Spark SQL：使用数据源

最新推荐文章于 2024-06-01 08:43:14 发布

Movle

最新推荐文章于 2024-06-01 08:43:14 发布

阅读量266

点赞数

分类专栏： Spark

本文链接：https://blog.csdn.net/aflyingcat520/article/details/106182216

版权

Spark 专栏收录该内容

13 篇文章 0 订阅

订阅专栏

目录
一.通用的Load/Save函数
    1.通用的Load/Save函数
    2.显式指定文件格式：加载json格式
    3.存储模式（Save Modes）
    4.将结果保存为表
二.Parquet文件(列式存储文件，是Spark SQL默认的数据源)
    1.什么是parquet文件？
    2.把其他文件，转换成Parquet文件()
    3.支持Schema的合并
    4.JSON 文件
    5.使用JDBC(通过JDBC操作关系型数据库，mysql中的数据，通过JDBC加载到Spark中进行分析和处理)
    6.使用Hive Table

在Spark SQL中，可以使用各种各样的数据源进行操作。Spark SQL 用于处理结构化的数据。

一.通用的Load/Save函数(load函数式加载数据，save函数式存储数据)

注意：使用load或者save函数时，默认的数据源都是 Parquet文件。列式存储文件

1.通用的Load/Save函数

(1)读取Parquet文件

val usersDF = spark.read.load("/root/resources/users.parquet")

(2)查询Schema和数据

scala> usersDF.printSchema

scala> usersDF.show

(3)查询用户的name和喜爱颜色，并保存

usersDF.select($"name",$"favorite_color").write.save("/root/result/parquet")

(4)验证结果

scala >val testResult = spark.read.load("/root/result/parquet/part-00000-8ffaac2e-aa81-4e63-89aa-15a8e4948a37.snappy.parquet")

scala >testResult.printSchema

scala >testResult.show

2.显式指定文件格式：加载json格式

(1)直接加载：

val usersDF = spark.read.load("/root/resources/people.json")  //会出错

上面这个会出错

val usersDF = spark.read.format("json").load("/root/resources/people.json")

3.存储模式（Save Modes）

可以采用SaveMode执行存储操作，SaveMode定义了对数据的处理模式。需要注意的是，这些保存模式不使用任何锁定，不是原子操作。此外，当使用Overwrite方式执行时，在输出新数据之前原数据就已经被删除。SaveMode详细介绍如下表：

Demo：

usersDF.select($"name").write.save("/root/result/parquet1")

上面出错：因为/root/result/parquet1已经存在

usersDF.select($"name").write.mode("overwrite").save("/root/result/parquet1")

4.将结果保存为表

usersDF.select($"name").write.saveAsTable("table1")

也可以进行分区、分桶等操作：partitionBy、bucketBy

二.Parquet文件(列式存储文件，是Spark SQL默认的数据源)

1.什么是parquet文件？

(1)Parquet是列式存储格式的一种文件类型，列式存储有以下的核心：

可以跳过不符合条件的数据，只读取需要的数据，降低IO数据量。
压缩编码可以降低磁盘存储空间。由于同一列的数据类型是一样的，可以使用更高效的压缩编码（例如Run Length Encoding和Delta Encoding）进一步节约存储空间。
只读取需要的列，支持向量运算，能够获取更好的扫描性能。
Parquet格式是Spark SQL的默认数据源，可通过spark.sql.sources.default配置

(2)Parquet是一个列格式而且用于多个数据处理系统中。

Spark SQL提供支持对于Parquet文件的读写，也就是自动保存原始数据的schema。当写Parquet文件时，所有的列被自动转化为nullable，因为兼容性的缘故。

2.把其他文件，转换成Parquet文件()

读入json格式的数据，将其转换成parquet格式，并创建相应的表来使用SQL进行查询。

scala >val empDF = spark.read.json("/opt/module/datas/TestFile/emp.json")

scala >empDF.show

scala >empDF.write.mode("overwrite").save("/opt/module/datas/TestFile/myresult/parquet")

