云HBase Spark分析引擎对接云数据库POLARDB

HBase Spark分析引擎是云数据库HBase版提供的分析引擎，基于Spark提供的复杂分析、流式处理、机器学习的能力。Spark分析引擎可以对接阿里云的多种数据源，例如：云HBase数据库、MongoDB、Phoenix等，同时也支持对接云数据库POLARDB。POLARDB是阿里云自研的下一代关系型云数据库，100%兼容MySQL，性能最高是MySQL的6倍。本文主要介绍HBase Spark分析引擎如何对接云数据库POLARDB。

场景介绍

POLARDB中经常会存储一些维度表信息，例如：用户维度表信息，包含用户的ID，姓名，地址等信息。此类数据的特点是数据量小，不经常改变。
Spark 中经常会存在一些海量事实表数据用于数据的分析，例如用户的通话信息、交易信息等。此类数据的特点是数据量大、增量更新。用户需要在这类数据中统计、分析挖掘有价值的内容。
例如：用户事实表数据一般包含用户的ID信息，在Spark侧对事实表统计分析时，对分析的结果需要补齐用户的其他信息，例如姓名、地址等。
这时就可以通过Spark分析引擎直接和POLARDB的数据表做关联查询和统计分析，而不用担心搬迁POLARDB的数据，以及搬迁数据带来的数据同步问题和额外的维护工作量。
下面内容介绍在Spark分析引擎中如何对接云数据库POLARDB。

在Spark分析引擎中创建表

本文中的SQL样例可以运行在Spark分析引擎的SQL服务ThriftServer。
在Spark分析引擎中创建关联POLARDB表的语法如下：

create table jdbc_polordb
using org.apache.spark.sql.jdbc
options (
  driver 'com.mysql.jdbc.Driver',
  url 'jdbc:mysql://pc-xxx.rwlb.rds.aliyuncs.com:3306',
  dbtable 'testdb.test_table',
  user 'testuser',
  password 'xxx'
)

样例使用的是Spark的JDBC DataSource API。每个参数意义如下：
jdbc:mysql://pc-xxx.rwlb.rds.aliyuncs.com:3306：POLARDB的数据库地址，从POLARDB集群中获取，可以是集群地址，主地址或者SQL加速地址，对应下图中POLARDB的连接地址：

testdb.test_table：testdb是POLARDB中创建的数据库名称，test_table为创建的表名称。
user和password分别对应登陆数据库的用户名和密码。

在Spark分析引擎中操作表

在Spark分析引擎中创建表后，可以直接在Spark分析引擎中操作POLARDB表。表的操作常用的有：查询表、插入数据、删除表。
1、查询样例：

select * from jdbc_polordb limit 5;
+-----+---------+--+
| id  |  name   |
+-----+---------+--+
| 9   | name9   |
| 15  | name15  |
| 9   | name99  |
| 28  | name28  |
| 15  | name15  |
+-----+---------+--+
select * from jdbc_polordb where id >= 96;
+------+-----------+--+
|  id  |   name    |
+------+-----------+--+
| 96   | name96    |
| 99   | name99    |
| 98   | name98    |
| 99   | name99    |
| 97   | name97    |
| 100  | name100   |
| 200  | testdata  |
+------+-----------+--+

2、插入数据样例：

insert into jdbc_polordb values(200, 'testdata');
+---------+--+
| Result  |
+---------+--+
+---------+--+
select * from jdbc_polordb where id=200;
+------+-----------+--+
|  id  |   name    |
+------+-----------+--+
| 200  | testdata  |
+------+-----------+--+

3、与其他表join样例：

select j.id, j.name from jdbc_polordb j join test_parquet t on j.id = t.id;
+-----+--------+--+
| id  |  name  |
+-----+--------+--+
| 1   | name1  |
| 3   | name3  |
| 5   | name5  |
+-----+--------+--+

4、 删除表样例（Spark侧删除表不会删除POLARDB中的表）：

drop table jdbc_polordb;
+---------+--+
| Result  |
+---------+--+
+---------+--+

Spark分析引擎查询POLARDB性能优化

Spark分析引擎中查询POLARDB表性能方面提供了如下的优化能力：
1、 列值裁剪
根据用户的SQL语句在POLARDB中获取需要字段的数据。例如，POLARDB中的表test_table有四个字段，col1、col2、col3、col4。 Spark中的查询语句为：

select col1, col3 from jdbc_polordb

则Spark分析引擎只会获取表test_table中col1和col3两个字段对应的数据，减少数据量的获取。

2、 过滤条件下推
Spark分析引擎支持常用的过滤条件下推，例如：=,>,>=,<,<=,is null, is not null,like xx%, like %xx, like %xx%,in,not。查询SQL如：

select * from jdbc_polordb where id >= 96;
select * from jdbc_polordb where id=200;

Spark分析引擎会把过滤条件id=200，id>=96下推到POLARDB，减少数据量的获取，提升查询性能。

3、分区并行读取
在Spark分析引擎中创建JDBC表时可以指定分区，查询会按照分区字段和分区数并发查询。语法如下：

create table jdbc_polordb
using org.apache.spark.sql.jdbc
options (
 driver 'com.mysql.jdbc.Driver',
 url 'jdbc:mysql://pc-xxx.rwlb.rds.aliyuncs.com:3306',
 dbtable 'testdb.test_table',
 user 'testuser',
 password 'xxx',
 partitionColumn 'id',
 lowerBound '20',
 upperBound '80',
 numPartitions '5'
)

partitionColumn：是需要分区的字段名称，对应POLARDB中表的字段；
lowerBound：为对应字段的下界值；
upperBound：为对应字段的上界值；
numPartitions：为分区数。
在此基础上执行select * from jdbc_polordb，Spark分析引擎会下发5个并行的Job查询POLARDB数据库。下图为Spark分析引擎的并行Job：

总结

Spark分析引擎作为大数据计算框架可以与云数据库POLARDB很容易结合在一起，在Spark分析引擎中非常便捷地关联、分析POLARDB的数据。本文简单介绍HBase Spark分析引擎与云数据库POLARDB结合的常用操作。更多内容欢迎大家使用HBase Spark分析引擎，云数据库POLARDB。