实时数仓Hologres：Spark实时同步

前提条件

• 实例版本需为V0.9及以上版本。请在Hologres管控台的实例详情页查看当前实例版本，如实例是V0.9以下版本，请您使用自助升级或加入Hologres钉钉交流群反馈，详情请参见如何获取更多的在线支持？。

• 需要安装对应版本的Spark环境，能够运行spark-shell命令。

连接数使用

Hologres Spark Connector在进行读写时，会使用一定的JDBC连接数。可能受到如下因素影响：

• Spark的并发特性，在作业运行过程中，可以通过Spark UI观察到并行执行的Task数量。

• Connector在操作时，对于固定复制（fixed copy）方式的写入，每个并发操作都只使用一个JDBC连接。而采用INSERT方式写入时，每个并发则会利用write_thread_size数量的JDBC连接。在进行读取操作时，每个并发同样使用一个JDBC连接。

• 其他方面可能使用的连接数：在作业启动时，可能会有获取Schema信息的操作，这可能会短暂地建立1个连接。

因此作业使用的总连接数可以通过如下公式计算：

• fixed copy模式：parallelism*1+1

• 普通INSERT模式：parallelism*write_thread_size+1

通过Spark Connector写入（推荐使用）

Hologres当前支持使用内置的Spark Connector将Spark数据写入Hologres，相比其他写入方式，调用基于Holo Client实现Connector写入的方式性能更优。具体操作步骤如下，阿里云也为您提供了相关的使用示例，详情请参见通过Spark Connector写入使用示例。

通过Spark读取数据源数据并写入Hologres

1. Spark从数据源读取数据。

   Spark支持从不同数据源读取数据，具体数据源分类如下。

   • Spark支持以Hologres为数据源。

     Hologres兼容PostgreSQL，因为Spark可以用读取PostgreSQL的方式读取Hologres中的数据。读取代码如下。

     说明

     在使用JDBC方式进行读取前，请前往官网下载Postgresql JDBC Jar，本文以postgresql-42.2.18版本为例，在spark-shell启动时执行./bin/spark-shell --jars /path/to/postgresql-42.2.18.jar加载该jar，可以与hologres-connector的jar包一同加载。

     // Read from some table, for example: tb008
     val readDf = spark.read
       .format("jdbc") //使用postgresql jdbc driver读取holo
       .option("driver","org.postgresql.Driver")
       .option("url", "jdbc:postgresql://Ip:Por/test_database")
       .option("dbtable", "tb008")
       .option("user", "your_username")
       .option("password", "your_password")
       .load()

     Spark Connector从V1.3.2版本开始支持读取Hologres，并提供了优化的并发读取功能。相较于使用PostgreSQL JDBC驱动的方法，还可以设置读取的并发参数，根据Hologres表的Shard进行分片，从而实现并发读取，显著提升了性能。示例如下。

     val spark = SparkSession
     .builder
     .appName("ReadFromHologres")
     .master("local[*]")
     .getOrCreate()
     
     spark.sparkContext.setLogLevel("WARN")
     
     import spark.implicits._
     
     val schema = StructType(Array(
       StructField("id", LongType),
       StructField("counts", IntegerType),
       StructField("name", StringType, false),
       StructField("price", DecimalType(38, 12)),
       StructField("out_of_stock", BooleanType)
     ))
     
     val readDf = spark.read
     .format("hologres")
     .schema(schema) // 可选，如果不指定schema，默认读取holo表全部字段
     .option("username", "your_username")
     .option("password", "your_password")
     .option("jdbcurl", "jdbc:postgresql://hologres_endpoint/test_db")
     .option("table", "tb008")
     .option("scan_parallelism", "10") //读取Hologres时的默认并发数，最大为holo表的shardcount
     .load()

