Spark 从Hive表中读数据或向Hive中写入数据

Spark SQL支持在Hive中的数据读写，但是Hive中有大量的依赖在Spark中不存在，所以在使用过程中要配置这些依赖。
Configuration of Hive is done by placing your hive-site.xml, core-site.xml (for security configuration), and hdfs-site.xml (for HDFS configuration) file in conf/.

下面是使用Hive的测试：

import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SaveMode, SparkSession}

case class Info(timestamp: String, pro: String, city: String, category: String, ad: String)

object WriteToHDFS {
    def main(args: Array[String]): Unit = {

        Logger.getLogger("org").setLevel(Level.ERROR)

        val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("WriteToHDFS")

        // 连接hive需要mysql-connector-java依赖
        val spark: SparkSession = SparkSession.builder()
            .config(conf)
            .config("spark.sql.warehouse.dir", "hdfs://hadoop:9000/user/hive/warehouse") // hdfs上hive仓库目录
            .enableHiveSupport()
            .getOrCreate()

        import spark.implicits._

        // 创建表结构 对比了加上using hive和不加，创建的表信息是一样的
        //        spark.sql("create table ad_info(timestamp String, pro String, city String, category String, ad String) using hive" +
        //            "row format delimited fields terminated by ' '")
        //将数据导入表中，该方法直接将文件导入hive的表目录中
        //        spark.sql("load data local inpath 'in/1.txt' into table ad_info")
        // 查询表数据 支持全套的hive sql
        //        spark.sql("select * from ad_info").show()

        // 直接将hive表提取为DataFrame
        val df: DataFrame = spark.table("ad_info")
        // 将df的数据写入另一个表中 可以先创建表，也可以不实现创建表，在保存的时候会自动创建表
        //        df.write.mode(SaveMode.Overwrite).saveAsTable("hive_records")
        //        spark.sql("select * from hive_records").show()

        // 由于我将同一个文件导入表中两次，即使现在将数据缩减了，hdfs中还是两个文件，而且文件很小，并没合并
        val df2: DataFrame = spark.sql("select * from ad_info where cast(ad as int) >= 10")
        //        df2.write.mode(SaveMode.Overwrite).saveAsTable("hive_records02")
        //        spark.sql("select * from hive_records02").show()
        //        spark.sql("select * from student").show()

        // 将df重新分成5个分区，确实shuffle用了很长时间，最终写到hive表中有5个数据文件，也就是说最终在hdfs产生几个
        // 数据文件，可能很大程度由DataFrame的分区决定
        val df3: DataFrame = df.repartition(5).toDF()
        df3.write.mode(SaveMode.Append).saveAsTable("hive_records03")
        df3.show()

        spark.stop()
    }
}

更详细的信息可以参考官网