streamsets利用jython实现数据校验

一、需求:

利用mongo元数据库中提供的资源描述,去校验csv中的每条数据

二、实现

首先配置好原数据,以及路径传递,还有jython模块

注意,jython有很多第三方包是没办法直接使用的,需要用sys去加载,这时我们会碰上一个最大的难题,就是第三方包的处理。由于jython是运行在jvm上的,所以,需要c语言运行环境的包在此时都无法调用成功,例如pandas,numpy等,但其他第三方包在sys成功加载后还是可以调用成功的,例如pymongo,要把这些包和其依赖包放在指定路径下。

streamsets最恶心的一点就是云端调试,问题与bug都要放在records.output中去打印输出

还有就是要非常注意streamsets本身的知识和结构,比如records是个list,而record是个对象;batch by batch  和record by record是两种不同的运行模式等,如何利用他们的性质进行编程仍是我们需要学习的

注意python格式的问题,循环的问题,还有业务逻辑处理的问题

三、编程

import sys

#sys.path.append('D:\JavaWorkplace\jython\jpython')

sys.path.append("/home/fengwenke/usr/streamset/jar/JPS.jar")

sys.path.append("/home/fengwenke/usr/streamset/python")

sys.setrecursionlimit(1000000)

from pymongo import MongoClient

import datetime as dt

import re

import json

conn = MongoClient('114.115.156.237', 27027)

db = conn.bigdata 

db.authenticate("gwssi", "gwssi123")

res = db.resourceProfile

for record in records:

  name = record.value['filepath']

#这个6和0是写死的,需要改,6需要根据csv路径的不同进行修改 0可能不需要改

csvName = name.split('/')[6]

tableName = csvName.split('_')[0]

a =list(res.find({"essentialInfo.resCode":tableName}))

meteData = []

for i in a:


    for s in i['dataInfos']:


        meteData.append(s['isPrimaryKey'])

        meteData.append(s['dataName'])

        meteData.append(s['dataType'])

print dt

newDate = dt.datetime.utcnow().strftime("%Y-%m-%d")

meteNameCollection = []

meteTypeCollection = []

meteIsprikeyCollection = []

#从mongo里拿出元数据的名字

for meteNameIndex in range(len(meteData)):

  if (meteNameIndex+2)%3 ==0:

    meteName = meteData[meteNameIndex]

    meteNameCollection.append(meteName)

    meteType = meteData[meteNameIndex+1]

    meteTypeCollection.append(meteType)

    meteIspri = meteData[meteNameIndex -1]

    meteIsprikeyCollection.append(meteIspri)

dataNameCollection = []

for recordIndex in range(len(records)):

  try:


    # Create a string field to store the current date with the specified format

    #record.value["3"] = meteData[8]


    #从数据流里取出第一列

    if recordIndex == 0:

      #从第一列里拿出每个名字


      for dataNameIndex in range(len(records[0].value)):

        dataNameCollection.append(records[0].value['{0}'.format(dataNameIndex)])


    else:

      #利用这个数据匹配元数据,并对其他的数据类型进行校验  为什么不拆成两层循环,因为record记录会覆盖

      for dataNameIndex2 in range(len(dataNameCollection)):

        for meteNameIndex in range(len(meteNameCollection)):

          if dataNameCollection[dataNameIndex2] == meteNameCollection[meteNameIndex]:

            if meteIsprikeyCollection[meteNameIndex] == 1:

              #读取对应的元数据类型. 时间。测试完成

              if meteTypeCollection[meteNameIndex] == "timestamp":

                matchRule = r'\d{4}(\-|\/|.)\d{1,2}\1\d{1,2}'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #读取对应的元数据类型. 字母数字混合数据。测试完成

              if meteTypeCollection[meteNameIndex] == "varchar":

