7. 数据源
Spark-SQL 支持通过Dataframe接口对各种数据源进行操作
各种数据源的加载&保存
数据转换(relational transformations)
注册临时视图(temporary view),来允许SQL的形式直接对临时视图进行操作
7.1 数据源加载
Spark-SQL的默认数据源为parquet(spark.sql.sources.default设置),一些数据源加载的例子如下:
/** * 加载parquet数据源 */ spark.read.load("D:\\data\\users.parquet").show() /** * 加载非parquet数据源,需要手动设置选项 * Spark-SQLd对内置数据源,可以使用短名称.对自定义的数据源需要使用全名称(比如:org.apache.spark.sql.parquet) * Spark-SQL内置数据源:json, parquet, jdbc, orc, libsvm, csv, text */ spark.read.format("csv").load("D:\\data\\people.csv").show() /** * 以SQL的形式读取文件 */ spark.sql("select * from json.`D:\\data\\sku.json`").show()
7.2 数据源保存
7.2.1 保存模式
数据源的保存提供了以下保存的模式
| Scala/Java | Any Language | 描述 |
| SaveMode.ErrorIfExists(默认) | error/errorifexists | 如果保存的数据已存在,将抛出错误 |
| SaveMode.Append | append | 如果保存的数据已存在,数据将以追加的形式写入 |
| SaveMode.Overwrite | overwrite | 如果保存的数据已存在,数据将以覆盖的形式写入 |
| SaveMode.Ignore | ignore | 如果保存的数据已存在,数据将不会写入(也不会抛出错误,即原数据不变,新数据忽略) |
数据源的保存是 非原子性 的,这一点务必要注意.比如以Overwrite形式写入时,数据将先删除后写入(覆盖),这里有数据丢失的可能性的
7.2.2 存储源
Spark-SQL 可以将数据保存在两种源上: 文件(file-based) 和 持久化表(persistent tables)
i).文件(file-based)
数据保存的格式可以变化,比如将一个csv保存为一个txt的例子
spark.read.format("csv").load("InputPath").write.format("text").save("OutputPath")
ii).持久化表(persistent tables)
将数据保存到Hive的表中.
元数据
数据保存到Hive的表中,将同时自动保存schema到Hive的MetaStore里
内/外表
数据保存时,根据是否指定path来区分内外表.
当手动设置为其它路径时成为外部表(表删除只删除元数据不删除表数据)
不设置path则成为内部表(表删除将同时删除元数据和表数据)
表分区
如果表被设置为外部表,默认不会收集分区信息,需要手动同步(msck / add partition)
7.3.内置数据源
7.3.1 Parquet
Parquet是一种列式存储格式,无法直接阅读.但有非常好的压缩消耗和压缩比.
Parquet是Spark默认和推荐使用的数据格式.在很多方面,Spark都对Parquet有最大支持
在Spark中,出于兼容性的考虑,所有的Columns都将自动转换为可空类型
7.3.1.1 一个Parquet读写的例子
spark.read.format("csv").load("InputPath").write.format("text").save("OutputPath")
7.3.1.2 Parquet的分区发现
在Hive之类中,分区是以目录的形式存在.分区键本身是目录的一部分.但此时,分区信息是不会自动的被Hive发现.
而在Parquet中,Spark可以自动的发现分区和推断数据类型.推断的依据就是目录
比如:一个存放所有订单信息的目录,以类似这样的格式 order/{time(xxxx-MM-dd)}/{area(xx)}/xxxx.parquet
将路径(/order)传入,读取将自动增加两列time和area作为分区列,并自动在实际使用中应用分区信息
注意:
i).对Parquet的分区发现字段现仅支持数字型和字符串型.
spark.sql.sources.partitionColumnTypeInference.enabled(默认为true)设置,可以关闭分区发现的数据类型推断
ii).默认情况下,分区发现只能找到给定路径的分区信息
比如 path/to/table/gender=male =>默认发现的分区列不会包含 gender
在数据源选项中设置basePath (path/to/table/)=> gender将成为一个分区列
7.3.1.3 Parquet的元数据合并(schema merging)
实际工作中,Parquet数据文件很可能是由一个开始比较简单的schema逐渐变得复杂(一开始的业务比较简单,但随着业务的推进会加入越来越多的字段)
因为Parquet的schema是自存储的,所以需要一种途径来保持对历史数据schema的兼容性,这就是模式演进(schema evolution),而实现的手段就是模式合并
模式合并是一个昂贵操作,而在大多数情况下都是不会使用到它,所以模式合并默认是关闭的
有以下两种途径可以打开模式合并
i).临时=>在Option中设置mergeSchema=true
spark.read.option("mergeSchema", "true")
ii).永久=> 配置文件配置 spark.sql.parquet.mergeSchema 设置为 true
7.3.1.4 Parquet 与Hive MetaStore
在Spark读取和写入Hive的Parquet表时,Spark将使用自己的Parquet Support,而不是Hive SerDe ( spark.sql.hive.convertMetastoreParquet 默认开启)
Spark-Parquet-Schema 与 Hive-MetaStore 是有一些区别的,这些区别体现在:
Hive-MetaStore不区分大小写,而Spark-Parquet-Schema是区分大小写的.
