一，Study Materials

一些学习资料以及ppt

二，TPCH Dataset

数据生成工具:见TPC-DS tools TAR目录hive-testbench.tgz

tpcds数据生成:见TPCDS Dataset Import目录

数据导入kudu: 见TPCDS Dataset Import目录

三，src/main scala代码

kudu和spark的集成代码，主要实现了增删改查(整理中...)

四，精准查询测试及OLAP测试

见TPC-DS Performance Result目录

五，spark-shell REPL 手动从hdfs上插入数据到kudu

环境：CDH 5.8.4 KUDU 1.3.0

1，启动spark-shell

#注意这里会联网下载kudu的jar包，如果不能联网，可以去其他能联网的机器上执行下载好，再将/root/.ivy2/cache/org.apache.kudu/kudu-spark_2.10/目录打包过去放到相同位置就行了
#也可以直接去https://repo1.maven.org/maven2/org/apache/kudu下面选择对应版本的jar包下载下来，执行spark-shell --jars kudu-$verr
#如果环境和我一样的，可以直接使用TPCH-DS tools TAR/kudu-spark_2.10.tgz文件

spark-shell --packages org.apache.kudu:kudu-spark_2.10:1.3.0

import org.apache.kudu.spark.kudu._
import org.apache.kudu.client._
import collection.JavaConverters._

2，定义case class

//注意这里列名称要小写，之所以小写是因为在impala中创建的表的是小写，如果这里大写写入会无法识别列名称
case class Trans(id: Int, hjd_dzmc: String, xzd_dzmc: String, fwcs: String, asjxgrybh: String, xm: String, gmsfhm: String, xbdm: String, mzdm: String, hyzkdm: String, xldm: String, gxsj: String)
//我的原始数据里面列有单引号，这里去掉，否则会后面会报错
def toTrans = (trans: Seq[String]) => Trans(trans(0).replace("\'", "").trim.toInt,trans(1).replace("\'", ""),trans(2).replace("\'", ""),trans(3).replace("\'", ""),trans(4).replace("\'", ""),trans(5).replace("\'", ""),trans(6).replace("\'", ""),trans(7).replace("\'", ""),trans(8).replace("\'", ""),trans(9).replace("\'", ""),trans(10).replace("\'", ""),trans(11).replace("\'", ""))

3，从hdfs上读取数据，创建DF，如果在hive，也可以直接用sqlContext来创建DF，就可以不用创建case class

val acTransDF = spark.read.textFile("hdfs:///user/root/syslog.txt").map(_.split(",")).map(toTrans(_))

//spark2.x
//val acTransDF = spark.createDataFrame(acTransRDD)
//hive
//val acTransDF = sqlContext.table("tpch_flat_orc_100.customer")
//spark 1.6
val acTransDF = sqlContext.createDataFrame(acTransRDD)

从kudu读取数据：val dk = spark.read.options(Map("kudu.master"-> "192.168.3.79:7051", "kudu.table"-> "impala::kudu_spark_tpcds_1000.catalog_returns")).kudu

4,创建kudu表（可选，也可以在impala里面先创建好）

//创建kuducontext，后面填写kudu master地址，leader一定要在列表里面
val kuduContext = new KuduContext("192.168.1.12:7051")
//检查检查表是否存在
kuduContext.tableExists("impala::default.yunchen_spark_table_test")
//建表，hash id，共建10个分区，拷贝份数为1，这里建的表无法在impala中显示，不知道为什么，如果要建表这建议调用impala的api进行创建表
kuduContext.createTable(
    "yunchen_spark_table_test", acTransDF.schema, Seq("id"),
    new CreateTableOptions()
        .setNumReplicas(1)
        .addHashPartitions(List("id").asJava, 10))

5，写入kudu中

//直接将df写入到kudu中
acTransDF.write.options(Map("kudu.master"-> "192.168.1.12:7051", "kudu.table"-> "impala::default.spark_kudu")).mode("append").kudu

读取见src/main

六，kudu的参数调整

刚开始导入15亿数据导论一天没完成，比较奇怪为什么写入性能这么差？后来发现cdh的默认配置比较坑，以前发现cdh yarn的默认配置也比较坑

这里从两个方面进行了优化：

• 1.wal日志和数据存放日志分开，wal放在第一块磁盘上，如果有条件可以放在ssd上，数据目录放在第二块到第十二块上面

• 2.memory_limit_hard_bytes参数调整为32G，默认是4G，block_cache_capacity_mb参数调整为4G，默认是512M

• 3.Impala: Catalog Server设置内存为32gb；impalad内存设置为64gb

参数调整后，15亿数据大概6分钟就导入进去了，写入性能提升巨大

七，kudu中创建的表映射到impala

我们有一个测试集群先安装了kudu，建了一些表，通过spark streaming插入数据，后面需要给数据分析人员使用就引入了impala

虽然建表的时候采用的impala::default.tsgz_stds这种格式，但是在impala中依然无法显示

有两种方法：

1，删掉kudu中的表，在impala中重建，但会丢失原来的数据

2，通过外部表的方式来做映射

create external table tsgz_syslog_new
stored as kudu
tblproperties('kudu.table_name' = 'impala::default.tsgz_syslog_new');

create external table tsgz_tcdns
stored as kudu
tblproperties('kudu.table_name' = 'impala::default.tsgz_tcdns');

create external table tsgz_stds
stored as kudu
tblproperties('kudu.table_name' = 'impala::default.tsgz_stds');