pyspark样例代码

开发说明

支持对接CloudTable的OpenTSDB和MRS的OpenTSDB。

• 前提条件

  在DLI管理控制台上已完成创建跨源连接。具体操作请参考《数据湖探索用户指南》。

  

  认证用的password硬编码到代码中或者明文存储都有很大的安全风险，建议在配置文件或者环境变量中密文存放，使用时解密，确保安全。

• 代码实现详解
  1. import相关依赖包

     1 2 3

     from __future__ import print_function from pyspark.sql.types import StructType, StructField, StringType, LongType, DoubleType from pyspark.sql import SparkSession

  2. 创建会话

     1	sparkSession = SparkSession.builder.appName("datasource-opentsdb").getOrCreate()

  3. 创建DLI跨源访问 OpenTSDB的关联表

     1 2 3 4

     sparkSession.sql("create table opentsdb_test using opentsdb options( 'Host'='opentsdb-3xcl8dir15m58z3.cloudtable.com:4242', 'metric'='ct_opentsdb', 'tags'='city,location')")

     

     Host、metric、tags三个参数详情讲解可参考表1。

• 通过SQL API访问
  1. 插入数据

     sparkSession.sql("insert into opentsdb_test values('aaa', 'abc', '2021-06-30 18:00:00', 30.0)")

  2. 查询数据

     result = sparkSession.sql("SELECT * FROM opentsdb_test")

• 通过DataFrame API 访问
  1. 构造schema

     1 2 3 4

     schema = StructType([StructField("location", StringType()),\ StructField("name", StringType()), \ StructField("timestamp", LongType()),\ StructField("value", DoubleType())])

  2. 设置数据

     1	dataList = sparkSession.sparkContext.parallelize([("aaa", "abc", 123456L, 30.0)])

  3. 创建DataFrame

     1	dataFrame = sparkSession.createDataFrame(dataList, schema)

  4. 导入数据到OpenTSDB

     1	dataFrame.write.insertInto("opentsdb_test")

  5. 读取OpenTSDB上的数据

     1 2 3 4 5 6 7

     jdbdDF = sparkSession.read .format("opentsdb")\ .option("Host","opentsdb-3xcl8dir15m58z3.cloudtable.com:4242")\ .option("metric","ctopentsdb")\ .option("tags","city,location")\ .load() jdbdDF.show()

  6. 操作结果

     

• 提交Spark作业
  1. 将写好的python代码文件上传至DLI中。

     控制台操作请参考《数据湖探索用户指南》。API操作请参考《数据湖探索API参考》>《上传资源包》。

  2. 在Spark作业编辑器中选择对应的Module模块并执行Spark作业。
     控制台操作请参考《数据湖探索用户指南》。API操作请参考《数据湖探索API参考》>《创建批处理作业》。

     

     • 如果选择spark版本为2.3.2（即将下线）或2.4.5提交作业时，需要指定Module模块，名称为：sys.datasource.opentsdb。
     • 如果选择Spark版本为3.1.1时，无需选择Module模块， 需在 'Spark参数（--conf)' 配置

       spark.driver.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/opentsdb/*

       spark.executor.extraClassPath=/usr/share/extension/dli/spark-jar/datasource/opentsdb/*

     • 通过控制台提交作业请参考《数据湖探索用户指南》中的“选择依赖资源参数说明”表说明
     • 通过API提交作业请参考《数据湖探索API参考》>《创建批处理作业》中“表2-请求参数说明”关于“modules”参数的说明。

完整示例代码

• 通过SQL API访问MRS的OpenTSDB

  # _*_ coding: utf-8 _*_
  from __future__ import print_function
  from pyspark.sql.types import StructType, StructField, StringType, LongType, DoubleType
  from pyspark.sql import SparkSession
  
  if __name__ == "__main__":
    # Create a SparkSession session.    
    sparkSession = SparkSession.builder.appName("datasource-opentsdb").getOrCreate()
  
  
    # Create a DLI cross-source association opentsdb data table    
    sparkSession.sql(\
      "create table opentsdb_test using opentsdb options(\
      'Host'='10.0.0.171:4242',\
      'metric'='cts_opentsdb',\
      'tags'='city,location')")
  
    sparkSession.sql("insert into opentsdb_test values('aaa', 'abc', '2021-06-30 18:00:00', 30.0)")
  
    result = sparkSession.sql("SELECT * FROM opentsdb_test")
    result.show()
  
    # close session 
    sparkSession.stop()

• 通过DataFrame API访问OpenTSDB

  # _*_ coding: utf-8 _*_
  from __future__ import print_function
  from pyspark.sql.types import StructType, StructField, StringType, LongType, DoubleType
  from pyspark.sql import SparkSession
  
  if __name__ == "__main__":
    # Create a SparkSession session.    
    sparkSession = SparkSession.builder.appName("datasource-opentsdb").getOrCreate()
  
    # Create a DLI cross-source association opentsdb data table    
    sparkSession.sql(
      "create table opentsdb_test using opentsdb options(\
      'Host'='opentsdb-3xcl8dir15m58z3.cloudtable.com:4242',\
      'metric'='ct_opentsdb',\
      'tags'='city,location')")
  
    # Create a DataFrame and initialize the DataFrame data.    
    dataList = sparkSession.sparkContext.parallelize([("aaa", "abc", 123456L, 30.0)])
  
    # Setting schema   
    schema = StructType([StructField("location", StringType()),\                 
                         StructField("name", StringType()),\                
                         StructField("timestamp", LongType()),\               
                         StructField("value", DoubleType())])
  
    # Create a DataFrame from RDD and schema   
    dataFrame = sparkSession.createDataFrame(dataList, schema)
  
    # Set cross-source connection parameters   
    metric = "ctopentsdb"   
    tags = "city,location"  
    Host = "opentsdb-3xcl8dir15m58z3.cloudtable.com:4242"
  
    # Write data to the cloudtable-opentsdb   
    dataFrame.write.insertInto("opentsdb_test")
    # ******* Opentsdb does not currently implement the ctas method to save data, so the save() method cannot be used.*******   
    # dataFrame.write.format("opentsdb").option("Host", Host).option("metric", metric).option("tags", tags).mode("Overwrite").save()   
  
    # Read data on CloudTable-OpenTSDB  
    jdbdDF = sparkSession.read\       
        .format("opentsdb")\      
        .option("Host",Host)\     
        .option("metric",metric)\  
        .option("tags",tags)\    
        .load()   
    jdbdDF.show()
  
    # close session 
    sparkSession.stop()