//save和parquet都可以写入，是一样的
scala >empDF.write.mode("overwrite").parquet("/opt/module/datas/TestFile/myresult/parquet")

scala >val emp1=spark.read.parquet("/opt/module/datas/TestFile/myresult/parquet")

scala >emp1.show

scala >emp1.createOrReplaceTempView("emptable")

scala >spark.sql("select * from emptable where deptno =10 and sal >1500").show

3.支持Schema的合并：

Parquet支持Schema evolution(Schema演变，即：合并)。用户可以先定义一个简单的Schema，然后逐渐的向Schema中增加列描述。通过这种方式，用户可以获取多个有不同Schema但相互兼容的Parquet文件。
Demo:

val df1= sc.makeRDD(1 to 5).map(i => (i,i*2)).toDF("single","double")

df1.show

sc.makeRDD(1 to 5)

sc.makeRDD(1 to 5).collect

df1.write.parquet("/opt/module/datas/TestFile/test_table/key=1")

val df2 = sc.makeRDD(6 to 10).map(i=>(i,i*3)).toDF("single","triple")

df2.show

df2.write.parquet("/opt/module/datas/TestFile/test_table/key=2")

val df3 = spark.read.parquet("/opt/module/datas/TestFile/test_table")

df3.show

val df3 = spark.read.option("mergeSchema",true).parquet("/opt/module/datas/TestFile/test_table")

df3.show

4.JSON 文件

Spark SQL能自动解析JSON数据集的Schema，读取JSON数据集为DataFrame格式。读取JSON数据集方法为SQLContext.read().json()。该方法将String格式的RDD或JSON文件转换为DataFrame。

需要注意的是，这里的JSON文件不是常规的JSON格式。JSON文件每一行必须包含一个独立的、自满足有效的JSON对象。如果用多行描述一个JSON对象，会导致读取出错。读取JSON数据集示例如下：

(1)Demo1：使用Spark自带的示例文件 --> people.json 文件

//定义路径：
val path ="/opt/module/datas/TestFile/people.json"

//读取Json文件，生成DataFrame：
val peopleDF = spark.read.json(path)

//打印Schema结构信息：
peopleDF.printSchema()

//创建临时视图：
peopleDF.createOrReplaceTempView("people")

//执行查询
spark.sql("SELECT name FROM people WHERE age=18").show

5.使用JDBC(通过JDBC操作关系型数据库，mysql中的数据，通过JDBC加载到Spark中进行分析和处理)

Spark SQL同样支持通过JDBC读取其他数据库的数据作为数据源。

(一)Demo演示：使用Spark SQL读取Oracle数据库中的表。

(1)启动Spark Shell的时候，指定Oracle数据库的驱动

bin/spark-shell --master spark://hadoop:7077 --jars /opt/soft/mysql-connector-java-5.1.27.jar --driver-class-path /opt/soft/mysql-connector-java-5.1.27.jar

(2)读取mysql数据库中的数据

(a)方式一：

val mysqlDF = spark.read.format("jdbc").
         option("url","jdbc:mysql://192.168.1.120:3306/company?serverTimezone=UTC&characterEncoding=utf-8").
         option("dbtable","emp").
         option("user","root").
         option("password","000000").load

mysqlDF.show

(b)方式二：定义 Properities类

//导入需要的类：
import java.util.Properties   

//定义属性：               
val mysqlProps = new Properties()
mysqlProps.setProperty("user","root")
mysqlProps.setProperty("password","000000")
//读取数据：

val mysqlDF1 = spark.read.jdbc("jdbc:mysql://192.168.1.120:3306/company?serverTimezone=UTC&characterEncoding=utf-8","emp",mysqlProps)

mysqlDF1.show

6.使用Hive Table(把Hive中的数据，读取到Spark SQL 中)

(1)首先，搭建好Hive的环境(需要Hadoop)

(a)搭建台Hive，一台Hive Server(hadoop2)，一台Hive Client(hadoop1)

