如何解决单一位置的Spark模式管理
问题
什么是管理Spark表的架构的最佳方法?您是否看到选项2的任何缺点?您可以提出其他更好的选择吗?
我看到的解决方案
选项1:为代码和元存储保留单独的定义
此方法的缺点是您必须使它们不断保持同步(容易出错)。另一个缺点-如果表具有500列,则会变得很麻烦。
create_some_table.sql [第一个定义]
-- Databricks syntax (internal metastore)
CREATE TABLE IF NOT EXISTS some_table (
Id int,Value string,...
Year int
)
USING PARQUET
PARTITION BY (Year)
OPTIONS (
PATH 'abfss://...'
)
some_job.py [第二个定义]
def run():
df = spark.read.table('input_table') # 500 columns
df = transorm(df)
# this logic should be in `transform`,but anycase it should be
df = df.select(
'Id','Year',F.col('Value').cast(StringType()).alias('Value') # actually another schema definition: you have to enumerate all output columns
)
df.write.saveAsTable('some_table')
test_some_job.py [第三个定义]
def test_some_job(spark):
output_schema = ... # another definition
expected = spark.createDataFrame([...],output_schema)
选项2:代码(StructType)中仅保留一个定义
可以即时生成模式。这种方法的好处-可以在一个地方实现简单性和模式定义。 您看到任何弊端吗?
def run(input: Table,output: Table):
df = spark.read.table(input.name)
df = transform(df)
save(df,output)
def save(df: DataFrame,table: Table):
df \
.select(table.schema.fieldNames()) \
.write \
.partitionBy(table.partition_by) \
.option('path',table.path) \
.saveAsTable(table.name)
# In case table doesn't exists,Databricks will automatically generate table definition
class Table(NamedTuple):
name: str
path: str
partition_by: List[str]
schema: StructType
解决方法
首先让我提出几点,然后提出建议。
- 数据的寿命比代码更长。
- 上述代码是创建和写入数据的代码,还有一些代码可以读取和使用需要考虑的数据。
- 有第三个选项,将数据的定义(模式)与数据一起存储。通常称为“自我描述格式”
- 数据的结构会随时间变化。
- 该问题被标记为
databricks
和aws-glue
- 镶木地板是逐个文件地自我描述。
- Delta Lake表使用镶木地板数据文件,但另外将架构嵌入事务日志中,因此对整个表和架构进行了版本控制。
- 数据需要由广泛的工具生态系统使用,因此数据必须是可发现的,架构不应锁定在一个计算引擎中。
推荐:
- 以开放格式存储包含数据的架构
- 使用Delta Lake格式(结合了镶木地板和交易记录)
- 将
USING PARQUET
更改为USING DELTA
- 将您的元存储指向AWS Glue Catalog,Glue目录将存储表名称和位置
- 消费者将从Delta Lake表事务日志中解析模式
- 架构可以随着编写者代码的发展而发展。
结果:
- 您的作者创建模式,并且可以可选地发展模式
- 所有使用者都可以在Delta Lake(具体为_delta_log目录)中找到架构(与表版本配对)
在我公司,我们有一个非常小的团队,因此我们建立了一个基于C#模板的生成器,该生成器从SQL Server数据库中读取信息并生成我们的所有笔记本。生成整个系统的DDL模式和处理代码所需的所有信息都在该数据库中。现在,我们唯一手动编写的代码是Dims and Facts加载过程的一部分。所有样板代码都被抽象掉了。对于新表,我们进入元数据库,输入新表和列信息并运行生成器。这将导致您在结果代码中讨论重复项,但是现在我们仅维护元数据数据库信息,而不必查找所有需要更新的位置。如果您已经建立了一个系统,那么这种方法将很难适应,而且说服高层管理人员可能会面临挑战,因为前期还有很多开发工作。但是,如果您从头开始使用咒语自动化,自动化自动化并逐步进行如何使它通用的方法,您将获得解决问题和稳定平台的无与伦比的能力。我在野外看到的唯一能够在大数据空间中执行类似操作的产品是Wherescape,如果我没记错的话,每年每座35,000美元的价格非常昂贵。因此,如果您财大气粗,我强烈建议您看看。 [https://www.wherescape.com/][1] 可能还有其他人,但这是我所知道的唯一一个。
此方法如何带来好处的几个示例。
-
我们自己和彼此都有两个开发人员,我们能够在4个月内将130个阶段和40个Dim和Facts从U-SQL Datalake Analytics完全切换到Databricks。逐步关闭所有生成的进程。
-
可以说,在加载暂存表时我们发现了一个处理问题,我们更新了流程模板,重新生成了笔记本并重新部署。现在,可能需要花费数周的时间来修复和测试其他日常工作的所有130张表的流程现在都进行了更新。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。