折騰一晚上的事情，明白了一個道理

感悟：有時候很簡單的笨辦法，比那些高大上的技術要實用的多。

有一個資料同步，大約4億條記錄，沒有分割區。現在要按照天，小時分割區寫入到iceberg的分割區表中。
源資料中本身就是很多幾十k大小的非常多的小檔案。

於是在讀取時，總想著要shuffle，合併小檔案,於是是這樣的：

hive_df = spark.table("xx.hive_test")
hive_df.repartition(1).write.format('iceberg').mode('overwrite').save('iceberg_dw.iceberg_test')

但是iceberg表寫入分割區表時，需要根據分割區本地排序，或者全域性排序，於是寫成這樣：

hive_df = spark.table("xx.hive_test")
hive_df.repartition(1).sortWithinPartitions("pk_day","pk_hour").write.format('iceberg').mode('overwrite').save('iceberg_dw.iceberg_test')

但是執行起來後，分割區排序合併都沒有問題，但是由於資料量巨大，都卡在最後的1個partition任務那。於是又改成了多個重分割區。

hive_df = spark.table("xx.hive_test")
hive_df.repartition(20).sortWithinPartitions("pk_day","pk_hour").write.format('iceberg').mode('overwrite').save('iceberg_dw.iceberg_test')

但是依然很慢，於是加大了分割區

hive_df = spark.table("xx.hive_test")
hive_df.repartition(100).sortWithinPartitions("pk_day","pk_hour").write.format('iceberg').mode('overwrite').save('iceberg_dw.iceberg_test')

折騰了大半夜，通過增大excuter個數，記憶體大小還是不行。

早上醒來，忽然想到了巨量資料的分而治之的想法，以前跑資料的時候也幹過，將源頭資料分幾段來讀取寫入，多跑幾個任務就可以。
於是修改為以下程式碼，通過傳入年月日，時分秒，再轉換為對應的時間戳取查詢源頭的記錄，將單個小時的合併為1個分割區寫入目標表。
pySpark程式命名為hive2iceberg.py

from pyspark.sql import SparkSession
import sys,datetime,time,pytz
day_hour = sys.argv[1] + ' ' + sys.argv[2] # 2022-09-02 09:00:00
utc_timestamp = time.mktime(datetime.datetime.strptime(day_hour, '%Y-%m-%d %H:%M:%S').replace(tzinfo=pytz.utc).timetuple())
dt = int(utc_timestamp) * 1000
pk_day = dt - dt % 86400000
dayBeforeYesterday = (dt - dt % 86400000) - 86400000
pk_hour = dt - dt % 3600000

print("=====================================================================================================================")
print(">>>>>>>>>>>>>>>>日期小時:" + str(day_hour) +  " pk_day:" + str(pk_day), "dayBeforeYesterday:" + str(dayBeforeYesterday) + " hour:" + str(pk_hour))
print("=====================================================================================================================")

pyfilename= "hive2iceberg"
spark = SparkSession \
    .builder \
    .config("spark.sql.shuffle.partitions", "1000") \
    .config("spark.driver.maxResultSize", "6g") \
    .config("spark.debug.maxToStringFields", "1000") \
    .config("spark.sql.iceberg.handle-timestamp-without-timezone", "true") \
    .config("spark.sql.session.timeZone", "UTC") \
    .config("spark.sql.crossJoin.enabled","true") \
    .config("spark.sql.catalog.iceberg", "org.apache.iceberg.spark.SparkCatalog") \
    .config("iceberg.engine.hive.enabled","true") \
    .config("hive.exec.dynamic.partition", "true") \
    .config("hive.exec.dynamic.partition.mode", "nonstrict") \
    .config("hive.exec.max.dynamic.partitions", "5000") \
    .appName(pyfilename) \
    .enableHiveSupport() \
    .getOrCreate()

df = spark.table("xx.hive_test").where("pk_day = %d and pk_hour = %d " % (pk_day,pk_hour))
df.repartition(1).sortWithinPartitions("pk_day","pk_hour").write.format('iceberg').mode('overwrite').save('iceberg_dw.iceberg_test')

