本文为您介绍如何将Spark中的数据导入至ClickHouse集群。
前提条件
已创建Hadoop集群,详情请参见创建集群。
已创建ClickHouse集群,详情请参见创建ClickHouse集群。
背景信息
关于Spark的更多介绍,请参见概述。
代码示例
代码示例如下。
package com.company.packageName
import java.util.Properties
import java.util.concurrent.ThreadLocalRandom
import scala.annotation.tailrec
import com.google.common.collect.ImmutableMap
import org.apache.spark.internal.Logging
import org.apache.spark.sql.{SaveMode, SparkSession}
case class Test(id: Int, key1: String, value1: Boolean, key2: Long, value2: Double)
object CKDataImporter extends Logging {
private var dbName: String = "default"
private var tableName: String = ""
private var ckHost: String = ""
private var ckPort: String = "8123"
private var user: String = "default"
private var password: String = ""
private var local: Boolean = false
def main(args: Array[String]): Unit = {
parse(args.toList)
checkArguments()
val jdbcUrl = s"jdbc:clickhouse://$ckHost:$ckPort/$dbName"
logInfo(s"Use jdbc: $jdbcUrl")
logInfo(s"Use table: $tableName")
val spark = getSparkSession
// generate test data
val rdd = spark.sparkContext.parallelize(1 to 1000).map(i => {
val rand = ThreadLocalRandom.current()
val randString = (0 until rand.nextInt(10, 20))
.map(_ => rand.nextLong())
.mkString("")
Test(i, randString, rand.nextBoolean(), rand.nextLong(), rand.nextGaussian())
})
val df = spark.createDataFrame(rdd)
df.write
.mode(SaveMode.Append)
.jdbc(jdbcUrl, tableName, getCKJdbcProperties(user, password))
}
private def printUsageAndExit(exitCode: Int = 0): Unit = {
logError("Usage: java -jar /path/to/CKDataImporter.jar [options]")
logError(" --dbName 设置ClickHouse数据库的名称,默认为default")
logError(" --tableName 设置ClickHouse库中表的名称")
logError(" --ckHost 设置ClickHouse地址")
logError(" --ckPort 设置ClickHouse端口,默认为8123")
logError(" --user 设置ClickHouse所使用的用户名")
logError(" --password 设置ClickHouse用户的密码")
logError(" --local 设置此程序使用Spark Local模式运行")
System.exit(exitCode)
}
@tailrec
private def parse(args: List[String]): Unit = args match {
case ("--help" | "-h") :: _ =>
printUsageAndExit()
case "--dbName" :: value :: tail =>
dbName = value
parse(tail)
case "--tableName" :: value :: tail =>
tableName = value
parse(tail)
case "--ckHost" :: value :: tail =>
ckHost = value
parse(tail)
case "--ckPort" :: value :: tail =>
ckPort = value
parse(tail)
case "--user" :: value :: tail =>
user = value
parse(tail)
case "--password" :: value :: tail =>
password = value
parse(tail)
case "--local" :: tail =>
local = true
parse(tail)
case Nil =>
case _ =>
printUsageAndExit(1)
}
private def checkArguments(): Unit = {
if ("".equals(tableName) || "".equals(ckHost)) {
printUsageAndExit(2)
}
}
private def getCKJdbcProperties(
user: String,
password: String,
batchSize: String = "1000",
socketTimeout: String = "300000",
numPartitions: String = "8",
rewriteBatchedStatements: String = "true"): Properties = {
val kvMap = ImmutableMap.builder()
.put("driver", "ru.yandex.clickhouse.ClickHouseDriver")
.put("user", user)
.put("password", password)
.put("batchsize", batchSize)
.put("socket_timeout", socketTimeout)
.put("numPartitions", numPartitions)
.put("rewriteBatchedStatements", rewriteBatchedStatements)
.build()
val properties = new Properties
properties.putAll(kvMap)
properties
}
private def getSparkSession: SparkSession = {
val builder = SparkSession.builder()
if (local) {
builder.master("local[*]")
}
builder.appName("ClickHouse-Data-Importer")
builder.getOrCreate()
}
}
操作流程
步骤一:创建ClickHouse表
使用SSH方式登录ClickHouse集群,详情请参见登录集群。
执行如下命令,启动ClickHouse客户端。
clickhouse-client -h core-1-1 -m
说明 本示例登录core-1-1节点,如果您有多个Core节点,可以登录任意一个节点。创建ClickHouse信息。
执行如下命令,创建数据库clickhouse_database_name。
CREATE DATABASE clickhouse_database_name ON CLUSTER cluster_emr;
阿里云EMR会为ClickHouse集群自动生成一个名为cluster_emr的集群。数据库名您可以自定义。
执行如下命令,创建表clickhouse_table_name_local。
CREATE TABLE clickhouse_database_name.clickhouse_table_name_local ON CLUSTER cluster_emr ( id UInt32, key1 String, value1 UInt8, key2 Int64, value2 Float64 ) ENGINE = ReplicatedMergeTree('/clickhouse/tables/{layer}-{shard}/clickhouse_database_name/clickhouse_table_name_local', '{replica}') ORDER BY id;
说明表名您可以自定义,但请确保表名是以_local结尾。layer、shard和replica是阿里云EMR为ClickHouse集群自动生成的宏定义,可以直接使用。
执行如下命令,创建与表clickhouse_table_name_local字段定义一致的表clickhouse_table_name_all。
说明表名您可以自定义,但请确保表名是以_all结尾。
CREATE TABLE clickhouse_database_name.clickhouse_table_name_all ON CLUSTER cluster_emr ( id UInt32, key1 String, value1 UInt8, key2 Int64, value2 Float64 ) ENGINE = Distributed(cluster_emr, clickhouse_database_name, clickhouse_table_name_local, rand());
步骤二:编译并打包
下载并解压CKDataImporter示例到本地。
在CMD命令行中,进入到下载文件中pom.xml所在的目录下,执行如下命令打包文件。
mvn clean package
根据您pom.xml文件中artifactId的信息,下载文件中的target目录下会出现CKDataImporter-1.0.0.jar的JAR包。
步骤三:提交作业
使用SSH方式登录Hadoop集群,详情请参见登录集群。
上传打包好的CKDataImporter-1.0.0.jar至Hadoop集群的根目录下。
说明本文示例中CKDataImporter-1.0.0.jar是上传至root根目录下,您也可以自定义上传路径。
执行如下命令提交作业。
spark-submit --master yarn \ --class com.aliyun.emr.CKDataImporter \ CKDataImporter-1.0.0.jar \ --dbName clickhouse_database_name \ --tableName clickhouse_table_name_all \ --ckHost ${clickhouse_host} \ --password ${password};
参数
说明
dbName
ClickHouse集群数据库的名称,默认为default。本文示例为clickhouse_database_name。
tableName
ClickHouse集群数据库中表的名称。本文示例为clickhouse_table_name_all。
ckHost
ClickHouse集群的Master节点的内网IP地址或公网IP地址。IP地址获取方式,请参见获取主节点的IP地址。
password
ClickHouse用户的密码。
您可以在ClickHouse服务的配置页面,查看users.default.password参数,参数值即为ClickHouse用户的密码。
获取主节点的IP地址
进入节点管理页面。
在顶部菜单栏处,根据实际情况选择地域和资源组。
在EMR on ECS页面,单击目标集群操作列的节点管理。
在节点管理页面,单击Master节点组所在行的图标,复制公网IP列的IP地址。