Hive-MetaStore认为所有列都是可空的,而Spark-Parquet-Schema认为列是否可空必须指定
所以在Spark-Parquet-Schema 与 Hive-MetaStore 会进行一些自协调(reconciled schema),规则如下:
只出现在Spark-Parquet-Schema中的任何字段会被自动删除
只出现在Hive-MetaStore中的任何字段以可空字段(nullable field)形式增加
7.3.1.5 Parquet的元数据刷新(Metadata Refreshing)
Parquet的元数据将会被自动缓存以获得更好的性能.
但需要注意的是:Hive metastore Parquet table conversion,这些Hive表的MetaData也会被缓存.
如果这些表在Hive或其它工具层面被改变,Spark无法感知这些改变,必须手工刷新.刷新方式如下:
spark.catalog.refreshTable("my_table")
7.3.1.6 Parquet的常用配置
| 参数名 | 默认值 | 描述 |
| spark.sql.parquet.binaryAsString | false | 一些其它的基于Parquet系统(比如Hive,Impala,旧版Spark-SQL),在写出Parquet-schema时不区分binary data （二进制数据）和 strings （字符串） 启用这个属性,将保持将二进制数据解释为字符串的兼容性 |
| spark.sql.parquet.int96AsTimestamp | true | 一些其它的基于Parquet系统(比如Hive,Impala),会将Timestamp写为int96.该属性告知Spark-SQL将int96解析为Timestamp的兼容性 |
| spark.sql.parquet.cacheMetadata | true | 指示是否打开parquet的元数据缓存(这可以加快查询静态数据的速度) |
| spark.sql.parquet.compression.codec | snappy | 指示写出parquet文件的压缩类型(默认snappy).可选项为:uncompressed, snappy, gzip, lzo |
| spark.sql.parquet.filterPushdown | true | 设置为 true 时启用 (过滤谓词下推,尝试调整算子执行顺序,将写在后面的过滤谓词提前处理以减少查询数据量,提高性能) |
| spark.sql.hive.convertMetastoreParquet | true | 面对Hive时,是否启用使用Spark-SQL内置的parquet,设为否则放弃使用内置parquet转而使用Hive serDe |
| spark.sql.parquet.mergeSchema | false | 是否全局启用parquet的元数据合并,设为否则从summary file或random file中随机挑选 |
| spark.sql.optimizer.metadataOnly | true | 当设为true时,将使用metadata信息来构建分区列而不是走表扫描.(只是在查询的所有列都是分区列时才有意义,并且此时依然有各种聚合能力) |
7.3.1 ORC
ORC格式是Spark-2.3之后才支持的数据源格式.它的可配置信息如下:
| 参数名 | 默认值 | 描述 |
| spark.sql.orc.impl | hive | ORC的实现名称.可选值hive(使用hive-1.2.1的ORC库),native(或者hive.native,将使用Apache ORC 1.4.1) |
| spark.sql.orc.enableVectorizedReader | true | 是否在本机使用向量化ORC解码.如果为false,会在本机构造一个向量化ORC阅读器,对于上面设置为hive,这个属性将被忽略 |
7.3.2 JSON
Spark-SQL可以自动推断Json的schema.(Json的schema依然是自存储的)
Spark-SQL加载将以DataFrame[Row]的形式,并且可以非常简单的转为一个Dataset[T](.as[T])
一个简单的例子如下:
//读取Json数据源,如果某些行缺age属性的,补0
spark.read.json("D:\\data\\people.json").na.fill(0,Seq("age"))
7.3.3 Hive
7.3.3.1 Hive支持
Spark-SQL还支持读取和写入存储在Hive中的数据.Spark-SQL使用Hive,但需要做一些补充配置
i).Hive的库必须在classpath中被找到.因为Hive的库有大量的依赖,而这些依赖不一定是被Spark完全打包的,所以在运行时,必须要能找到这些库包
注意:这种依赖与找到是针对每个executor而言的,因为executor才是真正的执行者.
ii).需要在Spark.Conf中拷入 hive-site.xml, core-site.xml（用于安全配置）和 hdfs-site.xml （用于 HDFS 配置）文件
iii).需要在SparkSession中启用对Hive的支持:spark.enableHiveSupport()
在实际运行中,不一定需要部署一个完整的Hive系统,比如当hive-site.xml不存在时,会在当前目录创建一个metastore_db用以存储元数据(不推荐如此)
7.3.3.2 Hive的存储格式
创建一个Hive表,需要定义读取/写入文件系统的格式,以及数据的行断定义,列断定义等.Spark-Sql读取Hive表时,默认以文本格式读取.
