Spark大数据处理讲课笔记4.2 Spark 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")