![323ecbd0251994cf6ea61b7bdd8daddd.png](https://img-blog.csdnimg.cn/img_convert/323ecbd0251994cf6ea61b7bdd8daddd.png)
最近在做Spark的数据集成时,使用到了 spark.read.format("jdbc"),为了更好的对这部分进行调优和扩展,就需要对数据源的加载和原理有所了解。本篇会按照下面的部分来讲解下数据源相关的内容:
- DataSource的V1与V2
- DataSource V1 API执行原理
- 自定义V1数据源
1 DataSource的V1与V2
最初Spark的底层数据模型只有RDD,后来演化除了DataFrame,随着SQL化的支撑越来越多的API转向SQL,整个spark的重心也逐步往SQL方向偏移。在2.3以前数据源相关的API一般叫做V1 API,它以RDD为基础,向上扩展schema信息,形成DataFrame。之后的版本则是另一种实现思路,直接基于新的接口在DataFrame的思路上提供数据。这个暂且不谈,回头来重点说说V1 API。
V1 API中以RDD为核心,总共有三个关键点:
- DataRegister,标识是数据源服务类,Spark会以它来扫描实现类
- RelationProvider,标识是关系型的数据源,可以在Spark SQL中使用
- BaseRelation,描述DataFrame的Schema信息 。
- TableScan, 提供无参的数据扫描服务;Prun