一些Hive存储格式相关格式如下:
| 属性名 | 描述 |
| fileFormat | fileFormat是一种存储格式规范的包，包括 "serde"，"input format" 和 "output format"。 目前支持6个文件格式：'sequencefile'，'rcfile'，'orc'，'parquet'，'textfile'和'avro' |
| inputFormat, outputFormat | 这两个选项将相应的 "InputFormat" 和 "OutputFormat" 类的名称指定为字符串文字，例如: `org.apache.hadoop.hive.ql.io.orc.OrcInputFormat`。 这两个选项必须成对出现，如果已经指定了 "fileFormat" 选项，则无法指定它们 |
| serde | 此选项指定 serde 类的名称。 当指定 `fileFormat` 选项时，如果给定的 `fileFormat` 已经包含 serde 的信息，那么不要指定这个选项。 目前的 "sequencefile", "textfile" 和 "rcfile" 不包含 serde 信息，你可以使用这3个文件格式的这个选项 |
| fieldDelim, escapeDelim, collectionDelim, mapkeyDelim, lineDelim | 这些选项只能与 "textfile" 文件格式一起使用。它们定义如何将分隔的文件读入行 |
7.3.3 JDBC
Spark-SQL 同样支持以JDBC的形式从其它的关系型数据库读取数据.(此方式优于JdbcRDD,因为DF更容易与处理与其它数据源的交互,比如直接映射为临时视图等等)
开始使用时,需要在Spark类路径包含目标数据库的JDBC驱动程序 例如，要从 Spark Shell 连接到 postgres
bin/spark-shell --driver-class-path postgresql-9.4.1207.jar --jars postgresql-9.4.1207.jar
可以在数据源选项中指定 JDBC 连接属性。用户 和 密码通常作为登录数据源的连接属性提供。 除了连接属性外，Spark 还支持以下不区分大小写的选项
| 属性 | 描述 |
| url | 要连接的JDBC URL。 源特定的连接属性可以在URL中指定。 例如jdbc：jdbc:postgresql://localhost/test?user=fred&password=secret |
| dbtable | 应该读取的 JDBC 表。请注意，可以使用在SQL查询的 FROM 子句中有效的任何内容。 例如，您可以使用括号中的子查询代替完整表 |
| driver | 用于连接到此 URL 的 JDBC driver 程序的类名 |
| partitionColumn, lowerBound, upperBound | 这三个属性必须被一起设置.partitionColumn 必须是数字列.lowerBound 和 upperBound 仅用于决定分区的大小而不是用于过滤表中的行.因此,表中的所有行将被分区并返回 |
| numPartitions | 在表读写中可以用于并行度的最大分区数。这也确定并发JDBC连接的最大数量。 如果要写入的分区数超过此限制，则在写入之前通过调用 coalesce(numPartitions) 将其减少到此限制 |
| fetchsize | JDBC 抓取的大小,用于确定每次数据往返传递的行数。 这有利于提升 JDBC driver 的性能，它们的默认值较小（例如: Oracle 是 10 行）。 该选项仅适用于读取操作 |
| batchsize | JDBC 批处理的大小，用于确定每次数据往返传递的行数。 这有利于提升 JDBC driver 的性能。 该选项仅适用于写操作。默认值为 1000 |
| isolationLevel | 事务隔离级别，适用于当前连接。 它可以是 此选项仅适用于写操作。请参考 |
| sessionInitStatement | 在每个数据库会话打开到远程DB并开始读取数据之后，该选项将执行一个自定义SQL语句(或PL/SQL块)。使用它来实现会话初始化代码。 示例:选项(“sessionInitStatement”、“”开始执行即时的“alter session set”“_serial_direct_read”=true”;结束;”“”) |
| truncate | 这是一个与 JDBC 相关的选项.启用 SaveMode.Overwrite 时,此选项会导致 Spark 截断现有表，而不是删除并重新创建。它默认为 false。 此选项仅适用于写操作 |
| createTableOptions | 这是一个与JDBC相关的选项。 如果指定，此选项允许在创建表时设置特定于数据库的表和分区选项（例如：CREATE TABLE t (name string) ENGINE=InnoDB. ）。此选项仅适用于写操作 |
| createTableColumnTypes | 这是一个与JDBC相关的选项.如果指定,此选项允许在创建表时设置特定于数据库的表和分区选项（例如：CREATE TABLE t (name string) ENGINE=InnoDB.).此选项仅适用于写操作 |
| customSchema | 用于从连接器读取JDBC数据的自定义模式。例如，“id DECIMAL(38,0)， name STRING”。还可以指定部分字段，其他字段使用默认类型映射。 例如，“id DECIMAL(38,0)”。列名应该与JDBC表对应的列名相同。用户可以指定Spark SQL的相应数据类型，而不是使用默认值。此选项仅适用于读取 |