大数据 分布式 云原生 数据库 手把手入门MO | 如何使用使用 Spark 将批量数据写入 MatrixOne

1 概述

Apache Spark 是一个为高效处理大规模数据而设计的分布式计算引擎。它采用分布式并行计算的方式，将数据拆分、计算、合并的任务分散到多台计算机上，从而实现了高效的数据处理和分析。

2 应用场景

大规模数据处理与分析

Spark 能够处理海量数据，通过并行计算任务提高了处理效率。它广泛应用于金融、电信、医疗等领域的数据处理和分析。

流式数据处理

Spark Streaming 允许实时处理数据流，将其转化为可供分析和存储的批处理数据。这在在线广告、网络安全等实时数据分析场景中非常有用。

机器学习

Spark 提供了机器学习库（MLlib），支持多种机器学习算法和模型训练，用于推荐系统、图像识别等机器学习应用。

图计算

Spark 的图计算库（GraphX）支持多种图计算算法，适用于社交网络分析、推荐系统等图分析场景。

本篇文档将介绍两种使用 Spark 计算引擎实现批量数据写入 MatrixOne 的示例。一种示例是从 MySQL 迁移数据至 MatrixOne，另一种是将 Hive 数据写入 MatrixOne。

3 前期准备

硬件环境

本次实践对于机器的硬件要求如下：

软件环境

本次实践需要安装部署以下软件环境：

已完成安装和启动 MatrixOne。下载并安装 IntelliJ IDEA version 2022.2.1 及以上。下载并安装 JDK 8+。如需从 Hive 导入数据，需要安装 Hadoop 和 Hive。下载并安装 MySQL Client 8.0.33。

4 示例一

从 MySQL 迁移数据至 MatrixOne

步骤一：初始化项目

1. 启动 IDEA，点击 File > New > Project，选择 Spring Initializer，并填写以下配置参数：

Name：mo-spark-demoLocation：~\DesktopLanguage：JavaType：MavenGroup：com.exampleArtiface：matrixone-spark-demoPackage name：com.matrixone.demoJDK 1.8

2. 添加项目依赖，在项目根目录下的 pom.xml 内容编辑如下：

xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"

xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">

4.0.0

com.example.mo

mo-spark-demo

1.0-SNAPSHOT

8

8

3.2.1

org.apache.spark

spark-sql_2.12

${spark.version}

org.apache.spark

spark-hive_2.12

${spark.version}

org.apache.spark

spark-catalyst_2.12

${spark.version}

org.apache.spark

spark-core_2.12

${spark.version}

org.codehaus.jackson

jackson-core-asl

1.9.13

org.codehaus.jackson

jackson-mapper-asl

1.9.13

mysql

mysql-connector-java

8.0.16

步骤二：读取 MatrixOne 数据

使用 MySQL 客户端连接 MatrixOne 后，创建演示所需的数据库以及数据表。

1. 在 MatrixOne 中创建数据库、数据表，并导入数据：

CREATE DATABASE test;

USE test;

CREATE TABLE `person` (`id` INT DEFAULT NULL, `name` VARCHAR(255) DEFAULT NULL, `birthday` DATE DEFAULT NULL);

INSERT INTO test.person (id, name, birthday) VALUES(1, 'zhangsan', '2023-07-09'),(2, 'lisi', '2023-07-08'),(3, 'wangwu', '2023-07-12');

2. 在 IDEA 中创建 MoRead.java 类，以使用 Spark 读取 MatrixOne 数据：

package com.matrixone.spark;

import org.apache.spark.sql.Dataset;

import org.apache.spark.sql.Row;

import org.apache.spark.sql.SQLContext;

import org.apache.spark.sql.SparkSession;

import java.util.Properties;

/**

* @auther MatrixOne

* @desc 读取 MatrixOne 数据

*/

public class MoRead {

// parameters

private static String master = "local[2]";

private static String appName = "mo_spark_demo";

private static String srcHost = "192.168.146.10";

private static Integer srcPort = 6001;

private static String srcUserName = "root";

private static String srcPassword = "111";

private static String srcDataBase = "test";

private static String srcTable = "person";

public static void main(String[] args) {

SparkSession sparkSession = SparkSession.builder().appName(appName).master(master).getOrCreate();

SQLContext sqlContext = new SQLContext(sparkSession);

Properties properties = new Properties();

properties.put("user", srcUserName);

properties.put("password", srcPassword);

Dataset dataset = sqlContext.read()

.jdbc("jdbc:mysql://" + srcHost + ":" + srcPort + "/" + srcDataBase,srcTable, properties);

dataset.show();

