Spark SQL常见4种数据源详解

通用load/write方法

手动指定选项

Spark SQL的DataFrame接口支持多种数据源的操作。一个DataFrame可以进行RDDs方式的操作，也可以被注册为临时表。把DataFrame注册为临时表之后，就可以对该DataFrame执行SQL查询。

Spark SQL的默认数据源为Parquet格式。数据源为Parquet文件时，Spark SQL可以方便的执行所有的操作。

修改配置项spark.sql.sources.default，可修改默认数据源格式。

				?

									scala> val df = spark.read.load("hdfs://hadoop001:9000/namesAndAges.parquet")

									df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

									scala> df.select("name").write.save("names.parquet")

当数据源格式不是parquet格式文件时，需要手动指定数据源的格式。数据源格式需要指定全名（例如：org.apache.spark.sql.parquet），如果数据源格式为内置格式，则只需要指定简称json, parquet, jdbc, orc, libsvm, csv, text来指定数据的格式。

可以通过SparkSession提供的read.load方法用于通用加载数据，使用write和save保存数据。

				?

									scala> val peopleDF = spark.read.format("json").load("hdfs://hadoop001:9000/people.json")

									peopleDF: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

									scala> peopleDF.write.format("parquet").save("hdfs://hadoop001:9000/namesAndAges.parquet")

									scala>

除此之外，可以直接运行SQL在文件上:

				?

									val sqlDF = spark.sql("SELECT * FROM parquet.`hdfs://hadoop001:9000/namesAndAges.parquet`")

									sqlDF.show()

文件保存选项

可以采用SaveMode执行存储操作，SaveMode定义了对数据的处理模式。需要注意的是，这些保存模式不使用任何锁定，不是原子操作。此外，当使用Overwrite方式执行时，在输出新数据之前原数据就已经被删除。SaveMode详细介绍如下表：

Scala/Java	Any Language	Meaning
SaveMode.ErrorIfExists(default)	“error”(default)	如果文件存在，则报错
SaveMode.Append	“append”	追加
SaveMode.Overwrite	“overwrite”	覆写
SaveMode.Ignore	“ignore”	数据存在，则忽略

Parquet文件

Parquet读写

Parquet格式经常在Hadoop生态圈中被使用，它也支持Spark SQL的全部数据类型。Spark SQL 提供了直接读取和存储 Parquet 格式文件的方法。

				?

									// Encoders for most common types are automatically provided by importing spark.implicits._

									import spark.implicits._

									val peopleDF = spark.read.json("examples/src/main/resources/people.json")

									// DataFrames can be saved as Parquet files, maintaining the schema information

									peopleDF.write.parquet("hdfs://hadoop001:9000/people.parquet")

									// Read in the parquet file created above

									// Parquet files are self-describing so the schema is preserved

									// The result of loading a Parquet file is also a DataFrame

									val parquetFileDF = spark.read.parquet("hdfs://hadoop001:9000/people.parquet")

									// Parquet files can also be used to create a temporary view and then used in SQL statements

									parquetFileDF.createOrReplaceTempView("parquetFile")

									val namesDF = spark.sql("SELECT name FROM parquetFile WHERE age BETWEEN 13 AND 19")

									namesDF.map(attributes => "Name: " + attributes(0)).show()

									// +------------+

									// | value|

									// +------------+

									// |Name: Justin|

									// +------------+

解析分区信息

对表进行分区是对数据进行优化的方式之一。在分区的表内，数据通过分区列将数据存储在不同的目录下。Parquet数据源现在能够自动发现并解析分区信息。例如，对人口数据进行分区存储，分区列为gender和country，使用下面的目录结构：

				?

									path

									└── to

									└── table

									├── gender=male

									│ ├── ...

									│ │

									│ ├── country=US

									│ │ └── data.parquet

									│ ├── country=CN

									│ │ └── data.parquet

									│ └── ...

									└── gender=female

									├── ...

									│

									├── country=US

									│ └── data.parquet

									├── country=CN

									│ └── data.parquet

									└── ...

通过传递path/to/table给 SQLContext.read.parque

或SQLContext.read.load，Spark SQL将自动解析分区信息。

返回的DataFrame的Schema如下：

				?

									root

									|-- name: string (nullable = true)

									|-- age: long (nullable = true)

									|-- gender: string (nullable = true)

									|-- country: string (nullable = true)

需要注意的是，数据的分区列的数据类型是自动解析的。当前，支持数值类型和字符串类型。自动解析分区类型的参数为：

				?

									spark.sql.sources.partitionColumnTypeInference.enabled

默认值为true。

如果想关闭该功能，直接将该参数设置为disabled。此时，分区列数据格式将被默认设置为string类型，不再进行类型解析。

Schema合并

像ProtocolBuffer、Avro和Thrift那样，Parquet也支持Schema evolution（Schema演变）。用户可以先定义一个简单的Schema，然后逐渐的向Schema中增加列描述。通过这种方式，用户可以获取多个有不同Schema但相互兼容的Parquet文件。现在Parquet数据源能自动检测这种情况，并合并这些文件的schemas。

因为Schema合并是一个高消耗的操作，在大多数情况下并不需要，所以Spark SQL从1.5.0开始默认关闭了该功能。可以通过下面两种方式开启该功能：

当数据源为Parquet文件时，将数据源选项mergeSchema设置为true。

设置全局SQL选项：

spark.sql.parquet.mergeSchema为true。

				?

