学习目标:
- 学会使用默认数据源
- 学会手动指定数据源
- 理解数据写入模式
- 掌握分区自动推断
Spark SQL支持通过DataFrame接口对各种数据源进行操作。DataFrame可以使用相关转换算子进行操作,也可以用于创建临时视图。将DataFrame注册为临时视图可以对其中的数据使用SQL查询。
学习内容:
一、基本操作
- Spark SQL提供了两个常用的加载数据和写入数据的方法:
load()
方法和save()
方法。load()
方法可以加载外部数据源为一个DataFrame,save()
方法可以将一个DataFrame写入指定的数据源。
二、默认数据源
(一)默认数据源Parquet
- 默认情况下,load()方法和save()方法只支持Parquet格式的文件,Parquet文件是以二进制方式存储数据的,因此不可以直接读取,文件中包括该文件的实际数据和Schema信息,也可以在配置文件中通过参数spark.sql.sources.default对默认文件格式进行更改。Spark SQL可以很容易地读取Parquet文件并将其数据转为DataFrame数据集。
(二)案例演示读取Parquet文件
-
将数据文件
users.parquet
上传到master虚拟机/home
- 将数据文件
users.parquet
上传到HDFS的/input
目录
1、在Spark Shell中演示
- 启动Spark Shell,执行命令:
spark-shell --master spark://master:7077
- 加载parquet文件,返回数据帧
- 执行命令: val userdf = spark.read.load(“hdfs://master:9000/datasource/input/users.parquet”)
- 执行命令:
userdf.show()
,查看数据帧内容
- 执行命令userdfSchema,查看数据帧模式
- 执行命令:
userdf.select("name", "favorite_color").write.save("hdfs://master:9000/result")
,对数据帧指定列进行查询,查询结果依然是数据帧,然后通过write成员的save()方法写入HDFS指定目录
- 查看HDFS上的输出结果
- 除了使用select()方法查询外,也可以使用SparkSession对象的sql()方法执行SQL语句进行查询,该方法的返回结果仍然是一个DataFrame。
- 基于数据帧创建临时视图,执行命令:
userdf.createTempView("t_user")
- 执行SQL查询,将结果写入HDFS,执行命令:
spark.sql("select name, favorite_color from t_user").write.save("hdfs://master:9000/result2")
- 查看HDFS上的输出结果
课堂练习:将4.1节的student.txt文件转换成student.parquet,保存到hdfs的/datasource/input目录
- 解决思路:将student.txt转成studentdf,利用数据帧的save()方法保存到/datasource/input目录,然后将文件更名为student.partquet
- 得到学生数据帧
- 将学生数据帧保存为
parquet
文件
- 查看生成的
parquet
文件
- 复制
parquet
文件到/datasource/input
目录
课堂练习2、读取student.parquet
文件得到学生数据帧,并显示数据帧内容
- 执行命令:
val studentDF = spark.read.load("hdfs://master:9000/datasource/input/student.parquet")
- 执行命令:
studentDF.show
2、在IntelliJ IDEA里演示
- 创建Maven项目 - SparkSQLDemo
- 将
java
目录改成scala
目录
- 在
pom.xml
文件里添加相关依赖,设置源程序文件夹
<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <groupId>net.ljy.sql</groupId> <artifactId>SaprkSQLDemo</artifactId> <version>1.0-SNAPSHOT</version> <dependencies> <dependency> <groupId>org.scala-lang</groupId> <artifactId>scala-library</artifactId> <version>2.12.15</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-core_2.12</artifactId> <version>3.1.3</version> </dependency> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_2.11</artifactId> <version>2.1.1</version> </dependency> </dependencies> </project>
- 在
resources
目录里添加日志属性文件
log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n
- 在
resources
目录里添加HFDS配置文件
<?xml version="1.0" encoding="UTF-8"?>
<configuration>
<property>
<description>only config in clients</description>
<name>dfs.client.use.datanode.hostname</name>
<value>true</value>
</property>
</configuration>
- 创建
net.ljy.sql.day01
包,在包里创建ReadParquetFile
对象
package net.ljy.sql.day01 import org.apache.spark.sql.SparkSession /** * 功能:读取Parquet文件 * 作者:liujingyi * 日期:2023年05月25日 */ object ReadParquetFile { def main(args: Array[String]): Unit = { // 创建或得到Spark会话对象 val spark = SparkSession.builder() .appName("ReadParquetFile") .master("local[*]") .getOrCreate() // 加载student.parquet文件,得到数据帧 val studentDF = spark.read.load("hdfs://master:9000/datasource/input/student.parquet") // 显示学生数据帧内容 studentDF.show // 查询20岁以上的女生 val girlDF = studentDF.filter("gender = '女' and age > 20") // 显示女生数据帧内容 girlDF.show // 保存查询结果到HDFS(保证输出目录不存在) girlDF.write.save("hdfs://master:9000/datasource/output") } }
- 运行程序,查看控制台结果
- 在HDFS查看输出结果
三、手动指定数据源
(一)format()与option()方法概述
- 使用format()方法可以手动指定数据源。数据源需要使用完全限定名(例如org.apache.spark.sql.parquet),但对于Spark SQL的内置数据源,也可以使用它们的缩写名(JSON、Parquet、JDBC、ORC、Libsvm、CSV、Text)。
- 通过手动指定数据源,可以将DataFrame数据集保存为不同的文件格式或者在不同的文件格式之间转换。