然後又準備了一段shell指令碼run_state_hive2iceberg_fixdata.sh如下：

#!/bin/sh

if [ $# = 1 ]
then
    start_dt=$1
    end_dt=$1

elif [ $# = 2 ]
then
    start_dt=$1
    end_dt=$2

elif [ $# = 0 ]
then
    start_dt=`date -d '-1 hour' +%Y%m%d-%H`
    end_dt=`date -d '-1 hour' +%Y%m%d-%H`
fi

date_format_1=${start_dt:0:4}-${start_dt:4:2}-${start_dt:6:2}' '${start_dt:9:2}:00:00
date_format_2=${end_dt:0:4}-${end_dt:4:2}-${end_dt:6:2}' '${end_dt:9:2}:00:00

start_sec=`date -d "$date_format_1" +%s`
end_sec=`date -d "$date_format_2" +%s`


for ((i=$start_sec;i<=$end_sec;i+=3600))
do

file_day=`date -d @$i +%Y%m%d`
data_day=`date -d @$i +%Y-%m-%d`
data_hour=`date -d @$i +"%H:00:00"`

echo ${data_day} ${data_hour}

spark-submit \
--conf spark.dynamicAllocation.enabled=false \
--name hive2iceberg \
--master yarn \
--deploy-mode cluster \
--queue prod \
--driver-memory 2G \
--num-executors 5 \
--executor-memory 5G \
--executor-cores 2 \
--archives hdfs://ns1/user/hadoop/mypy3spark_env/py3spark.tar.gz#py3spark \
--conf "spark.pyspark.python=./py3spark/py3spark/bin/python" \
--conf "spark.pyspark.driver.python=./py3spark/py3spark/bin/python" \
/home/hadoop/hive2iceberg.py ${data_day} ${data_hour}

status=$?

if [ $status = 0 ]; then
       echo "STATUS=SUCCESS"
else
       echo "STATUS=FAIL"
fi

查詢源表裡面的最大時間和最小時間，然後將時間切割成多個資料段，於是得到下面的執行指令碼，因為上面的shell是迴圈按年月日小時跑的，所以放在後臺執行即可。

nohup ./run_state_hive2iceberg_fixdata.sh 2021050504 2021070100 > 2021070100.log 2>&1 &
nohup ./run_state_hive2iceberg_fixdata.sh 2021070100 2021090100 > 2021090100.log 2>&1 &
nohup ./run_state_hive2iceberg_fixdata.sh 2021090100 2021110100 > 2021110100.log 2>&1 &
nohup ./run_state_hive2iceberg_fixdata.sh 2021110100 2022010100 > 2022010100.log 2>&1 &
nohup ./run_state_hive2iceberg_fixdata.sh 2022010100 2022040100 > 2022040100.log 2>&1 &
nohup ./run_state_hive2iceberg_fixdata.sh 2022040100 2022060100 > 2022060100.log 2>&1 &
nohup ./run_state_hive2iceberg_fixdata.sh 2022060100 2022080100 > 2022080100.log 2>&1 &
nohup ./run_state_hive2iceberg_fixdata.sh 2022080100 2022090220 > 2022090220.log 2>&1 &

自己大概計算了下，一個小時的資料量很小，從hive讀取到寫入iceberg也就1分鐘左右，所以一個小時的時間可以跑資料的大概60個小時。也就是一天可以跑資料的1440個小時，也就是2個月。
那麼從2021年5月-2022年9月，大概17個月，我分成了8個任務，每個任務跑2個月，大概全部跑完，也就一天的時間。
而且實際計算了下，使用的總算力比跑一個大任務還少不少。

現在想想有時候真的越笨的方法，越是簡單輕鬆。
好了，任務掛到後臺，可以補覺去了。