使用Shell传参解决DataPhin中PySpark不支持中文的问题

背景

笔者开发PySpark任务时【别问为神马不用Java和Scala打Jar包的方式，PySpark不需要打包所以开发效率极高，早点搞完早点下班】，遇到一个令所有SQL Boy都很头疼的问题，那就是一旦Python脚本中出现中文，该PySpark任务就报错且无法运行。所以人才们当然是异常机智，先搞个中间表把中文改成拼音，PySpark跑完了再搞个Hive On Tez任务把拼音改回中文，这种笨办法只适合于中文值的种类屈指可数的场景。

由于PySpark任务不能像Hive On Tez任务那样由DataPhin自动解析血缘和依赖，还不支持中文，所以SQL Boy们也是一度灰常嚣张，总觉得Hive On Tez任务就是最好的任务。只有遇到Tez极其严重的性能问题，才会想起来Spark的好处。

作为曾经的平台开发攻城狮，自然是不能让这股风气蔓延，不然大家都变成SQL Boy了，还和Oracle数据库开发攻城狮有啥区别。。。势必解决这个问题。

解决方式

既然Py文件中不能写中文，而我又要用中文，那么借鉴Java开发中常见的前后端Json传参的方式，我也可以Shell给Py文件动态传参，这样Py文件中就完美的规避了中文的明文，自然Py不会报错，而参数值又可以让Python调用系统方法拿到。所以可以这么尝试：

echo "START"
cat > zhiyong.py <<E0F 
# -*- coding: UTF-8-*import sys 
reload(sys)
sys.setdefaultencoding('utf-8')from pyspark.sql import SparkSession 
spark = SparkSession \.builder	\.appName("project_week_his_incre_daily_prod")	\.config("hive.exec.dynamic.partition","true")	\.config("hive.exec.dynamic.partition.mode","nonstrict")	\.getOrCreate()str_bizdate=sys.argv[1]str_param1=sys.argv[4].strip()
str_param2=sys.argv[5].strip()
str_param3=sys.argv[6].strip()sq11="""select '""" + str_param3 + """' as str_param3"""
spark.sql(sql1).show()EOFhive_db1="hive_db_name1"
hive_db2="hive_db_name2"
STR1="中文1"
STR2="中文2"
STR3="中文3"spark-submit --master yarn --deploy-modeclient --driver-memory 4G --executor-memory 4G --executor-cores 1 --conf spark.dynamicAllocation.enabled=true --conf spark.dynamicAllocation.minExecutors=10 --conf spark.dynamicAllocation.maxExecutors=50 --confspark.memory.fraction=0.95 --confspark.shuffle.service.enabled=true --conf spark.ui.port=4180 --conf spark.port.maxRetries=128--conf spark.rpc.timeout=600s --conf spark.debug.maxToStringFields=4096 --conf spark.sql.crossJoin.enabled=true --conf spark.sgl.broadcastTimeout=600s --conf spark.sql.autoBroadcastJoinThreshold=-1 zhiyong.py ${bizdate} hive_db1 hive_db2 $STR1 $STR2 $STR3

经过验证，果然可以show出传入的中文参数！！！

原理

这个cat重定向的py文件不支持直接写中文，大概率是Encoder的问题。但是Shell本身可以正常写中文参数，说明Linux Node的中文语言包和character set正常，那么只需要在外层的Shell预先构建变量，再通过spark-submit提交这个py文件时传入这些内容为中文的String参数，即可在Python脚本中动态获取到变量的值，再去拼接SQL字符串给Spark的算子使用。Python文件中依旧不能有明文的中文。

SQL和拼接的其它中文字符串的注释可以用#注释掉，写在Shell的头上。

进一步排查

这么做，给SQL Boy们使用已经足够了，毕竟他们之前只搞过Oracle数据库开发当然也就只会SQL，除此之外没啥会的东西了。

但是从平台开发的视角，其实还是可以做进一步的分析。笔者的PyCharm一般是用Python3.7，这么搞PySpark任务即便有中文也跑的很欢快。出现这种情况，首先发现租来的阿里云DataPhin还是老掉牙的Python2.6，那么：

echo "START"
cat > zhiyong.py <<E0F 
# -*- coding: UTF-8-*

给Py文件的头上+个这玩意儿，期望当然是可以识别中文。

但是本地、扔服务器都可以跑有中文参数/SQL的PySpark任务，就是扔DataPhin跑不起来。。。

于是手动cat生成的py文件，发现了惊天大秘密：DataPhin解析有问题，把#的这一行当Linux的注释给filter了。。。

属实无语的操作。。。

所以更改脚本的解析方式，或者把基础环境的python升级到3.7都是个比shell传参更好的主意。平台的事情，就不是SQL Boy能解决的了。

转载请注明出处：https://lizhiyong.blog.csdn.net/article/details/129699142