper.quorum	zookeeper地址	localhost:2181
hbase.table.rowkey.field	spark临时表中作为hbase的rowkey的字段名	第一个字段
bulkload.enable	是否启动bulkload	false
hbase.table.name	Hbase表名	无
hbase.table.family	列族名	info
hbase.table.region.splits	预分区方式1:直接指定预分区分区段，以数组字符串方式指定，如 ['1','2','3']	无
hbase.table.rowkey.prefix	预分区方式2:当rowkey是数字，预分区只需指定前缀的formate形式，如 00 即可生成00-99等100个分区	无
hbase.table.startKey	预分区开始key	无
hbase.table.endKey	预分区结束key	无
hbase.table.numReg	分区个数	无
hbase.check_table	写入hbase表时，是否需要检查表是否存在	false
hbase.cf.ttl	ttl	无

MySQL

• 加载数据

load jdbc.ai_log_count 
where driver="com.mysql.jdbc.Driver" 
      and url="jdbc:mysql://localhost/db?characterEncoding=utf8" 
      and user="root" 
      and password="***" 
as tb; 

• 保存数据

save append tb as jdbc.aatest_delete;

文件操作 (其中formate可为：json、orc、csv、parquet、text)

• 加载数据

load format.`path` as tb;

• 保存数据

save tb as formate.`path` partitionBy uid coalesce 2;

Kafka

• 离线

load kafka.`topicName`
where maxRatePerPartition="200"
   and `group.id`="consumerGroupId"
as tb;
select * from tb;

参数	说明	默认值
autoCommitOffset	是否提交offset	false

• 实时

load kafka.`mc-monitor` 
where startingoffsets="latest"
    and failOnDataLoss="false"
    and `spark.job.mode`="stream" 
as tb1;

register watermark.tb1
where eventTimeCol="timestamp"
and delayThreshold="10 seconds"

select window.end as time_end,
count(1) as count
from tb1 a  
group by  window(a.timestamp,"10 seconds","10 seconds")
as tb2;

save tb2 as json.`/tmp/abc6` 
where outputMode="Append"
    and streamName="Stream"
    and duration="10"
    and sendDingDingOnTerminated="true"
    and `mail.receiver`="3146635263@qq.com"
    and checkpointLocation="/tmp/cp/cp16";

参数	说明	默认值
spark.job.mode	任务模式（batch:离线任务，stream:实时任务）	batch
mail.receiver	任务失败邮件通知（多个邮箱逗号分隔）	无
sendDingDingOnTerminated	钉钉Robot通知	false

实时任务失败会自动重启，可以通过streamJobMaxAttempts配置（默认3次）。

动态注册UDF函数

register udf.`myupper`
where func="
    def apply(name:String)={
        name.toUpperCase
    }
";

load jsonStr.'
{"name":"ufo"}
{"name":"uu"}
{"name":"HIN"}
' as tb1;

select myupper(name) as newName from tb1;

include(import等效)语法，通过路径引入脚本片段

import语法

参考

StreamingPro之MLSQL

spark sql在喜马拉雅的使用之xql