}

}

3. 在 IDEA 中运行 MoRead.Main()，执行结果如下：

步骤三：将 MySQL 数据写入 MatrixOne

现在可以开始使用 Spark 将 MySQL 数据迁移到 MatrixOne。

1. 准备 MySQL 数据：

在 node3 上，使用 Mysql 客户端连接本地 Mysql，创建所需数据库、数据表、并插入数据：

mysql -h127.0.0.1 -P3306 -uroot -proot

mysql> CREATE DATABASE motest;

mysql> USE motest;

mysql> CREATE TABLE `person` (`id` int DEFAULT NULL, `name` varchar(255) DEFAULT NULL, `birthday` date DEFAULT NULL);

mysql> INSERT INTO motest.person (id, name, birthday) VALUES(2, 'lisi', '2023-07-09'),(3, 'wangwu', '2023-07-13'),(4, 'zhaoliu', '2023-08-08');

2. 清空 MatrixOne 表数据：

在 node3 上，使用 MySQL 客户端连接本地 MatrixOne。由于本示例继续使用前面读取 MatrixOne 数据的示例中的 test 数据库，因此我们需要首先清空 person 表的数据。

-- 在 node3 上，使用 Mysql 客户端连接 node1 的 MatrixOne

mysql -h192.168.146.10 -P6001 -uroot -p111

mysql> TRUNCATE TABLE test.person;

3. 在 IDEA 中编写代码：

创建 Person.java 和 Mysql2Mo.java 类，使用 Spark 读取 MySQL 数据。Mysql2Mo.java 类代码可参考如下示例：

package com.matrixone.spark;

import org.apache.spark.api.java.function.MapFunction;

import org.apache.spark.sql.*;

import java.sql.SQLException;

import java.util.Properties;

/**

* @auther MatrixOne

* @desc

*/

public class Mysql2Mo {

// parameters

private static String master = "local[2]";

private static String appName = "app_spark_demo";

private static String srcHost = "127.0.0.1";

private static Integer srcPort = 3306;

private static String srcUserName = "root";

private static String srcPassword = "root";

private static String srcDataBase = "motest";

private static String srcTable = "person";

private static String destHost = "192.168.146.10";

private static Integer destPort = 6001;

private static String destUserName = "root";

private static String destPassword = "111";

private static String destDataBase = "test";

private static String destTable = "person";

public static void main(String[] args) throws SQLException {

SparkSession sparkSession = SparkSession.builder().appName(appName).master(master).getOrCreate();

SQLContext sqlContext = new SQLContext(sparkSession);

Properties connectionProperties = new Properties();

connectionProperties.put("user", srcUserName);

connectionProperties.put("password", srcPassword);

connectionProperties.put("driver","com.mysql.cj.jdbc.Driver");

//jdbc.url=jdbc:mysql://127.0.0.1:3306/database

String url = "jdbc:mysql://" + srcHost + ":" + srcPort + "/" + srcDataBase + "?characterEncoding=utf-8&autoReconnect=true&zeroDateTimeBehavior=convertToNull&useSSL=false&serverTimezone=Asia/Shanghai";

//SparkJdbc 读取表内容

System.out.println("读取数据库中 person 的表内容");

// 读取表中所有数据

Dataset rowDataset = sqlContext.read().jdbc(url,srcTable,connectionProperties).select("*");

//显示数据

//rowDataset.show();

//筛选 id > 2 的数据，并将 name 字段添加 spark_ 前缀

Dataset dataset = rowDataset.filter("id > 2")

.map((MapFunction) row -> RowFactory.create(row.getInt(0), "spark_" + row.getString(1), row.getDate(2)), RowEncoder.apply(rowDataset.schema()));

//显示数据

//dataset.show();

Properties properties = new Properties();

properties.put("user", destUserName);

properties.put("password", destPassword);;

dataset.write()

.mode(SaveMode.Append)

.jdbc("jdbc:mysql://" + destHost + ":" + destPort + "/" + destDataBase,destTable, properties);

}

}

在上述代码中，执行了简单的 ETL 操作（筛选 id > 2 的数据，并在 name 字段前添加前缀 "spark_"），并将处理后的数据写入到 MatrixOne 数据库中。

步骤四：查看结果

在 MatrixOne 中执行如下 SQL 查看执行结果：

select * from test.person;

+------+---------------+------------+

| id | name | birthday |

+------+---------------+------------+

| 3 | spark_wangwu | 2023-07-12 |

| 4 | spark_zhaoliu | 2023-08-07 |

+------+---------------+------------+

2 rows in set (0.01 sec)

5 示例二

将 Hive 数据导入到 MatrixOne

步骤一：初始化项目

1. 启动 IDEA，点击 File > New > Project，选择 Spring Initializer，并填写以下配置参数：

Name：mo-spark-demoLocation：~\DesktopLanguage：JavaType：MavenGroup：com.exampleArtiface：matrixone-spark-demoPackage name：com.matrixone.demoJDK 1.8