                #字母数字混合数据

                mixedData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                mixRule = '^(?=.*\d)(?=.*[a-zA-Z])(?=.*[\u4E00-\u9FA5])[\u4E00-\u9FA5A-Za-z0-9]*$'

                rg = re.compile(mixRule,re.IGNORECASE|re.DOTALL)

                mixJudge = rg.search(mixedData)

                if mixJudge :

                  records[recordIndex].value['{0}'.format(dataNameIndex2)]= "true"

                #英文

                elif re.match('^[A-Za-z]+$',mixedData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                #中文

                elif re.match(u"[\u4e00-\u9fa5]+",mixedData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                #空值

                elif records[recordIndex].value['{0}'.format(dataNameIndex2)] == "":

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "zhujianweikong"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #整数

              if meteTypeCollection[meteNameIndex] == "integer" or meteTypeCollection[meteNameIndex] == "bigint":

                matchRule = '^-?\\d+$'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #浮点数

              if meteTypeCollection[meteNameIndex] == "float" or meteTypeCollection[meteNameIndex] == "double":

                matchRule = '^(-?\\d+)(\\.\\d+)?$'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

            else:

              #读取对应的元数据类型. 时间。测试完成

              if meteTypeCollection[meteNameIndex] == "timestamp":

                matchRule = r'\d{4}(\-|\/|.)\d{1,2}\1\d{1,2}'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #读取对应的元数据类型. 字母数字混合数据。测试完成

              if meteTypeCollection[meteNameIndex] == "varchar":

                #字母数字混合数据

                mixedData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                mixRule = '^(?=.*\d)(?=.*[a-zA-Z])(?=.*[\u4E00-\u9FA5])[\u4E00-\u9FA5A-Za-z0-9]*$'

                rg = re.compile(mixRule,re.IGNORECASE|re.DOTALL)

                mixJudge = rg.search(mixedData)

                if mixJudge :

                  records[recordIndex].value['{0}'.format(dataNameIndex2)]= "true"

                #英文

                elif re.match('^[A-Za-z]+$',mixedData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                #中文

                elif re.match(u"[\u4e00-\u9fa5]+",mixedData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                #空值

                elif records[recordIndex].value['{0}'.format(dataNameIndex2)] == "":

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #整数

              if meteTypeCollection[meteNameIndex] == "integer" or meteTypeCollection[meteNameIndex] == "bigint":

                matchRule = '^-?\\d+$'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"

              #浮点数

              if meteTypeCollection[meteNameIndex] == "float" or meteTypeCollection[meteNameIndex] == "double":

                matchRule = '^(-?\\d+)(\\.\\d+)?$'

                matchData = records[recordIndex].value['{0}'.format(dataNameIndex2)]

                if re.match(matchRule,matchData):

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "true"

                else:

                  records[recordIndex].value['{0}'.format(dataNameIndex2)] = "false"




    # Write record to processor output

    output.write(records[recordIndex])

    conn.close()

  except Exception as e:

    # Send record to error

    error.write(records[recordIndex], str(e))

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,684评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,143评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,214评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,788评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,796评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,665评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,027评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,679评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 41,346评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,664评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,766评论 1 331
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,412评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,015评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,974评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,203评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,073评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,501评论 2 343

推荐阅读更多精彩内容

  • pyspark.sql模块 模块上下文 Spark SQL和DataFrames的重要类: pyspark.sql...
    mpro阅读 9,446评论 0 13
  • "use strict";function _classCallCheck(e,t){if(!(e instanc...
    久些阅读 2,027评论 0 2
  • 概念:边际成本 边际成本指的是每多生产或者每多卖一件产品,所带来的总成本的增加。边际成本的结构性改变,是互联网经济...
    任性的Cissy阅读 280评论 0 0
  • 今日周六,大雨,我爸和我说老家都冷的下雪了。上午去图书馆改调研报告,下午打球,回来宿舍听听新东方的英语,一天...
    北云居士阅读 44评论 0 0
  • 新工作入职的第一天,对周遭的环境及同事难免感到陌生,小心翼翼的打量每一个人,做每一件事 第一次接触到秋秋是我在区域...
    竹与千寻阅读 341评论 0 0