利用 Spark DataSource API 实现Rest数据源

利用 Spark DataSource API 实现Rest数据源

来源:http://www.jianshu.com/p/6441eaa4d064

Spark DataSource API 的提出使得各个数据源按规范实现适配,那么就可以高效的利用Spark 的计算能力。典型如Parquet,CarbonData,Postgrep(JDBC类的都OK)等实现。本文则介绍如何利用Spark DataSource 对标准Rest接口实现读取。

引子

先说下这个需求的来源。通常在一个流式计算的主流程里,会用到很多映射数据,譬如某某对照关系,而这些映射数据通常是通过HTTP接口暴露出来的,尤其是外部系统,你基本没有办法直接通过JDBC去读库啥的。

上面是一个点,其次是从HTTP读到的JSON数据,我其实需要做扁平化处理的。现在如果SQL作用于JSON数据可以解决简单的嵌套问题,但是更复杂的方式是没有太大办法的。

比如下面格式的:

{
'status':'200',
'data':[
'id':1,
'userid':2,
'service':{
'3':{'a':1,'b':2},
'2':{'a':3,'b':2},
.....
}
]
}

最好能展开成这种格式才能够被主流程直接join使用:

{id:1,userid:2,service:3,a:1,b:2}
{id:1,userid:2,service:2,a:3,b:2}

所以为了实现同事的需求,我需要第一将Rest接口的获取方式用标准的DataSource API 来实现,其次提供一个能够做如上合并规则的模块,并且允许配置。

最后实现的效果参看:Rest DataSource

实现目标

先看看DataSource API 的样子:

val df = SQLContext.getOrCreate(sc).
read.
format('driver class').//驱动程序,类似JDBC的 driver class
options(Map(....)). //你需要额外传递给驱动的参数
load('url')//资源路径

如果做成配置化则是:

{
'name': 'streaming.core.compositor.spark.source.SQLSourceCompositor',
'params': [
{
'format': 'org.apache.spark.sql.execution.datasources.rest.json',
'url': 'http://[your dns]/path',
'xPath': '$.data'
}
]
}

DefaultSource的实现

定义

org.apache.spark.sql.execution.datasources.rest.json.DefaultSource
extends RelationProvider
with DataSourceRegister

这是比较典型的命名规范。rest 代表支持的是rest作为接口,json则代表rest接口的数据是json格式的,包的命名让人一目了然。

先看看DefaultSource继承的两个接口

  • DataSourceRegister

该接口只有一个 shortName 方法。我们看到上面的包名是很长的,你可以给一个更简短的名字:

org.apache.spark.sql.execution.datasources.rest.json
==>
restJSON

所以具体实现就变成了:

override def shortName(): String = 'restJSON'
  • RelationProvider

这个接口也只有一个方法:

def createRelation(sqlContext: SQLContext, parameters: Map[String, String]): BaseRelation

其返回值BaseRelation主要是一个描述数据源和Spark SQL交互的类。然后允许你根据用户定义的参数 parameters 创建一个合适的BaseRelation的实现类。

其实除了这个,还有一些携带更多信息的类,譬如:

SchemaRelationProvider 允许你直接传递Schema信息给BaseRelation实现。
HadoopFsRelationProvider  除了参数帮你加了path等,返回值也帮你约定成HadoopFsRelation. HadoopFsRelation 提供了和HDFS交互的大部分实现

在我们的实现里,只要实现基础的RelationProvider就好。

我们来看下DefaultSource具体代码:

override def createRelation(
sqlContext: SQLContext,
//还记的DataSource的options方法么,parameters就是
//用户通过options传递过来的
parameters: Map[String, String]
): BaseRelation = {
//因为我们并需要用户提供schema
//而是从JSON格式数据自己自己推导出来的
// 所以这里有个采样率的概念
val samplingRatio = parameters.get('samplingRatio').map(_.toDouble).getOrElse(1.0)
// 还记得DataSource的 path么?理论上是应该通过那个传递过来的,然而
//这里是直接通过potions传递过来的。
val url = parameters.getOrElse('url', '')
// 我们需要能够对通过XPATH语法抽取我们要的数据,比如
//前面的例子,我们需要能够抽取出data那个数组
val xPath = parameters.getOrElse('xPath', '$')
//这里是核心
new RestJSONRelation(None, url, xPath, samplingRatio, None)(sqlContext)
}

源码中已经做了说明。这里RestJSONRelation是整个核心,它实现了Spark SQL 和数据源的交互。RestJSONRelation继承自BaseRelation,TableScan等基类

RestJSONRelation

先看看RestJSONRelation 的签名:

private[sql] class RestJSONRelation(
val inputRDD: Option[RDD[String]],
val url: String,
val xPath: String,
val samplingRatio: Double,
val maybeDataSchema: Option[StructType]
)(@transient val sqlContext: SQLContext)
extends BaseRelation with TableScan {

这些参数是你随便定义的。当然,url,xPath,smaplingRatio具体的含义在上一章节都提到了。

和数据源进行交互有两个必要的信息:

  • Schema 信息。只有两种方法:用户告知你,或者程序自己根据数据推导。关于schema信息这块,BaseRelation还提供了几个基础的约定:
  • needConversion,是否需类型转换,因为Spark SQL内部的表示是Row,里面的数据需要特定的类型,比如String会被转化成UTF8String。默认为true,官方也是说不要管他就好。
  • unhandledFilters, 返回一些数据源没有办法pushdown的filter。这样解析器就知道可以在Spark内部做filter了。否则Spark 会傻傻的以为你做了过滤,然后数据计算结果就错了。
  • 数据扫描的方法。目前Spark SQL 提供了三种
  • TableScan 全表扫描
  • PrunedScan 可以指定列,其他的列数据源可以不用返回
  • PrunedFilteredScan 指定列,并且还可以加一些过滤条件,只返回满足条件的数据。这个也就是我们常说的数据源 下沉(pushdown) 操作。
  • CatalystScan 和PrunedFilteredScan类似,支持列过滤,数据过滤,但是接受的过滤条件是是Spark 里的Expression。理论上回更灵活些。话说在Spark源码)里(1.6.1版本),我没有看到这个类的具体实现案例。

因为Http 协议的特殊性,Pruned 和 Filter操作可以很直观的通过url做掉,所以我们只要实现一个简单的TableScan就可以了。

Schema推导

BaseRelation是需要你给出Schema的。这里我们会先定义一个dataSchema的lazy属性,这样防止schema方法被反复调用而需要反复推导。

override def schema: StructType = dataSchema
lazy val dataSchema = .....

因为我们是根据数据推导Schema,所以首先要获取数据。我们定义一个方法:

private def createBaseRdd(inputPaths: Array[String]): RDD[String]

inputPaths 我沿用了文件系统的概念,其实在我们这里就是一个URL。我们知道,最终Spark SQL 的的直接数据源都是RDD的。所以这里我们返回的也是RDD[String]类型。具体实现很简单,就是通过HttpClient根据inputPaths拿到数据之后makeRDD一下就可以了。

//应该要再加个重试机制就更好了
private def createBaseRdd(inputPaths: Array[String]): RDD[String] = {
val url = inputPaths.head
val res = Request.Get(new URL(url).toURI).execute()
val response = res.returnResponse()
val content = EntityUtils.toString(response.getEntity)
if (response != null && response.getStatusLine.getStatusCode == 200) {
//这里是做数据抽取的,把data的数组给抽取出来
import scala.collection.JavaConversions._
val extractContent = JSONArray.fromObject(JSONPath.read(content, xPath)).
map(f => JSONObject.fromObject(f).toString).toSeq
sqlContext.sparkContext.makeRDD(extractContent)
} else {
sqlContext.sparkContext.makeRDD(Seq())
}
}

有了这个类就能获取到数据,就可以做Schema推导了:

lazy val dataSchema = {
//我们也允许用户传递给我们Schema,如果没有就自己推导
val jsonSchema = maybeDataSchema.getOrElse {
InferSchema(
//拿到数据
inputRDD.getOrElse(createBaseRdd(Array(url))),
//采样率,其实就是拿sc.sample方法
samplingRatio,
sqlContext.conf.columnNameOfCorruptRecord)
}
checkConstraints(jsonSchema)
jsonSchema
}