2. 添加项目依赖，在项目根目录下的 pom.xml 内容编辑如下：

xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"

xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">

4.0.0

com.example.mo

mo-spark-demo

1.0-SNAPSHOT

8

8

3.2.1

org.apache.spark

spark-sql_2.12

${spark.version}

org.apache.spark

spark-hive_2.12

${spark.version}

org.apache.spark

spark-catalyst_2.12

${spark.version}

org.apache.spark

spark-core_2.12

${spark.version}

org.codehaus.jackson

jackson-core-asl

1.9.13

org.codehaus.jackson

jackson-mapper-asl

1.9.13

mysql

mysql-connector-java

8.0.16

步骤二：准备 Hive 数据

在终端窗口中执行以下命令，创建 Hive 数据库、数据表，并插入数据：

hive

hive> create database motest;

hive> CREATE TABLE `users`(

`id` int,

`name` varchar(255),

`age` int);

hive> INSERT INTO motest.users (id, name, age) VALUES(1, 'zhangsan', 12),(2, 'lisi', 17),(3, 'wangwu', 19);

步骤三：创建 MatrixOne 数据表

在 node3 上，使用 MySQL 客户端连接到 node1 的 MatrixOne。然后继续使用之前创建的 "test" 数据库，并创建新的数据表 "users"。

CREATE TABLE `users` (

`id` INT DEFAULT NULL,

`name` VARCHAR(255) DEFAULT NULL,

`age` INT DEFAULT NULL

)

步骤四：拷贝配置文件

将 Hadoop 根目录下的 "etc/hadoop/core-site.xml" 和 "hdfs-site.xml" 以及 Hive 根目录下的 "conf/hive-site.xml" 这三个配置文件复制到项目的 "resource" 目录中。

步骤五：编写代码

在 IntelliJ IDEA 中创建名为 "Hive2Mo.java" 的类，用于使用 Spark 从 Hive 中读取数据并将数据写入 MatrixOne。

package com.matrixone.spark;

import org.apache.spark.sql.*;

import java.sql.SQLException;

import java.util.Properties;

/**

* @auther MatrixOne

* @date 2022/2/9 10:02

* @desc

*

* 1.在 hive 和 matrixone 中分别创建相应的表

* 2.将 core-site.xml hdfs-site.xml 和 hive-site.xml 拷贝到 resources 目录下

* 3.需要设置域名映射

*/

public class Hive2Mo {

// parameters

private static String master = "local[2]";

private static String appName = "app_spark_demo";

private static String destHost = "192.168.146.10";

private static Integer destPort = 6001;

private static String destUserName = "root";

private static String destPassword = "111";

private static String destDataBase = "test";

private static String destTable = "users";

public static void main(String[] args) throws SQLException {

SparkSession sparkSession = SparkSession.builder()

.appName(appName)

.master(master)

.enableHiveSupport()

.getOrCreate();

//SparkJdbc 读取表内容

System.out.println("读取 hive 中 person 的表内容");

// 读取表中所有数据

Dataset rowDataset = sparkSession.sql("select * from motest.users");

//显示数据

//rowDataset.show();

Properties properties = new Properties();

properties.put("user", destUserName);

properties.put("password", destPassword);;

rowDataset.write()

.mode(SaveMode.Append)

.jdbc("jdbc:mysql://" + destHost + ":" + destPort + "/" + destDataBase,destTable, properties);

}

}

步骤六：查看执行结果

在 MatrixOne 中执行如下 SQL 查看执行结果：

mysql> select * from test.users;

+------+----------+------+

| id | name | age |

+------+----------+------+

| 1 | zhangsan | 12 |

| 2 | lisi | 17 |

| 3 | wangwu | 19 |

+------+----------+------+

3 rows in set (0.00 sec)

关于MatrixOne

MatrixOne 是一款基于云原生技术，可同时在公有云和私有云部署的多模数据库。该产品使用存算分离、读写分离、冷热分离的原创技术架构，能够在一套存储和计算系统下同时支持事务、分析、流、时序和向量等多种负载，并能够实时、按需的隔离或共享存储和计算资源。 云原生数据库MatrixOne能够帮助用户大幅简化日益复杂的IT架构，提供极简、极灵活、高性价比和高性能的数据服务。

MatrixOne企业版和MatrixOne云服务自发布以来，已经在互联网、金融、能源、制造、教育、医疗等多个行业得到应用。得益于其独特的架构设计，用户可以降低多达70%的硬件和运维成本，增加3-5倍的开发效率，同时更加灵活的响应市场需求变化和更加高效的抓住创新机会。在相同硬件投入时，MatrixOne可获得数倍以上的性能提升。

MatrixOne秉持开源开放、生态共建的理念，核心代码全部开源，全面兼容MySQL协议，并与合作伙伴打造了多个端到端解决方案，大幅降低用户的迁移

关键词：超融合数据库、多模数据库、云原生数据库、国产数据库。

MatrixOrigin 官网：新一代超融合异构开源数据库-矩阵起源（深圳）信息科技有限公司 MatrixOne

Github 仓库：GitHub - matrixorigin/matrixone: Hyperconverged cloud-edge native database

精彩文章