   • Spark支持其他数据源（如Parquet格式的文件）。

     Spark支持从其他数据源中读取数据写入Hologres中，例如使用Spark从Hive中读取数据，代码如下。

     import org.apache.spark.{SparkConf, SparkContext}
     import org.apache.spark.sql.hive.HiveContext
     
     val sparkConf = new SparkConf()
     val sc = new SparkContext(sparkConf)
     val hiveContext = new HiveContext(sc)
     
     // Read from some table, for example: phone
     val readDf = hiveContext.sql("select * from hive_database.phone")

2. Spark将读到的数据写入Hologres。

   import com.alibaba.hologres.spark2.sink.SourceProvider
   
   -- Write to hologres table
   df.write
     .format("hologres")
     .option(SourceProvider.USERNAME, "your_username")
     .option(SourceProvider.PASSWORD, "your_password")
     .option(SourceProvider.ENDPOINT, "Ip:Port")
     .option(SourceProvider.DATABASE, "test_database")
     .option(SourceProvider.TABLE, table)
     .option(SourceProvider.WRITE_BATCH_SIZE, 512) -- 写入攒批大小
     .option(SourceProvider.INPUT_DATA_SCHEMA_DDL, df.schema.toDDL) -- 仅spark3.x需要
     .mode(SaveMode.Append) // 仅spark3.x需要
     .save()

通过Spark实时写入数据至Hologres

1. 在Hologres创建一张表，用于接收数据，创建代码如下。

   CREATE TABLE test_table_stream
   (
       value text,
       count bigint
   );

2. 读取本地端口输入行，进行词频统计并实时写入Hologres中，相关示例代码如下。

   • 代码：

      val spark = SparkSession
           .builder
           .appName("StreamToHologres")
           .master("local[*]")
           .getOrCreate()
     
         spark.sparkContext.setLogLevel("WARN")
         import spark.implicits._
     
         val lines = spark.readStream
           .format("socket")
           .option("host", "localhost")
           .option("port", 9999)
           .load()
     
         -- Split the lines into words
         val words = lines.as[String].flatMap(_.split(" "))
     
         -- Generate running word count
         val wordCounts = words.groupBy("value").count()
     
         wordCounts.writeStream
             .outputMode(OutputMode.Complete())
             .format("hologres")
             .option(SourceProvider.USERNAME, "your_username")
             .option(SourceProvider.PASSWORD, "your_password")
             .option(SourceProvider.JDBCURL, "jdbc:postgresql://Ip:Port/dbname")
             .option(SourceProvider.TABLE, "test_table_stream")
             .option("batchsize", 1)
             .option("isolationLevel", "NONE")
             .option("checkpointLocation", checkpointLocation)
             .start()
             .awaitTermination()

   • 参数释义：

     参数名	默认值	是否必填	参数描述
     username	无	是	登录Hologres账号的AccessKey ID。您可以单击AccessKey 管理来获取。 建议您使用环境变量的方式调用用户名和密码，降低密码泄露风险。
     password	无	是	登录Hologres账号的AccessKey Secret。您可以单击AccessKey 管理来获取。 建议您使用环境变量的方式调用用户名和密码，降低密码泄露风险。
     table	无	是	Hologres用于接收数据的表名称。
     endpoint	无	与JDBCURL二选一	Hologres实例的网络域名。 您可以进入Hologres管理控制台实例详情页，从网络信息获取主机和端口号。
     database	无	与JDBCURL二选一	Hologres接收数据的表所在数据库名称。
     jdbcurl	无	与ENDPOINT+DATABASE组合设置二选一	Hologres的JDBCURL。
     copy_write_mode	true	否	是否使用Fixed Copy方式写入，Fixed Copy是Hologres V1.3新增的能力，相比INSERT方法，Fixed Copy方式可以更高的吞吐（因为是流模式），更低的数据延时，更低的客户端内存消耗（因为不攒批）。 说明 需要Connector为V1.3.0及以上版本，Hologres引擎版本为V1.3.34及以上版本。
     copy_write_format	false	否	仅Copy模式生效，是否进行脏数据校验，打开之后如果有脏数据，可以定位到写入失败的具体行。 说明 RecordChecker会对写入性能造成一定影响，非排查环节不建议开启。
     bulk_load	true	否	是否采用批量Copy方式写入（与fixed copy不同，fixed copy是流式的）。 说明 Hologre V2.1版本对无主键表的写入性能进行了优化。在Hologre V2.1版本中，无主键表的批量写入操作不再会导致表锁，而是采用了行锁机制。这可以使其能够与Fixed Plan并行执行，从而提高了数据处理的效率和并发性。 Connector为V1.4.0及以上版本，Hologres引擎需要V2.1.0及以上版本。
     max_cell_buffer_size	20971520（20 MB）	否	使用Copy模式写入时，单个字段的最大长度。
     copy_write_dirty_data_check	false	否	是否进行脏数据校验，打开之后如果有脏数据，可以定位到写入失败的具体行，RecordChecker会对写入性能造成一定影响，非排查环节不建议开启。 说明 仅Copy模式生效。
     copy_write_direct_connect	对于可以直连的环境会默认使用直连。	否	仅Copy模式生效，Copy的瓶颈往往是VPC Endpoint的网络吞吐，因此Hologres会测试当前环境能否直连holo fe，如果支持则默认使用直连。此参数设置为false表示不使用直连。
     input_data_schema_ddl	无	spark3.x必填，值为<your_DataFrame>.schema.toDDL。	Spark中DataFrame的DDL。
     write_mode	INSERT_OR_REPLACE	否	当INSERT目标表为有主键的表时采用不同策略。 INSERT_OR_IGNORE：当主键冲突时，不写入。 INSERT_OR_UPDATE：当主键冲突时，更新相应列。 INSERT_OR_REPLACE：当主键冲突时，更新所有列。
     write_batch_size	512	否	每个写入线程的最大批次大小，在经过write_mode合并后的Put数量达到write_batch_size时进行一次批量提交。
     write_batch_byte_size	2 MB	否	每个写入线程的最大批次Byte大小，在经过WRITE_MODE合并后的Put数据字节数达到WRITE_BATCH_BYTE_SIZE时进行一次批量提交。
     write_max_interval_ms	10000 ms	否	距离上次提交超过write_max_interval_ms会触发一次批量提交。
     write_fail_strategy	TYR_ONE_BY_ONE	否	当某一批次提交失败时，会将批次内的记录逐条提交（保序），单条提交失败的记录将会跟随异常被抛出。
     write_thread_size	1	否	写入并发线程数（每个并发占用1个数据库连接）。 在一个Spark作业中，占用的总连接数与Spark并发相关，关系为总连接数= spark.default.parallelism * WRITE_THREAD_SIZE。
     dynamic_partition	false	否	若为true，写入分区表父表时，当分区不存在时自动创建分区。
     retry_count	3	否	当连接故障时，写入和查询的重试次数。
     retry_sleep_init_ms	1000 ms	否	每次重试的等待时间=retry_sleep_init_ms+retry_count*retry_sleep_step_ms。
     retry_sleep_step_ms	10*1000 ms	否	每次重试的等待时间=retry_sleep_init_ms+retry_count*retry_sleep_step_ms。
     connection_max_idle_ms	60000 ms	否	写入线程和点查线程数据库连接的最大IDLE时间，超过此时间的连接将被释放。
     fixed_connection_mode	false	否	非Copy模式（如INSERT默认）下，写入和点查场景不占用连接数。 说明 Beta功能，需要Connector版本为V1.2.0及以上版本，Hologres引擎版本为V1.3.0及以上版本。
     scan_batch_size	256	否	在从Hologres读取数据时，Scan操作一次获取的行数。
     scan_timeout_seconds	60	否	在从Hologres读取数据时，Scan操作的超时时间，单位：秒（s）。
     scan_parallelism	10	否	读取Hologres时的分片数量，最大为Hologres表的Shardcount。作业运行时，这些分片会被分配到Spark Task上进行读取。

数据类型映射

Spark与Hologres的数据类型映射如下表所示。