使用 JDBC 进行数据访问

最后更新于：2018-10-23 16:43:31

本文档所描述的内容属于神策分析的高级使用功能，涉及较多技术细节，适用于对相关功能有经验的用户参考。如果对文档内容有疑惑，请咨询您的数据咨询顾问获取一对一的协助。

在神策分析的单机和集群版中，我们提供了更加高效、稳定的 SQL 查询方式，即直接使用 JDBC 或者 impala-shell 进行数据查询。关于具体如何使用 JDBC 连接 Impala 可以直接参考官方文档。

1. 获取 JDBC 地址

登录任意的神策服务器
切换至 sa_cluster 账户
```
su - sa_cluster
```

使用以下命令获取地址

monitor_tools get_config -t client -m impala

例如输出是

{
    "hive_url_list": [
        "jdbc:hive2://192.168.1.2:21050/rawdata;auth=noSasl",
        "jdbc:hive2://192.168.1.3:21050/rawdata;auth=noSasl",
    ],
    "hive_user": "sa_cluster"
}

其中，hive_url_list 中的任意一个地址都可用于连接。

如果使用代码访问，我们建议使用 1.1.0 版本的 Hive JDBC Driver 来进行访问，Maven 的依赖定义如下：

  <dependency>
      <groupId>org.apache.hive</groupId>
      <artifactId>hive-jdbc</artifactId>
      <version>1.1.0</version>
  </dependency>

注意：由于兼容性问题，我们不推荐使用闭源的 Cloudera Impala JDBC Driver 进行访问，如果确实需要，那么务必关闭开启 Native SQL 的选项，例如：

  jdbc:impala://192.168.1.1:21050/rawdata;UseNativeQuery=1

2. 使用 impala-shell 进行查询

除了直接使用 JDBC 接口之外，也可以直接使用 impala-shell 工具进行查询。通常有两种使用方式：

直接登录任意的神策服务器，运行 impala-shell 命令即可。
使用任意 2.6.0 以上的 impala-shell 客户端，连接到上面 hive_url_list 中的地址（无需指定端口）。

3. 常规使用

为了区分查询神策的数据与一般的 Impala 数据，需要在 SQL 中使用特殊的注解来进行标识，例如查询默认项目的 events 数据：

SELECT * FROM events WHERE `date` = CURRENT_DATE() LIMIT 10 /*SA*/;

其中的 /*SA*/ 表示当前 SQL 是一个发给神策系统的查询。类似的，如果想看 events 表有哪些字段，可以使用：

DESC events /*SA*/;

如果不是查询默认项目，则需要指定项目名称，例如：

SELECT * FROM users LIMIT 10 /*SA(test_project)*/;

最后，我们还可以让一个 SQL 的一部分使用神策的查询，其它部分使用正常的 Impala 查询，例如：

CREATE TABLE test_data AS 
/*SA_BEGIN(test_project)*/ SELECT id, first_id, $city AS city FROM users LIMIT 10 /*SA_END*/

使用这种方式，也可以很容易的实现把神策的数据和其它外部数据表进行 JOIN。

4. 数据导出

如果想把神策的数据导出成文本格式，用于备份或者其它用途，那可以使用以下方案：

创建一个文本格式的数据表，把待导出的数据插入此表。
```
CREATE TABLE default.export_data AS 
/*SA_BEGIN(production)*/
SELECT user_id,time,event, $os AS _os FROM events WHERE date=CURRENT_DATE() LIMIT 10
/*SA_END*/
```
注意： 普通 Impala/Hive 表不支持带 $ 的字段，因此如果导出这类字段需要使用 AS 重命名。
获取该数据表的 HDFS 路径
```
SHOW TABLE STATS default.export_data
```
其中输出的 Location 列即是导出文件所在的 HDFS 目录，例如:
```
hdfs://data01:8020/user/hive/warehouse/export_data/
```
可以使用 hadoop 命令将 HDFS 文件取到本地：
```
hadoop fs -get hdfs://data01:8020/user/hive/warehouse/export_data/
```
上述目录里的文件是以 Hive 默认分隔符（即 \001）进行列分隔的文本文件。
按需拷贝走上面路径下的文件即可。

5. 和 Spark 集成

还可以使用 Spark 的 JDBC Connector 直接访问神策的原始数据，以 Python API 为例：

from pyspark.sql import SparkSession

jdbc_url= "jdbc:hive2://localhost:21050/rawdata;auth=noSasl"
spark = SparkSession.builder.appName("sa-test").getOrCreate()
df = spark.read.jdbc(url=jdbc_url, table="(/*SA(default)*/ SELECT date, event, count(*) AS c FROM events GROUP BY 1,2) a")
df.select(df['date'], df['event'], df['c'] * 10000).show()

也可以使用 spark-shell 执行的同样的例子：

var test_jdbc = spark.sqlContext.read.format("jdbc").option("url", "jdbc:hive2://localhost:21050/rawdata;auth=noSasl").option("driver", "org.apache.hive.jdbc.HiveDriver").option("dbtable", "(/*SA(default)*/ SELECT date, event, count(*) AS c FROM events GROUP BY 1,2) a").load();
test_jdbc.show

注意： 该方式仅在 Spark 2.2 以上测试通过。另外，这种方式会使用单线程的方式从 Impala 获取数据，因此不适用于 SQL 会返回大量数据内容的方式，请尽量用 Impala SQL 做完预处理之后再引入 Spark 进行后续处理。