									// sqlContext from the previous example is used in this example.

									// This is used to implicitly convert an RDD to a DataFrame.

									import spark.implicits._

									// Create a simple DataFrame, stored into a partition directory

									val df1 = sc.makeRDD(1 to 5).map(i => (i, i * 2)).toDF("single", "double")

									df1.write.parquet("hdfs://hadoop001:9000/data/test_table/key=1")

									// Create another DataFrame in a new partition directory,

									// adding a new column and dropping an existing column

									val df2 = sc.makeRDD(6 to 10).map(i => (i, i * 3)).toDF("single", "triple")

									df2.write.parquet("hdfs://hadoop001:9000/data/test_table/key=2")

									// Read the partitioned table

									val df3 = spark.read.option("mergeSchema", "true").parquet("hdfs://hadoop001:9000/data/test_table")

									df3.printSchema()

									// The final schema consists of all 3 columns in the Parquet files together

									// with the partitioning column appeared in the partition directory paths.

									// root

									// |-- single: int (nullable = true)

									// |-- double: int (nullable = true)

									// |-- triple: int (nullable = true)

									// |-- key : int (nullable = true)

Hive数据源

Apache Hive是Hadoop上的SQL引擎，Spark SQL编译时可以包含Hive支持，也可以不包含。包含Hive支持的Spark SQL可以支持Hive表访问、UDF(用户自定义函数)以及 Hive 查询语言(HiveQL/HQL)等。需要强调的一点是，如果要在Spark SQL中包含Hive的库，并不需要事先安装Hive。一般来说，最好还是在编译Spark SQL时引入Hive支持，这样就可以使用这些特性了。如果你下载的是二进制版本的 Spark，它应该已经在编译时添加了 Hive 支持。

若要把Spark SQL连接到一个部署好的Hive上，你必须把hive-site.xml复制到 Spark的配置文件目录中($SPARK_HOME/conf)。即使没有部署好Hive，Spark SQL也可以运行。

需要注意的是，如果你没有部署好Hive，Spark SQL会在当前的工作目录中创建出自己的Hive 元数据仓库，叫作 metastore_db。此外，如果你尝试使用 HiveQL 中的 CREATE TABLE (并非 CREATE EXTERNAL TABLE)语句来创建表，这些表会被放在你默认的文件系统中的 /user/hive/warehouse 目录中(如果你的 classpath 中有配好的 hdfs-site.xml，默认的文件系统就是 HDFS，否则就是本地文件系统)。

				?

									import java.io.File

									import org.apache.spark.sql.Row

									import org.apache.spark.sql.SparkSession

									case class Record(key: Int, value: String)

									// warehouseLocation points to the default location for managed databases and tables

									val warehouseLocation = new File("spark-warehouse").getAbsolutePath

									val spark = SparkSession

									.builder()

									.appName("Spark Hive Example")

									.config("spark.sql.warehouse.dir", warehouseLocation)

									.enableHiveSupport()

									.getOrCreate()

									import spark.implicits._

									import spark.sql

									sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING)")

									sql("LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src")

									// Queries are expressed in HiveQL

									sql("SELECT * FROM src").show()

									// +---+-------+

									// |key| value|

									// +---+-------+

									// |238|val_238|

									// | 86| val_86|

									// |311|val_311|

									// ...

									// Aggregation queries are also supported.

									sql("SELECT COUNT(*) FROM src").show()

									// +--------+

									// |count(1)|

									// +--------+

									// | 500 |

									// +--------+

									// The results of SQL queries are themselves DataFrames and support all normal functions.

									val sqlDF = sql("SELECT key, value FROM src WHERE key < 10 ORDER BY key")

									// The items in DataFrames are of type Row, which allows you to access each column by ordinal.

									val stringsDS = sqlDF.map {

									case Row(key: Int, value: String) => s"Key: $key, Value: $value"

									}

									stringsDS.show()

									// +--------------------+

									// | value|

									// +--------------------+

									// |Key: 0, Value: val_0|

									// |Key: 0, Value: val_0|

									// |Key: 0, Value: val_0|

									// ...

