4.2Spark SQL 数据源-基本操作

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
执行命令： cd $SPARK_HOME/examples/src/main/resources，查看Spark的样例数据文件users.parquet

用cat命令显示users.parquet文件内容，只会显示乱码

将数据文件users.parquet上传到HDFS的/datasource/input目录

1、在Spark Shell中演示
启动Spark Shell，执行命令：spark-shell --master spark://master:7077

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：userdf.printSchema，查看数据帧模式

执行命令：userdf.select("name", "favorite_color").write.save("hdfs://master:9000/datasource/output")，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/datasource/output2")

查看HDFS上的输出结果

课堂练习1、将4.1节的student.txt文件转换成student.parquet
解决思路：将student.txt转成studentDF，利用数据帧的save()方法保存到/datasource/output3目录，然后将文件更名复制到/datasource/input目录
得到学生数据帧 - studentDF

val ds = spark.read.textFile("hdfs://master:9000/student/input/student.txt")
case class Student(id: Int, name: String, gender: String, age: Int)
import spark.implicits._
val studentDS = ds.map(line => {
      val fields = line.split(",")
      val id = fields(0).toInt
      val name = fields(1)
      val gender = fields(2)
      val age = fields(3).toInt
      Student(id, name, gender, age)
   }
)
val studentDF = studentDS.toDF()
studentDF.show
1
2
3
4
5
6
7
8
9
10
11
12
13
14
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

设置项目相关信息

单击【Finish】按钮

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.huawei.sql</groupId>
    <artifactId>SparkSQLDemo</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_2.12</artifactId>
            <version>3.1.3</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
    </build>
</project>

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
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
1
2
3
4
5
6
7
8
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>
1
2
3
4
5
6
7
8
创建net.huawei.sql.day01包，在包里创建ReadParquetFile对象

package net.huawei.sql.day01

import org.apache.spark.sql.SparkSession

/**
 * 功能：读取Parquet文件

 * 日期：2023年06月07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")
    // 关闭Spark会话对象
    spark.stop()
  }
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
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csv文件
执行命令：cd $SPARK_HOME/examples/src/main/resources，查看Spark的样例数据文件people.csv

将people.csv文件上传到HDFS的/datasource/input目录，然后查看文件内

在Spark Shell里，执行命令：val peopleDF = spark.read.format("csv").load("hdfs://master:9000/datasource/input/people.csv")，读取人员csv文件，得到人员数据帧

执行命令：peopleDF.show，查看人员数据帧内容

大家可以看到，people.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 peopleDF = spark.read.format("csv").option("header", "true").load("hdfs://master:9000/datasource/input/people.csv")

执行命令：peopleDF.show，查看人员数据帧内容

由于csv文件默认分隔符是逗号，而people.csv的分隔符是分号，因此要利用option("delimiter", ";")告诉Spark

执行命令：val peopleDF = spark.read.format("csv").option("header", "true").option("delimiter", ";").load("hdfs://master:9000/datasource/input/people.csv")

执行命令：peopleDF.show，查看人员数据帧内容

查看完整的操作步骤

2、读取json，保存为parquet
查看people.json文件

将people.json上传到HDFS的/datasource/input目录，并查看其内容

在Spark Shell里，执行命令：val peopleDF = spark.read.format("json").load("hdfs://master:9000/datasource/input/people.json")

执行命令：peopleDF.show

执行命令：peopleDF.select("name", "age").write.format("parquet").save("hdfs://master:9000/datasource/output4") （注意：format("parquet")其实可以省掉的）

查看生成的parquet文件（/datasource/output4/part-00000-a1e62c69-59e5-40b6-8391-89bdfffe61ff-c000.snappy.parquet）

将该parquet文件更名拷贝到/datasource/input目录，执行命令：hdfs dfs -cp /datasource/output4/part-00000-f7dd9963-c318-4445-8acc-846965819b6d-c000.snappy.parquet /datasource/input/people.parquet

现在读取/datasource/input/people.parquet文件得到人员数据帧

查看人员数据帧内容

3、读取jdbc数据源，保存为json文件
创建slave1mysql连接，连接到slave1虚拟机上安装的MySQL

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://slave1:3306/student")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "t_user")  
  .option("user", "root")  
  .option("password", "903213")
  .load()
1
2
3
4
5
6
7
结果报错，没有找到数据库驱动程序

上传数据驱动程序到$SPARK_HOME/jars目录

查看上传的数据库驱动程序

执行命令
val userDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://slave1:3306/student")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "t_user")  
  .option("user", "root")  
  .option("password", "903213")
  .load()
1
2
3
4
5
6
7
执行之后会有一个警告信息，通过设置useSSL=true来消除

执行命令

val userDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://slave1:3306/student?useSSL=false")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "t_user")  
  .option("user", "root")  
  .option("password", "903213")
  .load()
1
2
3
4
5
6
7
执行之后得到用户数据帧

执行命令：userDF.show，查看用户数据帧内容

执行命令：userDF.write.format("json").save("hdfs://master:9000/datasource/output5")

在虚拟机slave1查看生成的json文件，执行命令：hdfs dfs -cat /datasource/output5

2023-6-7 更新至此
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。