使用Spark的DataFrame方式访问表格存储，并在本地和集群上分别进行运行调试。

前提条件

• 了解Spark访问表格存储的依赖包，并在使用时通过maven方式引入项目中。

  • Spark相关：spark-core、spark-sql、spark-hive
  • Spark Tablestore connector：emr-tablestore-.jar
  • Tablestore Java SDK：tablestore--jar-with-dependencies.jar

  其中表示相应依赖包的版本号，请以实际为准。

• 已在表格存储侧创建Source表和在Source表上创建通道，详情请参见概述。

快速开始

通过项目样例了解快速使用流计算的操作。

1. 从GitHub下载项目样例的源码，具体下载路径请参见TableStoreSparkDemo。项目中包含完整的依赖和使用样例，具体的依赖请参见项目中的pom文件。

2.阅读TableStoreSparkDemo项目的README文档，并安装最新版的Spark Tablestore connector和Tablestore Java SDK到本地maven库。

说明
Spark Tablestore connector正式版发布以月为周期，目前最新版尚未正式发布，请先使用项目附带的预览版，正式发布后，本文也会进行更新，敬请期待。预览版和正式版只是版本号的区别，相互兼容，业务代码逻辑无需改动。

3.修改Sample代码。
以StructuredTableStoreAggSQLSample为例，对此示例代码的核心代码说明如下：

• format("tablestore")表示使用ServiceLoader方式加载Spark Tablestore connector，具体配置请参见项目中的META-INF.services。
• instanceName、tableName、tunnel.id、endpoint、accessKeyId、accessKeySecret分别表示表格存储的实例名称、数据表名称、通道ID、实例endpoint、阿里云账号的AccessKey ID和AccessKey Secret。
• catalog是一个JSON串，包含字段名和类型，如下示例中的数据表有UserId（STRING类型）、OrderId（STRING类型）、price（DOUBLE类型）和timestamp（LONG类型）四个字段。
• maxoffsetsperchannel表示每一个mini-batch中每一个channel（分区）最多读取的数据量，默认值为10000。

    val ordersDF = sparkSession.readStream
      .format("tablestore")
      .option("instance.name", instanceName)
      .option("table.name", tableName)
      .option("tunnel.id", tunnelId)
      .option("endpoint", endpoint)
      .option("access.key.id", accessKeyId)
      .option("access.key.secret", accessKeySecret)
      .option("maxoffsetsperchannel", maxOffsetsPerChannel) //默认值为10000。
      .option("catalog", dataCatalog)
      .load()
      .createTempView("order_source_stream_view")

  val dataCatalog: String =
    s"""
       |{"columns": {
       |    "UserId": {"type":"string"},
       |    "OrderId": {"type":"string"},
       |    "price": {"type":"double"},
       |    "timestamp": {"type":"long"}
       | }
       |}""".stripMargin

运行调试

根据需求修改示例代码后，可在本地或者通过Spark集群进行运行调试。以StructuredTableStoreAggSQLSample为例说明调试过程。

• 本地调试

以Intellij IDEA为例说明。

说明
本文测试使用的环境为Spark 2.4.3、Scala 2.11.7和Java SE Development Kit 8，如果使用中遇到问题，请联系表格存储技术支持。

• 在系统参数中，配置实例名称、数据表名称、实例endpoint、阿里云账号的AccessKey ID和AccessKey Secret等参数。您也可以自定义参数的加载方式。
• 选择include dependencies with "provided" scope，单击OK。
• 运行示例代码程序。

• 通过Spark集群调试

以spark-submit方式为例说明。示例代码中的master默认为local[*]，在Spark集群上运行时可以去掉，使用spark-submit参数传入。

• 执行mvn -U clean package命令打包，包的路径为target/tablestore-spark-demo-1.0-SNAPSHOT-jar-with-dependencies.jar。

• 上传包到Spark集群的Driver节点，并使用spark-submit提交任务。

  spark-submit --class com.aliyun.tablestore.spark.demo.streaming.StructuredTableStoreAggSQLSample --master yarn tablestore-spark-demo-1.0-SNAPSHOT-jar-with-dependencies.jar <ots-instanceName> <ots-tableName> <ots-tunnelId> <access-key-id> <access-key-secret> <ots-endpoint> <max-offsets-per-channel>