Spark SQL数据源的基本操作

编程语言 2023-06-18 19:47:26 阅读次数: 0

文章目录

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
在这里插入图片描述

用cat命令显示users.parquet文件内容，只会显示乱码
启动hdfs：start-dfs.sh
在这里插入图片描述

将数据文件users.parquet上传到HDFS的/datasource/input目录
在这里插入图片描述

1、在Spark Shell中演示

启动spark服务：start-all.sh
在这里插入图片描述

启动Spark Shell，执行命令：spark-shell --master spark://master:7077
在这里插入图片描述
执行命令：val userdf = spark.read.load("hdfs://master:9000/datasource/input/users.parquet")
在这里插入图片描述
执行命令：userdf.show，查看数据帧内容
在这里插入图片描述
执行命令：userdf.printSchema，查看数据帧模式
在这里插入图片描述
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
在这里插入图片描述

查看HDFS上的输出结果
在这里插入图片描述

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")
在这里插入图片描述
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")
在这里插入图片描述
查看HDFS上的输出结果
在这里插入图片描述

练习1、将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
在这里插入图片描述

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

将学生数据帧保存为parquet文件，studentDF.write.save(“hdfs://master:9000/datasource/output3”)
在这里插入图片描述
查看生成的parquet文件
在这里插入图片描述
复制parquet文件到/datasource/input目录
在这里插入图片描述

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”)
在这里插入图片描述
执行命令：studentDF.show
在这里插入图片描述

2、在IntelliJ IDEA里演示

创建Maven项目
在这里插入图片描述

设置项目相关信息
在这里插入图片描述单击【Finish】按钮
在这里插入图片描述
将java目录改成scala目录
在这里插入图片描述

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.army.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>

在resources目录里添加日志属性文件
在这里插入图片描述

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

在resources目录里添加HFDS配置文件
在这里插入图片描述

<?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>

创建net.army.sql.day01包，在包里创建ReadParquetFile对象
在这里插入图片描述

package net.army.sql.day01

import org.apache.spark.sql.SparkSession

/**
 * 功能：读取Parquet文件
 * 作者：梁辰兴
 * 日期：2023年06月12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()
  }
}

运行程序，查看控制台结果

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
在这里插入图片描述
将people.csv文件上传到HDFS的/datasource/input目录，然后查看文件内
在这里插入图片描述
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
在这里插入图片描述执行命令：peopleDF.show，查看人员数据帧内容
在这里插入图片描述

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”)
在这里插入图片描述执行命令：peopleDF.show，查看人员数据帧内容
在这里插入图片描述
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”)
在这里插入图片描述执行命令：peopleDF.show，查看人员数据帧内容
在这里插入图片描述

2、读取json，保存为parquet

查看people.json文件
在这里插入图片描述
将people.json上传到HDFS的/datasource/input目录，并查看其内容
在这里插入图片描述在Spark Shell里，执行命令：val peopleDF = spark.read.format(“json”).load(“hdfs://master:9000/datasource/input/people.json”)
在这里插入图片描述

执行命令：peopleDF.show
在这里插入图片描述
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）
在这里插入图片描述
查看生成的parquet文件（/datasource/output4/part-00000-a1e62c69-59e5-40b6-8391-89bdfffe61ff-c000.snappy.parquet）
在这里插入图片描述
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-d0adfd21-9f55-49fc-a3dd-93bd313ea8e2-c000.snappy.parquet /datasource/input/people.parquet
在这里插入图片描述
现在读取/datasource/input/people.parquet文件得到人员数据帧
在这里插入图片描述
查看人员数据帧内容
在这里插入图片描述

3、读取jdbc数据源，保存为json文件

启动master的mysql服务
在这里插入图片描述

在Navicat创建mastermysql连接，连接到master虚拟机上安装的MySQL
在这里插入图片描述
查看student数据库里的user表
在这里插入图片描述
执行命令

val userDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/student")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "user")  
  .option("user", "root")  
  .option("password", "")
  .load()

