Spark + MaxCompute
Spark 接入 MaxCompute
本章节将介绍如何使用E-MapReduce SDK在Spark中完成一次MaxCompute数据的读写操作。
初始化一个OdpsOps对象。在 Spark中,MaxCompute的数据操作通过OdpsOps类完成,请参照如下步骤创建一个OdpsOps对象:- import com.aliyun.odps.TableSchema
- import com.aliyun.odps.data.Record
- import org.apache.spark.aliyun.odps.OdpsOps
- import org.apache.spark.{SparkContext, SparkConf}
- object Sample {
- def main(args: Array[String]): Unit = {
- // == Step-1 ==
- val accessKeyId = "<accessKeyId>"
- val accessKeySecret = "<accessKeySecret>"
- // 以内网地址为例
- val urls = Seq("http://odps-ext.aliyun-inc.com/api", "http://dt-ext.odps.aliyun-inc.com")
- val conf = new SparkConf().setAppName("Test Odps")
- val sc = new SparkContext(conf)
- val odpsOps = OdpsOps(sc, accessKeyId, accessKeySecret, urls(0), urls(1))
- // 下面是一些调用代码
- // == Step-2 ==
- ...
- // == Step-3 ==
- ...
- }
- // == Step-2 ==
- // 方法定义1
- // == Step-3 ==
- // 方法定义2
- }
从MaxCompute中加载表数据到Spark中。通过OdpsOps对象的readTable方法,可以将MaxCompute中的表加载到Spark中,即生成一个RDD,如下所示:
- // == Step-2 ==
- val project = <odps-project>
- val table = <odps-table>
- val numPartitions = 2
- val inputData = odpsOps.readTable(project, table, read, numPartitions)
- inputData.top(10).foreach(println)
- // == Step-3 ==
- ...
在上面的代码中,您还需要定义一个read函数,用来解析和预处理MaxCompute表数据,如下所示:
- def read(record: Record, schema: TableSchema): String = {
- record.getString(0)
- }
这个函数的含义是将MaxCompute表的第一列加载到Spark运行环境中。
将 Spark 中的结果数据保存到MaxCompute表中。通过OdpsOps对象的saveToTable方法,可以将SparkRDD持久化到MaxCompute中。
- val resultData = inputData.map(e => s"$e has been processed.")
- odpsOps.saveToTable(project, table, dataRDD, write)
在上面的代码中,您还需要定义一个write函数,用作写MaxCompute表前数据预处理,如下所示:
- def write(s: String, emptyReord: Record, schema: TableSchema): Unit = {
- val r = emptyReord
- r.set(0, s)
- }
这个函数的含义是将RDD的每一行数据写到对应MaxCompute表的第一列中。
分区表参数写法说明
SDK支持对MaxCompute分区表的读写,这里分区名的写法标准是:分区列名=分区名,多个分区时以逗号分隔,例如有分区列pt和ps:
- 读分区pt为1的表数据:pt=‘1’
- 读分区pt为1和分区ps为2的表数据:pt=‘1’,ps=‘2’
附录
示例代码请看: