导出数据处理建议

数据格式
导出数据皆为csv格式：
分隔符： ,
包围符："
转义符：\
处理建议
Spark处理
Scala/Java程序处理示例
Python处理建议示例
建议下载数据后，将下载的压缩文件放于hdfs的以日期建立目录结构，同一小时或者同一天的数据放在同一目录下，然后通过spark streaming的fileStream接口监控根目录，读取变动的文件内容。
streamingContext.fileStream[KeyClass, ValueClass, InputFormatClass](dataDirectory)
在依赖中添加：
groupId: com.databricksartifactId: spark-csv_2.10version: 1.4.0
具体数据操作参考spark-csv(https://github.com/databricks/spark-csv)
推荐使用 org.apache.commons.csv 来处理下载到本地的数据文件，如下面的例子：
import java.io.{BufferedReader, File, FileInputStream, InputStreamReader}
import org.apache.commons.csv.{CSVFormat, CSVParser, QuoteMode}
import scala.collection.JavaConverters._
​
object Test extends App {
  val file = new File("xxx")
  val br = new BufferedReader(new InputStreamReader(new FileInputStream(file)))
  val csvFileFormat = CSVFormat.DEFAULT.withEscape('\\').withQuote('"')
  val csvParser = new CSVParser(br, csvFileFormat)
  val records = csvParser.getRecords
​
  for (record <- records.asScala) {
    val sb = new StringBuilder()
    val length = record.size()
    (0 until length).foreach(i => {
      sb.append(record.get(i))
      sb.append(",")
    })
    println(sb.toString)
  }
}
import csv
​
with open(FILE_NAME, "rb") as f:
    reader = csv.reader(f, quotechar='"', escapechar='\\')
    for line in reader:
        print(line)
导入到数据仓库示例
导入到Hive
利用Spark导入到其他数据仓库
1.使用Hive新建外部表，如下图所示。
2.使用hadoop fs -put /xx.csv /tmp/test_export/ 将csv放到外部表目录下。
CREATE EXTERNAL TABLE TEST_EXPORT
(
sessionId STRING,
time BIGINT,
sendTime BIGINT,
pageTime BIGINT,
domain STRING,
page STRING,
queryParameters STRING,
eventName STRING,
eventNumber DOUBLE,
eventVariable map<string, string>,
loginUserId STRING
)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
STORED AS TEXTFILE
location '/tmp/test_export'
tblproperties ("skip.header.line.count"="1", "quote.delim"="\"", "escape.delim"="\\")
1.获取DataFrame，代码如下。
2.使用databricks提供的函数Load到Hive数据库(这里省去spark和hive的配置)，如： df.select("sessionId", "time", "sendTime", "pageTime", "domain", "page", "queryParameters", "eventName", "eventNumber", "eventVariable", "loginUserId").write.mode("append").insertInto("TEXT_EXPORT")
val df = spark.read
    .option("header","true")
    .option("escape", "\\")
    .option("quote", "\"")
    .csv("filePath")
使用Content-Length进行文件完整性校验 
生效日期 : 2020/10/29 21:00:00 开始
用户如果对文件完整性有担心，可以对原始数据导出 API第三步下载时response的headers中的value值Content-Length和下载文件的大小进行校验。若校验未通过，可重启第三步，轮询获取，若校验通过，可以解压缩，如果解压出现异常，可重启第三步，轮询获取。
最近更新 2yr ago