									// You can also use DataFrames to create temporary views within a SparkSession.

									val recordsDF = spark.createDataFrame((1 to 100).map(i => Record(i, s"val_$i")))

									recordsDF.createOrReplaceTempView("records")

									// Queries can then join DataFrame data with data stored in Hive.

									sql("SELECT * FROM records r JOIN src s ON r.key = s.key").show()

									// +---+------+---+------+

									// |key| value|key| value|

									// +---+------+---+------+

									// | 2| val_2| 2| val_2|

									// | 4| val_4| 4| val_4|

									// | 5| val_5| 5| val_5|

									// ...

内嵌Hive应用

如果要使用内嵌的Hive，什么都不用做，直接用就可以了。 –conf :

				?

									spark.sql.warehouse.dir=

注意：如果你使用的是内部的Hive，在Spark2.0之后，spark.sql.warehouse.dir用于指定数据仓库的地址，如果你需要是用HDFS作为路径，那么需要将core-site.xml和hdfs-site.xml 加入到Spark conf目录，否则只会创建master节点上的warehouse目录，查询时会出现文件找不到的问题，这是需要向使用HDFS，则需要将metastore删除，重启集群。

外部Hive应用

如果想连接外部已经部署好的Hive，需要通过以下几个步骤。

a 将Hive中的hive-site.xml拷贝或者软连接到Spark安装目录下的conf目录下。

b 打开spark shell，注意带上访问Hive元数据库的JDBC客户端。

				?

									$ bin/spark-shell --master spark://hadoop001:7077 --jars mysql-connector-java-5.1.27-bin.jar

JSON数据集

Spark SQL 能够自动推测 JSON数据集的结构，并将它加载为一个Dataset[Row]. 可以通过SparkSession.read.json()去加载一个 Dataset[String]或者一个JSON 文件.注意，这个JSON文件不是一个传统的JSON文件，每一行都得是一个JSON串。

				?

									{"name":"Michael"}

									{"name":"Andy", "age":30}

									{"name":"Justin", "age":19}

									// Primitive types (Int, String, etc) and Product types (case classes) encoders are

									// supported by importing this when creating a Dataset.

									import spark.implicits._

									// A JSON dataset is pointed to by path.

									// The path can be either a single text file or a directory storing text files

									val path = "examples/src/main/resources/people.json"

									val peopleDF = spark.read.json(path)

									// The inferred schema can be visualized using the printSchema() method

									peopleDF.printSchema()

									// root

									// |-- age: long (nullable = true)

									// |-- name: string (nullable = true)

									// Creates a temporary view using the DataFrame

									peopleDF.createOrReplaceTempView("people")

									// SQL statements can be run by using the sql methods provided by spark

									val teenagerNamesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13 AND 19")

									teenagerNamesDF.show()

									// +------+

									// | name|

									// +------+

									// |Justin|

									// +------+

									// Alternatively, a DataFrame can be created for a JSON dataset represented by

									// a Dataset[String] storing one JSON object per string

									val otherPeopleDataset = spark.createDataset(

									"""{"name":"Yin","address":{"city":"Columbus","state":"Ohio"}}""" :: Nil)

									val otherPeople = spark.read.json(otherPeopleDataset)

									otherPeople.show()

									// +---------------+----+

									// | address|name|

									// +---------------+----+

									// |[Columbus,Ohio]| Yin|

									// +---------------+----+

JDBC

Spark SQL可以通过JDBC从关系型数据库中读取数据的方式创建DataFrame，通过对DataFrame一系列的计算后，还可以将数据再写回关系型数据库中。

注意，需要将相关的数据库驱动放到spark的类路径下。

				?

									$ bin/spark-shell --master spark://hadoop001:7077 --jars mysql-connector-java-5.1.27-bin.jar

									// Note: JDBC loading and saving can be achieved via either the load/save or jdbc methods

									// Loading data from a JDBC source

									val jdbcDF = spark.read.format("jdbc").option("url", "jdbc:mysql://hadoop001:3306/rdd").option("dbtable", " rddtable").option("user", "root").option("password", "hive").load()

									val connectionProperties = new Properties()

									connectionProperties.put("user", "root")

									connectionProperties.put("password", "hive")

									val jdbcDF2 = spark.read

									.jdbc("jdbc:mysql://hadoop001:3306/rdd", "rddtable", connectionProperties)

									// Saving data to a JDBC source

									jdbcDF.write

									.format("jdbc")

									.option("url", "jdbc:mysql://hadoop001:3306/rdd")

									.option("dbtable", "rddtable2")

									.option("user", "root")

									.option("password", "hive")

									.save()

									jdbcDF2.write

									.jdbc("jdbc:mysql://hadoop001:3306/mysql", "db", connectionProperties)

									// Specifying create table column data types on write

									jdbcDF.write

									.option("createTableColumnTypes", "name CHAR(64), comments VARCHAR(1024)")

									.jdbc("jdbc:mysql://hadoop001:3306/mysql", "db", connectionProperties)

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。

原文链接：https://blog.51cto.com/14309075/2411816

Spark SQL常见4种数据源详解

相关文章

热门资讯