在本文中，我的目标是分享我在 Spark 和 Flink 等框架内标准化 ETL 流程的经验，特别是对于那些不使用 dbt 等数据处理框架的人。 语境 数据处理是一个综合领域，包括以批处理和流模式对大量信息进行常规处理。这些过程通常称为 ETL 过程，是使用各种编程语言和框架开发的。 通常，数据处理的主要阶段如下： 从各种来源收集数据以进行后续处理。 读取数据： 数据经过各种转换和操作以获得所需的结构和格式。 转换： 将转换后的数据存储到目标存储中。 写入： 示意性地表示如下图所示： 挑战 实施主要阶段后，可以添加其他几个阶段来增强和细化流程： 此阶段涉及验证数据是否符合要求和期望，包括数据清理以确保准确性和完整性。 数据质量检查： 注册过程跟踪并记录可用的数据集。它还可能涉及有效数据组织的数据和元数据管理。 数据目录中的数据注册： 这使得数据资产和 ETL 流程之间的关系可视化，以了解依赖关系。它可以帮助识别潜在的数据质量问题并提高整体数据质量。 构建数据沿袭： 附加处理可以定义数据机密性和关键性的级别，确保适当的数据保护和安全。 数据分类： 上述每个阶段都可以使用各种技术和工具来实现，从而可以灵活地为数据处理的每个特定阶段选择正确的解决方案。 解决方案 读取数据 ETL 过程的第一步涉及从源读取数据。在此阶段可以使用各种类型的源，例如文件、数据库、消息代理等等。数据也可能采用不同的格式，例如 CSV、JSON、Parquet、Delta、Hudi 等。以下是一些用于从这些不同来源读取数据的样板代码（作为策略模式实现）： from abc import ABC, abstractmethod from pyspark.sql import SparkSession, DataFrame # Define the strategy interface class ReadStrategy(ABC): @abstractmethod def read_data(self) -> DataFrame: pass # File System Read Strategy - represents a file system reading class FileSystemReadStrategy(ReadStrategy): def __init__(self, spark: SparkSession, path: str): self.spark = spark self.path = path @abstractmethod def read_data(self): pass # Implement the strategy for CSV class CSVReadStrategy(FileSystemReadStrategy): def read_data(self) -> DataFrame: return self.spark.read.format("csv").option("header", "true").load(self.path) # Implement the strategy for Delta class DeltaReadStrategy(ReadStrategy): def read_data(self) -> DataFrame: return self.spark.read.format("delta").load(self.path) # Implement the strategy for Parquet class ParquetReadStrategy(ReadStrategy): def read_data(self) -> DataFrame: return self.spark.read.format("parquet").load(self.path) # Context class class DataReader: def __init__(self, read_strategy: ReadStrategy): self.read_strategy = read_strategy def read(self) -> DataFrame: return self.read_strategy.read_data() 使用示例： spark = SparkSession.builder.appName("our-ETL-job").getOrCreate() path = "path-to-our-data" src_df = DataReader(DeltaReadStrategy(spark, path)).read() 这种方法有几个好处： 它可以改变阅读策略（源格式）。 它有助于添加新的阅读策略，而无需修改现有代码。 每个策略都有其独特的参数。例如，CSV 可能有分隔符，而 Delta 可能有版本等。 我们可以创建一个专用的类，例如 ，而不是提供路径，它可以保存所有必要的数据读取参数。 ReadConfig 它允许将附加逻辑合并到策略中，而不影响主代码。例如： 我们可以默认调用 来获取文件源。 input_file_name() 如果我们有一个数据目录，我们可以检查该表是否存在，如果不存在则注册它。 每个策略都可以单独测试。 转型 读取数据后，必须对其进行转换。这可以包括各种操作，例如过滤、聚合和连接。由于转换过程可能复杂且耗时，因此对其进行标准化以便于理解至关重要。根据我的经验，使用 DataFrame API 的 方法是标准化此过程的有效方法。这种方法让我们能够链接多个转换，从而增强代码的可读性。每个转换都可以声明为单独的纯函数，执行特定的转换，并且可以独立测试。 transform import pyspark.sql.functions as F from pyspark.sql import DataFrame desired_columns = ["name", "age", "country"] def with_country_code(df: DataFrame) -> DataFrame: return df.withColumn("country_code", F.when(F.col("country") == "USA", "US").otherwise("Other")) def with_age_category(df: DataFrame) -> DataFrame: return df.withColumn("age_category", F.when(F.col("age") < 18, "child").when((F.col("age") >= 18) & (F.col("age") < 65), "adult").otherwise("senior")) def filter_adult(df: DataFrame) -> DataFrame: return df.filter(F.col("age_category") == "adult") def select_columns(columns: list) -> callable[[DataFrame], DataFrame]: def inner(df: DataFrame) -> DataFrame: return df.select(columns) return inner transformed_df = (src_df .transform(with_country_code) .transform(with_age_category) .transform(filter_adult) .transform(select_columns(desired_columns)) ) 写作 ETL 过程的最后一个阶段是将转换后的数据写入目标存储，目标存储可以是文件系统、数据库或消息代理。加载阶段还可能包含额外的步骤，例如数据验证、数据注册和数据沿袭。对于这个阶段，我们可以应用与读取数据相同的方法，但采用写入策略。 from abc import ABC, abstractmethod from pyspark.sql import DataFrame, SparkSession class WriteStrategy(ABC): @abstractmethod def write_data(self, df: DataFrame): pass class FileSystemWriteStrategy(WriteStrategy): def __init__(self, spark: SparkSession, path: str, format: str, mode: str = "overwrite"): self.spark = spark self.path = path self.format = format self.mode = mode def write_data(self, df: DataFrame): df.write.format(self.format).mode(self.mode).save(self.path) class DataWriter: def __init__(self, write_strategy: WriteStrategy): self.write_strategy = write_strategy def write(self, df: DataFrame): self.write_strategy.write_data(df) 使用示例： path = "path-to-our-data" writer = DataWriter(FileSystemWriteStrategy(spark, path, "delta")) writer.write(transformed_df) 结论 此实现标准化了 ETL 流程，使其更易于理解和维护。它有助于添加新的读写策略，而无需修改现有代码。每个策略都可以拥有独特的参数，并且可以在不破坏主代码的情况下将附加逻辑合并到策略中。该方法还可以对每个策略进行单独测试。此外，我们可以在 ETL 过程中引入其他阶段，例如数据质量检查、数据目录中的数据注册、构建数据沿袭和数据分类。

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

該音頻是用故事的原始語言製作的！

Spark 作业的开发标准

太長; 讀書

Alexey Artemov

STORY’S CREDIBILITY

AI-assisted

About Author

標籤

Languages

这篇文章刊登在...