一、通用的load和save操作的作用
对于Spark SQL和DataFrame来说,无论是从什么数据源创建出来的DataFrame,都有一些共同的load和save操作。
可以将一份数据load出来,变成一个DataFrame,然后可以对这个DataFrame执行一些查询筛选等操作,然后save到其他路径中。
load操作主要用于加载数据,创建出DataFrame;
save操作,主要用户将DataFrame中的数据保存到文件中
1、通用的load和save操作的使用方法
1) java版本
DataFrame df = sqlContext.read().load(“users.parquet”);
//保存到其他文件中
df.select (“name”,“favorate_color”).write().save(“namesAndFavColors.parquet”);
2) Scala版本
val df = sqlContext.read.load(“users.parquet”)
df.select (“name”,“favorate_color”).write.save(“namesAndFavColors.parquet”)
parquet—一种面向列的存储格式
2、 通用的load和save操作的实践
- java版
package pz.spark.study.sql;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SQLContext;
/**
* 通用的load和save操作
*/
public class GenericLoadSave {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("GenericLoadSave").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
Dataset<Row> usersDF = sqlContext.read().load("./student.parquet");
usersDF.select("name","id").write().save("./nameAndId");
}
}
- scala版
package pz.spark.study.sql
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SQLContext
object GenericLoadSave_scala {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("GenericLoadSave_scala");
val sc = new SparkContext(conf);
val sQLContext = new SQLContext(sc);
val usersDF = sQLContext.read.load("./student.parquet")
usersDF.write.save("./namesAndId_scala")
}
}
二、手动指定数据源类型
可以手动指定来操作数据源类型。数据源通常需要使用其全限定名来指定,比如parquet是org.apache.spark.sql.parquet。但是Spark SQL内置了一些数据源类型,比如json、parquet、jdbc等等。
通过这个功能,就可以在不同类型的数据源之间进行转换。
比如将json文件中的数据保存到parquet文件中
1、手动指定数据源类型使用方法
- Java版本
DataFrame df = sqlContext.read().format("json").load("people.json");
df.select("name","age").write().format("parquet").save("namesAndAges.parquet");
- scala版本
val df = sqlContext.read.format("json").load("person.json")
df.select("name","age").write.format("parquet").save("namesAndAges.parquet")
2、手动指定数据源类型实践
- java版
package pz.spark.study.sql;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SQLContext;
public class ManuallySpecifyOptions {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("ManuallySpecifyOptions").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
Dataset<Row> studentDF = sqlContext.read().format("json").load("student.json");
studentDF.select("name").write().format("parquet")
.save("studentName.parquet");
}
}
- scala版
package pz.spark.study.sql
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SQLContext
object ManuallySpecifyOptions_scala {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("ManuallySpecifyOptions_scala");
val sc = new SparkContext(conf);
val sQLContext = new SQLContext(sc);
val studentDF = sQLContext.read.format("json").load("./student.json");
studentDF.select("id").write.format("parquet").save("./student_Name_scala");
}
}
三、Save Mode
SparkSQL对于save操作提供了不同的save mode
主要用来处理当前目标位置,已经有数据时,应该如何处理。而且save操作并不会执行锁操作,并且不是原子的。因此是有一定风险出现脏数据的。
Save Mode | 意义 |
---|---|
SaveMode.ErrorIfExists(默认) | 如果目标位置已经存在数据,那么抛出一个异常 |
SaveMode.Append | 如果一个目标位置已经存在数据,那么将数据追加进去 |
SaveMode.Overwrite | 如果目标位置已经存在数据,那么就将已经存在的数据删除,用新的数据进行覆盖 |
SaveMode.Ignore | 如果目标位置已经存在数据,那么就忽略,不做任何操作 |
本文为北风网Spark2.0培训视频的学习笔记
视频链接:
https://www.bilibili.com/video/av19995678?t=1248&p=106