- 在指定数据源的同时,可以使用option()方法向指定的数据源传递所需参数。例如,向JDBC数据源传递账号、密码等参数。
(二)案例演示读取不同数据源
1、读取房源csv文件
- 查看HDFS上
/input
目录里的house.csv
文件
- 在spark shell里,执行命令:
val house_csv_df = spark.read.format("csv").load("hdfs://master:9000/input/house.csv")
,读取房源csv文件,得到房源数据帧
- 执行命令:
house_csv_df.show()
,查看房源数据帧内容
- 大家可以看到,house.csv文件第一行是字段名列表,但是转成数据帧之后,却成了第一条记录,这样显然是不合理的,怎么办呢?就需要用到option()方法来传递参数,告诉Spark第一行是表头header,而不是表记录。
- 执行命令:val house_csv_df = spark.read.format("csv").option("header", "true").load("hdfs://master:9000/input/house.csv")
- 执行命令:
house_csv_df.show()
,查看房源数据帧内容
2、读取json,保存为parquet
- 将
people.json
上传到HDFS的/input
目录
- 执行命令:
val peopledf = spark.read.format("json").load("hdfs://master:9000/input/people.json")
- 执行命令:
peopledf.show()
- 执行命令:
peopledf.select("name", "age").write.format("parquet").save("hdfs://master:9000/result4")
- 查看生成的
parquet
文件
3、读取jdbc数据源,保存为json文件
- 查看
student
数据库里的t_user
表
- 执行命令
val userdf = spark.read.format("jdbc")
.option("url", "jdbc:mysql://master:3306/student")
.option("driver", "com.mysql.jdbc.Driver")
.option("dbtable", "t_user")
.option("user", "root")
.option("password", "903213")
.load()
- 报错,找不到数据库驱动程序
com.mysql.jdbc.Driver
- 解决问题,将数据库驱动程序拷贝到
$SPARK_HOME/jars
目录
- 将数据驱动程序分发到slave1和slave2虚拟机
- 执行命令
val userdf = spark.read.format("jdbc")
.option("url", "jdbc:mysql://master:3306/student")
.option("driver", "com.mysql.jdbc.Driver")
.option("dbtable", "t_user")
.option("user", "root")
.option("password", "903213")
.load()
- 加载jdbc数据源成功,但是有个警告,需要通过设置
useSSL=false
来消除
- 执行命令
val userdf = spark.read.format("jdbc")
.option("url", "jdbc:mysql://master:3306/student?useSSL=false")
.option("driver", "com.mysql.jdbc.Driver")
.option("dbtable", "t_user")
.option("user", "root")
.option("password", "903213")
.load()
- 执行命令:
userdf.show()
- 执行命令:
erdf.write.formatus("json").save("hdfs://master:9000/result5")
- 在虚拟机slave1查看生成的json文件,执行命令:
hdfs dfs -cat /result5/*
四、数据写入模式
(一)mode()方法
- 在写入数据时,可以使用
mode()
方法指定如何处理已经存在的数据,该方法的参数是一个枚举类SaveMode
。 - 使用
SaveMode
类,需要import org.apache.spark.sql.SaveMode;
(二)枚举类SaveMode
- SaveMode.ErrorIfExists:默认值。当向数据源写入一个DataFrame时,如果数据已经存在,就会抛出异常。
- SaveMode.Append:当向数据源写入一个DataFrame时,如果数据或表已经存在,会在原有的基础上进行追加。
- SaveMode.Overwrite:当向数据源写入一个DataFrame时,如果数据或表已经存在,就会将其覆盖(包括数据或表的Schema)。
- SaveMode.Ignore:当向数据源写入一个DataFrame时,如果数据或表已经存在,就不会写入内容,类似SQL中的CREATE TABLE IF NOT EXISTS。
(三)案例演示不同写入模式
- 查看数据源:
people.json
- 查询该文件
name
里,采用覆盖模式写入/result
,/result
目录里本来有东西的
- 执行命令:
val peopledf = spark.read.format("json").load("hdfs://master:9000/input/people.json")
- 导入
SaveMode
类,执行命令:peopledf.select("name").write.mode(SaveMode.Overwrite).format("json").save("hdfs://master:9000/result")
- 在slave1虚拟机上查看生成的json文件
- 查询
age
列,以追加模式写入HDFS的/result
目录,执行命令:peopledf.select("age").write.mode(SaveMode.Append).format("json").save("hdfs://master:9000/result")
- 在slave1虚拟机上查看追加生成的json文件
五、分区自动推断
(一)分区自动推断概述
- 表分区是Hive等系统中常用的优化查询效率的方法(Spark SQL的表分区与Hive的表分区类似)。在分区表中,数据通常存储在不同的分区目录中,分区目录通常以“分区列名=值”的格式进行命名。
- 以people作为表名,gender和country作为分区列,给出存储数据的目录结构
(二)分区自动推断演示
1、建四个文件
- 在master虚拟机上
/home
里创建如下目录及文件,其中目录people
代表表名,gender
和country
代表分区列,people.json
存储实际人口数据
2、读取表数据
- 执行命令:
spark-shell
,启动Spark Shell
- 执行命令:
val peopledf = spark.read.format("json").load("file:///home/people")
3、输出Schema信息
- 执行命令:
peopledf.printSchema()
4、显示数据帧内容
- 执行命令:
peopledf.show()
- 从输出的Schema信息和表数据可以看出,Spark SQL在读取数据时,自动推断出了两个分区列
gender
和country
,并将这两列的值添加到了数据帧peopledf
中
(三)分区自动推断注意事项
- 分区列的数据类型是自动推断的,目前支持数字、日期、时间戳、字符串数据类型。若不希望自动推断分区列的数据类型,则可以在配置文件中将spark.sql.sources.partitionColumnTypeInference.enabled的值设置为false(默认为true,表示启用)。当禁用自动推断时,分区列将使用字符串数据类型。