比pgload更快更方便写入大数据量至Greenplum的Greenplum-Spark Conne

2023-03-20 14:43:13

前序
Greenplum是目前比较的mpp数据库，其官方推荐了几种将外部数据写入Greenplum方式，包含：通用的Jdbc，pgcopy和pgload以及Pivotal Greenplum-Spark Connector等。

Jdbc：Jdbc方式，写大数据量会很慢。
pgcopy：其中pgcopy是及其不推荐的一种，因为其写数据必须经过Greenplum的master，因此也只建议小数据量使用。
pgload：适合写大数据量数据，能并行写入。但其缺点是需要安装客户端，包括gpfdist等依赖，安装起来很麻烦。需要了解可以参考pgload。
Greenplum-Spark Connector：基于Spark并行处理，并行写入Greenplum，并提供了并行读取的接口。也是接下来该文重点介绍的部分。
2. Greenplum-Spark Connector读数据架构
一个Spark application，是由Driver和Executor节点构成。当Spark application使用Greenplum-Spark Connector加载Greenplum数据时，其Driver端会通过JDBC的方式请求Greenplum的master节点获取相关的元数据信息。Connector将会根据这些元数据信息去决定Spark的Executor去怎样去并行的读取该表的数据。

Greenplum数据库存储数据是按segment组织的，Greenplum-Spark Connector在加载Greenplum数据时，需要指定Greenplum表的一个字段作为Spark的partition字段，Connector会使用这个字段的值来计算，该Greenplum表的某个segment该被哪一个或多个Spark partition读取。

其读取过程如下：

1.Spark Driver通过Jdbc的方式连接Greenplum master，并读取指定表的相关元数据信息。然后根据指定的分区字段以及分区个数去决定segment怎么分配。
2.Spark Executor端会通过Jdbc的方式连接Greenplum master，创建Greenplum外部表。
3.然后Spark Executor通过Http方式连接Greenplum的数据节点，获取指定的segment的数据。该获取数据的操作在Spark Executor并行执行。
其示意流程图如下：

3. Greenplum-Spark Connector写数据流程
1.GSC在Spark Executor端通过Jetty启动一个Http服务，将该服务封装为支持Greenplum的gpfdist协议。
2.GSC在Spark Executor端通过Jdbc方式连接Greenplum master，创建Greenplum外部表，该外部表文件地址指向该Executor所启动的gpfdist协议地址。SQL示例如下：
CREATE READABLE EXTERNAL TABLE
"public"."spark_9dc823a6fa48df60_3d9d854163f8f07a_1_42" (LIKE "public"."rank_a1")
LOCATION ('gpfdist://10.0.8.145:44772/spark_9dc823a6fa48df60_3d9d854163f8f07a_1_42')
FORMAT 'CSV'
(DELIMITER AS '|'
NULL AS '')
ENCODING 'UTF-8'

3.GSC在Spark Executor端通过Jdbc方式连接Greenplum master，然后执行insert语句至真实的表中，数据来源于这张外部表。SQL示例如下：
INSERT INTO "public"."rank_a1"
SELECT *
FROM "public"."spark_9dc823a6fa48df60_3d9d854163f8f07a_1_42"

至于这张外部表的数据，是否落地当前Executor服务器，不清楚。猜测不会落地，而是直接通过Http直接传递给了Greenplum对应的Segment。

GSC监听onApplicationEnd事件，在Spark application结束后，删除创建的外部表。
4. Greenplum-Spark Connector使用
下载GSC Jar包。
下载地址：Pivotal Network。
可直接下载新版本的GSC即1.6.2，支持Greenplum5.0之后的版本。greenplum-spark_-.jar，如：
greenplum-spark_2.11-1.6.2.jar

maven中引入：
<dependency>
<groupId>io.pivotal.greenplum.spark</groupId>
<artifactId>greenplum-spark_2.11</artifactId>
<version>1.6.2</version>
</dependency>

spark提交引入：
spark-shell或spark-submit时候，通过–jars加入greenplum-spark_2.11-1.6.2.jar。
将greenplum-spark_2.11-1.6.2.jar与Spark application包打成 uber jar 提交。
5. Greenplum-Spark Connector参数

6. 从Greenplum读取数据
DataFrameReader.load()方式：
val gscReadOptionMap = Map(
"url" -> "jdbc:postgresql://gpdb-master:5432/testdb",
"user" -> "bill",
"password" -> "changeme",
"dbschema" -> "myschema",
"dbtable" -> "table1",
"partitionColumn" -> "id"
)

val gpdf = spark.read.format("greenplum")
.options(gscReadOptionMap)
.load()

spark.read.greenplum()方式：
val url = "jdbc:postgresql://gpmaster.domain:15432/tutorial"
val tblname = "avgdelay"
val jprops = new Properties()
jprops.put("user", "user2")
jprops.put("password", "changeme")
jprops.put("partitionColumn", "airlineid")
val gpdf = spark.read.greenplum(url, tblname, jprops)

