有两种可能的变体: 结合使用spark sql show databases , show tables in <database> , describe table ... 使用 spark.catalog.listDatabases , spark.catalog.listTables , spark.catagog.listColumns . 当您在数据库/命名空间中有很多表时,第二个变体的性能不是很好,尽管以编程方式使用它稍微容易一些。但在这两种情况下,实现都只是3个嵌套循环,依次遍历数据库列表、数据库中的表列表和表中的列列表。这些数据可以用来生成一个图表使用您最喜欢的图表工具。 以下是为plantuml生成源代码的代码:
# This script generates PlantUML diagram for tables visible to Spark.
# The diagram is stored in the db_schema.puml file, so just run
# 'java -jar plantuml.jar db_schema.puml' to get PNG file
from pyspark.sql import SparkSession
from pyspark.sql.utils import AnalysisException
# Variables
# list of databases/namespaces to analyze. Could be empty, then all existing
# databases/namespaces will be processed
databases = ["a", "airbnb"] # put databases/namespace to handle
# change this if you want to include temporary tables as well
include_temp = False
# implementation
spark = SparkSession.builder.appName("Database Schema Generator").getOrCreate()
# if databases aren't specified, then fetch list from the Spark
if len(databases) == 0:
databases = [db["namespace"] for db in spark.sql("show databases").collect()]
with open(f"db_schema.puml", "w") as f:
f.write("\n".join(
["@startuml", "skinparam packageStyle rectangle", "hide circle",
"hide empty methods", "", ""]))
for database_name in databases[:3]:
f.write(f'package "{database_name}" {{\n')
tables = spark.sql(f"show tables in `{database_name}`")
for tbl in tables.collect():
table_name = tbl["tableName"]
db = tbl["database"]
if include_temp or not tbl["isTemporary"]:
lines = []
try:
lines.append(f'class {table_name} {{')
cols = spark.sql(f"describe table `{db}`.`{table_name}`")
for cl in cols.collect():
col_name = cl["col_name"]
data_type = cl["data_type"]
lines.append(f'{{field}} {col_name} : {data_type}')
lines.append('}\n')
f.write("\n".join(lines))
except AnalysisException as ex:
print(f"Error when trying to describe {tbl.database}.{table_name}: {ex}")
f.write("}\n\n")
f.write("@enduml\n")
1条答案
按热度按时间up9lanfz1#
有两种可能的变体:
结合使用spark sql
show databases
,show tables in <database>
,describe table ...
使用spark.catalog.listDatabases
,spark.catalog.listTables
,spark.catagog.listColumns
.当您在数据库/命名空间中有很多表时,第二个变体的性能不是很好,尽管以编程方式使用它稍微容易一些。但在这两种情况下,实现都只是3个嵌套循环,依次遍历数据库列表、数据库中的表列表和表中的列列表。这些数据可以用来生成一个图表使用您最喜欢的图表工具。
以下是为plantuml生成源代码的代码:
然后可以转化成画面: