前提條件

• 了解Spark訪問表格存儲(chǔ)的依賴包，并在使用時(shí)通過Maven方式引入項(xiàng)目中。

  • Spark相關(guān)：spark-core、spark-sql、spark-hive

  • Spark Tablestore connector：emr-tablestore-<version>.jar

  • Tablestore Java SDK：tablestore-<version>-jar-with-dependencies.jar

  其中<version>表示相應(yīng)依賴包的版本號(hào)，請(qǐng)以實(shí)際為準(zhǔn)。

• 已在表格存儲(chǔ)側(cè)創(chuàng)建數(shù)據(jù)表。具體操作，請(qǐng)參見創(chuàng)建數(shù)據(jù)表。

• 已獲取AccessKey（包括AccessKey ID和AccessKey Secret）。具體操作，請(qǐng)參見獲取AccessKey。

快速開始

通過項(xiàng)目樣例了解快速使用批計(jì)算的操作。

1. 從GitHub下載項(xiàng)目樣例的源碼，具體下載路徑請(qǐng)參見TableStoreSparkDemo。

   項(xiàng)目中包含完整的依賴和使用樣例，具體的依賴請(qǐng)參見項(xiàng)目中的pom文件。

2. 閱讀TableStoreSparkDemo項(xiàng)目的README文檔，并安裝最新版的Spark Tablestore connector和Tablestore Java SDK到本地Maven庫(kù)。

3. 修改Sample代碼。

   以TableStoreBatchSample為例，對(duì)此示例代碼的核心代碼說明如下：

   • format("tablestore")表示使用ServiceLoader方式加載Spark Tablestore connector，具體配置請(qǐng)參見項(xiàng)目中的META-INF.services。

   • instanceName、tableName、endpoint、accessKeyId、accessKeySecret分別表示表格存儲(chǔ)的實(shí)例名稱、數(shù)據(jù)表名稱、實(shí)例endpoint、阿里云賬號(hào)的AccessKey ID和AccessKey Secret。

   • catalog是一個(gè)JSON串，包含字段名和類型，如下示例中的數(shù)據(jù)表有salt（Long類型）、UserId（String類型）、OrderId（String類型）、price（Double類型）和timestamp（Long類型）五個(gè)字段。

     最新版本中支持使用Schema方式替換catalog的配置，請(qǐng)根據(jù)實(shí)際選擇。

   • split.size.mbs表示每個(gè)Split的切分大小，默認(rèn)值為100，單位為MB，可不配置。

     此值越小產(chǎn)生的Split會(huì)越多，對(duì)應(yīng)Spark的Task也會(huì)越多。

         val df = sparkSession.read
         .format("tablestore")
         .option("instance.name", instanceName)
         .option("table.name", tableName)
         .option("endpoint", endpoint)
         .option("access.key.id", accessKeyId)
         .option("access.key.secret", accessKeySecret)
         .option("split.size.mbs", 100)
         .option("catalog", dataCatalog)
         // 最新版本支持使用Schema方式替換catalog的配置。
         //.schema("salt LONG, UserId STRING, OrderId STRING, price DOUBLE, timestamp LONG")
         .load()
     
       val dataCatalog: String =
         s"""
            |{"columns": {
            |    "salt": {"type":"long"},
            |    "UserId": {"type":"string"},
            |    "OrderId": {"type":"string"},
            |    "price": {"type":"double"},
            |    "timestamp": {"type":"long"}
            | }
            |}""".stripMargin
     

運(yùn)行調(diào)試

根據(jù)需求修改示例代碼后，可在本地或者通過Spark集群進(jìn)行運(yùn)行調(diào)試。以TableStoreBatchSample為例說明調(diào)試過程。

• 本地調(diào)試

  以IntelliJ IDEA為例說明。

  說明

  本文測(cè)試使用的環(huán)境為Spark 2.4.3、Scala 2.11.7和Java SE Development Kit 8，如果使用中遇到問題，請(qǐng)聯(lián)系表格存儲(chǔ)技術(shù)支持。

  1. 在系統(tǒng)參數(shù)中，配置實(shí)例名稱、數(shù)據(jù)表名稱、實(shí)例endpoint、阿里云賬號(hào)的AccessKey ID和AccessKey Secret等參數(shù)。

     您也可以自定義參數(shù)的加載方式。

  2. 選擇include dependencies with "provided" scope，單擊OK。

  3. 運(yùn)行示例代碼程序。

     

• 通過Spark集群調(diào)試

  以spark-submit方式為例說明。示例代碼中的master默認(rèn)為local[*]，在Spark集群上運(yùn)行時(shí)可以去掉，使用spark-submit參數(shù)傳入。

  1. 執(zhí)行mvn -U clean package命令打包，包的路徑為target/tablestore-spark-demo-1.0-SNAPSHOT-jar-with-dependencies.jar。

  2. 上傳包到Spark集群的Driver節(jié)點(diǎn)，并使用spark-submit提交任務(wù)。

     spark-submit --class com.aliyun.tablestore.spark.demo.batch.TableStoreBatchSample --master yarn tablestore-spark-demo-1.0-SNAPSHOT-jar-with-dependencies.jar <ots-instanceName> <ots-tableName> <access-key-id> <access-key-secret> <ots-endpoint>