这两台hive中其他配置文件一样，知识hive-site.xml有区别
其中Hive Server的hive-site.xml配置如下:

<configuration> 
    <property> 
        <name>hive.metastore.warehouse.dir</name>  
        <value>/user/hive/warehouse</value> 
    </property>  
    <property> 
        <name>javax.jdo.option.ConnectionURL</name>  
        <value>jdbc:mysql://hadoop1:3306/hive?serverTimezone=UTC</value> 
    </property>  
    <property> 
        <name>javax.jdo.option.ConnectionDriverName</name>  
        <value>com.mysql.jdbc.Driver</value> 
    </property>  
    <property> 
        <name>javax.jdo.option.ConnectionUserName</name>  
        <value>root</value> 
    </property>  
    <property> 
        <name>javax.jdo.option.ConnectionPassword</name>  
        <value>123456</value> 
    </property>  
    <property> 
        <name>hive.querylog.location</name>  
        <value>/data/hive/iotmp</value> 
    </property>  
    <property> 
        <name>hive.server2.logging.operation.log.location</name>  
    <value>/data/hive/operation_logs</value> 
    </property>  
    <property> 
        <name>datanucleus.readOnlyDatastore</name>  
        <value>false</value> 
    </property>  
    <property> 
        <name>datanucleus.fixedDatastore</name>  
        <value>false</value> 
    </property>  
    <property> 
        <name>datanucleus.autoCreateSchema</name>  
        <value>true</value> 
    </property>  
    <property> 
        <name>datanucleus.autoCreateTables</name>  
        <value>true</value> 
    </property>  
    <property> 
        <name>datanucleus.autoCreateColumns</name>  
        <value>true</value> 
    </property> 
    <property>
        <name>datanucleus.schema.autoCreateAll</name>
        <value>true</value>
    </property>
</configuration>

Hive Client 中hive-site.xml配置如下：

<configuration>
          <property>
                <name>hive.metastore.warehouse.dir</name>
                <value>/user/hive/warehouse</value>
          </property>
          <property>
                <name>hive.metastore.local</name>
                <value>false</value>
          </property>
          <property>
                <name>hive.metastore.uris</name>
                <value>thrift://192.168.1.122:9083</value>
          </property>
</configuration>

Hive Client

(2)配置Spark SQL支持Hive

(a)只需要将以下文件拷贝到$SPARK_HOME/conf的目录下，即可

$HIVE_HOME/conf/hive-site.xml(拷贝Hive Client中的hive-site.xml)
$HADOOP_CONF_DIR/core-site.xml
$HADOOP_CONF_DIR/hdfs-site.xml

(3)启动hive：

启动Hive Server

cd /opt/module/hive-1.2.1

bin/hive --service metastore

Hive Server

启动Hive Client

cd /opt/module/hive-1.2.1

bin/hive

Hive Client

(4)使用Spark Shell操作Hive

(a)启动Spark Shell的时候，需要使用–jars指定mysql的驱动程序

启动Spark

cd /opt/module/spark-2.1.0-bin-hadoop2.7

bin/spark-shell --master://hadoop1:7077

spark.sql("select * from default.emp").show

查询Hive中的表

(b)创建表

spark.sql("create table movle.src (key INT, value STRING) row format 	delimited fields terminated by ','")

创建表1

创建表2

(c )导入数据

spark.sql("load data local path '/root/temp/data.txt' into table src")

(d)查询数据

spark.sql("select * from src").show

(4)使用spark-sql操作Hive

(a)启动spark-sql的时候，需要使用–jars指定mysql的驱动程序

(b)操作Hive

spark.sql("show tables").show

Movle

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
Spark SQL：使用数据源

目录一.通用的Load/Save函数    1.通用的Load/Save函数    2.显式指定文件格式：加载json格式    3.存储模式（Save Modes）    4.将结果保存为表二.Parquet文件(列式存储文件，是Spark SQL默认的数据源)    1.什么是parquet.
复制链接

扫一扫

专栏目录