InferSchema的实现逻辑比较复杂,但最终就是为了返回StructType(fields: Array[StructField]) 这么个东西。我是直接拷贝的spark JSON DataSource的实现。有兴趣的可以自己参看。StructType其实也很简单了,无非就是一个描述Schema的结构,类似你定义一个战表,你重要告诉系统字段名称,类型,是否为Null等一些列信息。

现在我们终于搞定了数据表结构了。

数据获取

刚才我们说了数据获取的四种类型,我们这里使用的是TableScan,继承自该接口只要实现一个buildScan方法就好:

def buildScan(): RDD[Row] = {
JacksonParser(
inputRDD.getOrElse(createBaseRdd(Array(url))),
dataSchema,      sqlContext.conf.columnNameOfCorruptRecord).asInstanceOf[RDD[Row]]
}

其本质工作就是把JSON格式的String根据我们前面已经拿到的Schema转化为Row格式。

具体做法如下:

//这个是createBaseRDD返回的RDD[String]
//对应的String 其实是JSON格式
//针对每个分区做处理
json.mapPartitions { iter =>
val factory = new JsonFactory()
iter.flatMap { record =>
try {
//JSON的解析器
val parser = factory.createParser(record)
parser.nextToken()
//这里开始做类型转换了
convertField(factory, parser, schema) match {
case null => failedRecord(record)
case row: InternalRow => row :: Nil
case array: ArrayData =>
if (array.numElements() == 0) {
Nil
} else {
array.toArray[InternalRow](schema)
}
case _ =>
sys.error(
s'Failed to parse record $record. Please make sure that each line of the file ' +
'(or each string in the RDD) is a valid JSON object or an array of JSON objects.')
}
} catch {
case _: JsonProcessingException =>
failedRecord(record)
}
}
}

这里的代码还是比较清晰易懂的。convertField(factory, parser, schema) 直接match dao InternalRow 还是比较困惑的,其实里面是有乾坤的。总之我认为直接将该函数作为入口并不好,然人困惑。一个字段转换咋就变成了InternalRow了呢。我们进去看看convertField方法:

private[sql] def convertField(
factory: JsonFactory,
parser: JsonParser,
schema: DataType): Any = {
import com.fasterxml.jackson.core.JsonToken._
(parser.getCurrentToken, schema) match {
case (null | VALUE_NULL, _) =>
null
case (FIELD_NAME, _) =>
parser.nextToken()
convertField(factory, parser, schema)
.....
case (START_OBJECT, st: StructType) =>
convertObject(factory, parser, st)

如果你的JSON是个Map,一开始会进入经过N此匹配后会进入最后一个case 情况。这里的st:StructType 就是我们之前自己推导出来的dataSchema. convertObject 方法如下:

while (nextUntil(parser, JsonToken.END_OBJECT)) {
schema.getFieldIndex(parser.getCurrentName) match {
case Some(index) =>
row.update(index, convertField(factory, parser, schema(index).dataType))
case None =>
parser.skipChildren()
}
}

到这里就真相大白了。为了能够拿到一条完整的数据,他会while循环直到遇到END_OBJECT 。所谓END_OBJECT 其实就是一个Map 结束了。在每一次循环里,拿到一个字段,就通过名字去去schema里获取类型信息,然后再回调convertField方法将这个字段转化为row需要的类型,比如字符串类型的就通过UTF8String进行转换。

case (VALUE_STRING, StringType) =>  UTF8String.fromString(parser.getText)

得到的值通过Row的函数进行更新,这里是 row.update 方法。到END_OBJECT后,就完成了将一个JSON Map 转化为一条Row的功能了。

收工

到目前为止,我们已经完成了具体的工作了。现在你已经可以按如下的方式使用:

val df = SQLContext.getOrCreate(sc).
read.
format('org.apache.spark.sql.execution.datasources.rest.json').//驱动程序,类似JDBC的 driver class
options(Map(
'url'->'http://[your dns]/path'
'xPath' -> '$.data'
)). //你需要额外传递给驱动的参数
load('url')//资源路径

获取到的Dataframe 你可以做任意的操作。

总结

Spark DataSource API的提出,给Spark 构建生态带来了巨大的好处。各个存储系统可以实现统一标准的接口去对接Spark。学会使用自己实现一个DataSoure是的你的存储可以更好的和生态结合,也能得到更好的性能优化。

www.zeeklog.com  - 利用 Spark DataSource API 实现Rest数据源