一.引言
前面讲的SparkSQL都是通过代码操作,这里换另外一种方式,通过命令的形式进行操作,实际就是代码放在命令行中执行.
概念:
方便快速的从不同的数据源(json,parquet,rdbms),经过混和处理(json,join,parquet)再将处理结果以特定的格式(json,parquet)写会到指定的系统(HDFS,S3)上去.
二.实例演示
1.启动spark-shell
在spark的bin目录下执行以下命令:
./spark-shell --master local[2] --jars ~/software/mysql-connector-java-5.1.38.jar
进入到scala的命令行
2.读取parquet的文件数据源,需要制定类型format(读取文件默认的是parquet格式,但是读取其他类型的文件需要指定格式)
val userDF = spark.read.format(“parquet”).load(“file:///root/spark/spark-2.0.2->bin-hadoop2.7/examples/src/main/resources/users.parquet”)
3.通过输出命令进行查看
//展示两列数据源
userDF.select("name","favorite_color").show()
4.写方法,以json的形式写在一个新的路径下的文件下
源数据是parquet类型的文件,读取到之后的数据通过write方法,以json的形式重新存储到新的文件中.
命令代码如下:
userDF.select("name","favorite_color").write.format("json").save("file:///root/spark/tmp/jsonout")
显示结果:
以上就完成了外部数据源操作parquet文件.就是这么简单…