TiSpark 快速入门指南

为了让大家快速体验 TiSpark，通过 TiDB-Ansible 安装的 TiDB 集群中默认已集成 Spark、TiSpark jar 包及 TiSpark sample data。

部署信息

  • Spark 默认部署在 TiDB 实例部署目录下 spark 目录中
  • TiSpark jar 包默认部署在 Spark 部署目录 jars 文件夹下：spark/jars/tispark-SNAPSHOT-jar-with-dependencies.jar
  • TiSpark sample data 及导入脚本默认部署在 TiDB-Ansible 目录下：tidb-ansible/resources/bin/tispark-sample-data

环境准备

在 TiDB 实例上安装 JDK

在 Oracle JDK 官方下载页面 下载 JDK 1.8 当前最新版，本示例中下载的版本为 jdk-8u141-linux-x64.tar.gz。

解压并根据您的 JDK 部署目录设置环境变量， 编辑 ~/.bashrc 文件，比如：

  1. export JAVA_HOME=/home/pingcap/jdk1.8.0_144
  2. export PATH=$JAVA_HOME/bin:$PATH

验证 JDK 有效性：

  1. $ java -version
  2. java version "1.8.0_144"
  3. Java(TM) SE Runtime Environment (build 1.8.0_144-b01)
  4. Java HotSpot(TM) 64-Bit Server VM (build 25.144-b01, mixed mode)

导入样例数据

假设 TiDB 集群已启动，其中一台 TiDB 实例服务 IP 为 192.168.0.2，端口为 4000，用户名为 root, 密码为空。

  1. cd tidb-ansible/resources/bin/tispark-sample-data

修改 sample_data.sh 中 TiDB 登录信息，比如：

  1. mysql --local-infile=1 -h 192.168.0.2 -P 4000 -u root < dss.ddl

执行脚本

  1. ./sample_data.sh

执行脚本的机器上需要安装 MySQL client，CentOS 用户可通过 yum -y install mysql来安装。

登录 TiDB 并验证数据包含 TPCH_001 库及以下表：

  1. $ mysql -uroot -P4000 -h192.168.0.2
  2. MySQL [(none)]> show databases;
  3. +--+
  4. | Database           |
  5. +--+
  6. | INFORMATION_SCHEMA |
  7. | PERFORMANCE_SCHEMA |
  8. | TPCH_001           |
  9. | mysql              |
  10. | test               |
  11. +--+
  12. 5 rows in set (0.00 sec)
  14. MySQL [(none)]> use TPCH_001
  15. Reading table information for completion of table and column names
  16. You can turn off this feature to get a quicker startup with -A
  18. Database changed
  19. MySQL [TPCH_001]> show tables;
  20. +--+
  21. | Tables_in_TPCH_001 |
  22. +--+
  23. | CUSTOMER           |
  24. | LINEITEM           |
  25. | NATION             |
  26. | ORDERS             |
  27. | PART               |
  28. | PARTSUPP           |
  29. | REGION             |
  30. | SUPPLIER           |
  31. +--+
  32. 8 rows in set (0.00 sec)

使用范例

进入 spark 部署目录启动 spark-shell:

  1. $ cd spark
  2. $ bin/spark-shell

然后像使用原生 Spark 一样查询 TiDB 表：

  1. scala> spark.sql("select count(*) from lineitem").show

结果为

  1. +--+
  2. |count(1)|
  3. +--+
  4. |   60175|
  5. +--+

下面执行另一个复杂一点的 Spark SQL:

  1. scala> spark.sql(
  2.       """select
  3.         |   l_returnflag,
  4.         |   l_linestatus,
  5.         |   sum(l_quantity) as sum_qty,
  6.         |   sum(l_extendedprice) as sum_base_price,
  7.         |   sum(l_extendedprice * (1 - l_discount)) as sum_disc_price,
  8.         |   sum(l_extendedprice * (1 - l_discount) * (1 + l_tax)) as sum_charge,
  9.         |   avg(l_quantity) as avg_qty,
  10.         |   avg(l_extendedprice) as avg_price,
  11.         |   avg(l_discount) as avg_disc,
  12.         |   count(*) as count_order
  13.         |from
  14.         |   lineitem
  15.         |where
  16.         |   l_shipdate <= date '1998-12-01' - interval '90' day
  17.         |group by
  18.         |   l_returnflag,
  19.         |   l_linestatus
  20.         |order by
  21.         |   l_returnflag,
  22.         |   l_linestatus
  23.       """.stripMargin).show

结果为：

  1. ++++--+--+
  2. |l_returnflag|l_linestatus|  sum_qty|sum_base_price|sum_disc_price|
  3. ++++--+--+
  4. |           A|           F|380456.00|  532348211.65|505822441.4861|
  5. |           N|           F|  8971.00|   12384801.37| 11798257.2080|
  6. |           N|           O|742802.00| 1041502841.45|989737518.6346|
  7. |           R|           F|381449.00|  534594445.35|507996454.4067|
  8. ++++--+--+
  9. (续)
  10. --+++--+--+
  11.        sum_charge|  avg_qty|   avg_price|avg_disc|count_order|
  12. --+++--+--+
  13.  526165934.000839|25.575155|35785.709307|0.050081|      14876|
  14.   12282485.056933|25.778736|35588.509684|0.047759|        348|
  15. 1029418531.523350|25.454988|35691.129209|0.049931|      29181|
  16.  528524219.358903|25.597168|35874.006533|0.049828|      14902|
  17. --+++--+--+

更多样例请参考 https://github.com/ilovesoup/tpch/tree/master/sparksql