然鹅，这种方式必然需要引入一个隐式转换，官网也没介绍。

7. 写数据至Greenplum
7.1. 写数据示例：
val gscWriteOptionMap = Map(
"url" -> "jdbc:postgresql://gpdb-master:5432/testdb",
"user" -> "bill",
"password" -> "changeme",
"dbschema" -> "myschema",
"dbtable" -> "table2",
)

dfToWrite.write.format("greenplum")
.options(gscWriteOptionMap)
.save()

在通过GSC写到Greenplum表时，如果表已经存在或表中已经存在数据，可通过DataFrameWriter.mode(SaveMode savemode)方式指定其输出模式。相关模式行为如下：

7.2. GSC自动建表：
1、创建的Greenplum表将不会有distribution列，如下为GSC生成的建表语句：
CREATE TABLE "public"."rank_a1"
("id" INTEGER NOT NULL, "rank" TEXT, "year" INTEGER NOT NULL, "gender" INTEGER NOT NULL, "count" INTEGER NOT NULL);

2、创建的Greenplum表的字段名将会使用Spark DataFrame中的字段名。
3、在GSC自动建表时，将会为字段名加上双引号，这将使Greenplum区分大小写。
4、当Spark DataFrame的字段不为nullable时，GSC自动建表的字段将是 NOT NULL。
5、将会对应的Spark DataFrame字段类型映射为Greenplum的字段类型。参考，字段类型映射表。
7.3. 提前手动建表：
1.将Spark DataFrame的字段名的数据写至Greenplum表的对应的字段中。值得注意的是，GSC在做映射的时候，是严格区分大小写的。
2.写至Greenplum的字段的数据类型，与对应的Spark DataFrame一致，具体参见字段类型映射。
3.如果Spark数据中某列包含空数据，需确保对应的Greenplum表的列没有被指定为NOT NULL。
4.Greenplum表中建表时其字段顺序可以与Spark DataFrame中不一致。但Greenplum表中不能出现不存在在Spark DataFrame中的字段。如下例子：
// Greenplum 中的字段
CREATE TABLE public.rank_a1 (
id int4 NOT NULL,
"rank" text NULL,
"year" int4 NOT NULL,
gender int4 NOT NULL,
count int4 NOT NULL
)
DISTRIBUTED BY (id);

// Spark DataFrame中的字段
var df = Seq((2, "a|b", 2, 2, 2),(3, "a|b", 3, 3, 3)).toDF("id", "rank", "year", "gender")

// 在写数据至public.rank_a1表时，将会报错如下
Exception in thread "main" java.lang.IllegalArgumentException: requirement failed: The number of columns doesn't match.
Old column names (5): _1, _2, _3, _4, _5
New column names (4): id, rank, year, gender
at scala.Predef$.require(Predef.scala:224)
at org.apache.spark.sql.Dataset.toDF(Dataset.scala:435)
at org.apache.spark.sql.DatasetHolder.toDF(DatasetHolder.scala:44)
at com.lt.spark.greenplum.GreenplumWrite$.main(GreenplumWrite.scala:14)
at com.lt.spark.greenplum.GreenplumWrite.main(GreenplumWrite.scala)

确保指定的用户对于该表有读写的权限，自动建表，需要有建表的权限。
8. Troubleshooting
8.1. 端口相关问题

8.2. Greenplum连接数问题
当连接Greenplum的连接数接近Greenplum数据库配置的大连接数（max_connections）时。Spark application将会抛出 connection limit exceeded 错误。

排查过程：

查询Greenplum数据的大连接数：
postgres=# show max_connections;
max_connections
-----------------
250
(1 row)

查询当前连接Greenplum数据库的连接数：
postgres=# SELECT count(*) FROM pg_stat_activity;

查询指定的用户连接Greenplum数据的连接数：
postgres=# SELECT count(*) FROM pg_stat_activity WHERE datname='tutorial';
postgres=# SELECT count(*) FROM pg_stat_activity WHERE usename='user1';

查询Greenplum数据库空闲和活动的连接数：
postgres=# SELECT count(*) FROM pg_stat_activity WHERE current_query='<IDLE>';
postgres=# SELECT count(*) FROM pg_stat_activity WHERE current_query!='<IDLE>';

查询连接Greenplum数据库名，用户名，客户端地址，客户端ip，当前查询语句：
postgres=# SELECT datname, usename, client_addr, client_port, current_query FROM pg_stat_activity;

如果确认是Spark application使用连接数过多，则配置JDBC Connection Pooling相关参数，减少连接数。

8.3. Greenplum Database Data Length Errors
在使用Greenplum 4.x或5.x的时候，可能会报出“data line too long”错误。这是因为在Greenplum数据库中参数项“gp_max_csv_line_length”默认值是1M。需要登陆Greenplum master修改这个参数值，示例如下，通过gpconfig修改该参数的值为5M：

gpadmin@gpmaster$ gpconfig -c gp_max_csv_line_length -v 5242880
gpadmin@gpmaster$ gpstop -u

9. 类型映射表
9.1. Greenplum to Spark