结果报错，没有找到数据库驱动程序
在这里插入图片描述
上传数据驱动程序到$SPARK_HOME/jars目录（每个节点都需要上传）
在这里插入图片描述

查看上传的数据库驱动程序
在这里插入图片描述

执行命令

val userDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/student")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "user")  
  .option("user", "root")  
  .option("password", "")
  .load()

执行之后会有一个警告信息，通过设置useSSL=true来消除
在这里插入图片描述

执行命令

val userDF = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/student?useSSL=false")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "user")  
  .option("user", "root")  
  .option("password", "")
  .load()

执行之后得到用户数据帧
在这里插入图片描述
执行命令：userDF.show，查看用户数据帧内容
在这里插入图片描述
执行命令：userDF.write.format(“json”).save(“hdfs://master:9000/datasource/output5”)
在这里插入图片描述
在虚拟机slave1查看生成的json文件，执行命令：hdfs dfs -cat /datasource/output5/*
在这里插入图片描述

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
在这里插入图片描述
查询该文件name里，采用覆盖模式写入/result，创建/result目录
在这里插入图片描述
执行命令：val peopledf = spark.read.format(“json”).load(“hdfs://master:9000/datasource/input/people.json”)
在这里插入图片描述
导入SaveMode类，执行命令：
import org.apache.spark.sql.SaveMode;
peopledf.select(“name”).write.mode(SaveMode.Overwrite).format(“json”).save(“hdfs://master:9000/result”)
在这里插入图片描述
在slave1虚拟机上查看生成的json文件
在这里插入图片描述
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”)
在这里插入图片描述
在slave1虚拟机上查看追加生成的json文件
在这里插入图片描述

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
在这里插入图片描述

（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

在这里插入图片描述


{
    
    "name": "Wiek", "age": 85}
{
    
    "name": "Jenny", "age": 14}
{
    
    "name": "Alacn", "age": 35}

{
    
    "name": "张三丰", "age": 25}
{
    
    "name": "李诗琪", "age": 56}
{
    
    "name": "史蒂夫", "age": 38}

{
    
    "name": "王五", "age": 45}
{
    
    "name": "李四", "age": 44}
{
    
    "name": "张三", "age": 35}

{
    
    "name": "Alice", "age": 25}
{
    
    "name": "Mike", "age": 24}
{
    
    "name": "Linda", "age": 35}

2、读取表数据

执行命令：spark-shell，启动Spark Shell
在这里插入图片描述

执行命令：val peopledf = spark.read.format(“json”).load(“file:///home/people”)
在这里插入图片描述

3、输出Schema信息

执行命令：peopledf.printSchema()
在这里插入图片描述

4、显示数据帧内容

执行命令：peopledf.show()
在这里插入图片描述
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。

猜你喜欢

转载自blog.csdn.net/m0_62617719/article/details/131079967
今日推荐
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
国产云输入法——仅华为无云端数据上传安全问题
开源日报 | 工业开源项目OGG 1.0；姐姐，你要和我一起配置火狐吗；苹果AI遥遥落后？Fedora 40
开放签电子签章：停止新增，优化体验，前进更进（五一假期前工作）
开源日报 | 中学生开源前端动画引擎；全球首个Llama3 8B中文版开源模型；联想电脑恐出局；Linus讽刺AI炒作
周排行
浏览器对同一域名进行请求的最大并发连接数
React Hook之自定义Hook
【转】MyBatis缓存机制
-Java-泛型
自动化测试常用脚本-发送邮件
LeetCode#859: Buddy Strings
java、Python处理字符串
第二篇の博客
Hadoop伪分布式环境安装
SQL Server进阶（十一）临时表、表变量
每日归档
更多
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)
2024-04-22(39)
2024-04-21(0)
2024-04-20(6)
2024-04-19(5)
2024-04-18(0)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022