背景介绍
在日常工作中，我们可以在一个shell脚本里面利用spark-sql -e执行sql脚本，而且可以传参数，但是存在一个问题，shell脚本对格式要求严格，而且shell脚本和spark-sql的脚本混在一起，内容庞大凌乱，不好管理。而spark-sql -f可以执行一个hql文件，但是不能传参数进去，这就引出了一个问题，有没有一种方法，既可以把shell和hql脚本分开，shell负责调度hql脚本，并且可以在shell中把参数传递到hql中，hql脚本文件只负责写hql。
sparkF功能开发的思路
开发一个sparkF的功能，用法同spark-sql -f，但支持传参，使用格式：
- sparkF aa.sql
- sparkF aa.sql -date 2015-01-02
- sparkF aa.sql -date 2015-01-02 -date1 2015-01-03
其中，aa.sql里通过${date}的方式对接替换为想传递的参数值。
sparkF开发思路，
最终的使用方式，sparkF aa.sql -date 2015-01-02
- 开发一个Java应用程序读出aa.sql内容存入一个String变量里。
- 把里面的${date}替换为2015-01-02，并System.out.println出来。
- 在shell脚本里，用str接收System.out.println的输出，执行
spark-sql -e $str。
cd /export/project
mkdir bin
cd bin
touch sparkF
难点，把Java程序的输出结果直接放到shell脚本里运行。
例如，运行sparkF aa.sql -date 2015-01-02，
首先，Java运行jar，把参数传进来，shell脚本里$*接收参数。参数是哪里传的呢？哪里传给sparkF的呢？是shell脚本aa.sh传过来的，sparkF ./aa.sql -dt $yestoday，交给java来处理，把sql脚本里的占位参数替换为传递的参数值后，打印的str由cmd来接收，再用spark-sql -e执行。
#!/bin/sh
. /etc/profile
cmd=`java -jar /export/project/lib/SparkF.jar $*`
echo $cmd
spark-sql -e "$cmd" -i /export/project/bin/init.hql
/export/project/lib/sparkF.jar，路径可以不写死，可以给它配一个环境变量。
/export/project/bin/init.hql，作为一个公共的UDF文件，在sparkF中通过spark-sql -i /export/project/bin/init.hql调用，在-e执行之前，用-i进行初始化。
chmod +x hiveF
# 加入环境变量
vi /etc/profile
export PATH=$PATH:/export/project/bin
source /etc/profile
添加maven插件，打包SparkF.jar。
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
<archive>
<manifestFile>src/main/resources/META-INF/MANIFEST.MF</manifestFile>
</archive>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
执行验证结果，
sh /export/project/fct_session_info/fct_session_info.sh 2015-08-28
spark-sql日常作业开发流程
以sparkF aa.hql -date 2015-01-02为例，
在aa.hql脚本中编写业务逻辑处理脚本，如果有参数，假设参数是dt，在脚本中用{dt}占位符代替（取决于开发SparkF.jar时的定义），然后通过aa.sh调度aa.hql，如sh aa.sh $yestoday，并且在aa.sh中利用我们开发的sparkF的功能，如sparkF ./aa.hql -dt $yestoday。
这样，可以实现hql业务处理逻辑和shell脚本分离，并且可以把自定义的UDF统一放在一个hql文件中统一管理，在sparkF命令中通过spark -i init.hql统一引用。如：
add jar /export/project/lib/hive_udf.jar ;
create temporary function GetActID as 'com.padluo.hive.udf.GetActID';
本文首发于steem，感谢阅读，转载请注明。
微信公众号「padluo」，分享数据科学家的自我修养，既然遇见，不如一起成长。
读者交流电报群
知识星球交流群
