Spark学习笔记4：数据读取与保存
Spark对很多种文件格式的读取和保存方式都很简单。Spark会根据文件扩展名选择对应的处理方式。
Spark支持的一些常见文件格式如下：
- 文本文件
使用文件路径作为参数调用SparkContext中的textFile()函数，就可以读取一个文本文件。也可以指定minPartitions控制分区数。传递目录作为参数，会把目录中的各部分都读取到RDD中。例如：
val input = sc.textFile("E:\\share\\new\\chapter5")
input.foreach(println)
chapter目录有三个txt文件，内容如下：
输出结果：
用SparkContext.wholeTextFiles()也可以处理多个文件，该方法返回一个pair RDD，其中键是输入文件的文件名。
例如：
val input = sc.wholeTextFiles("E:\\share\\new\\chapter5")
input.foreach(println)
输出结果：
保存文本文件用saveAsTextFile(outputFile)
- JSON
JSON是一种使用较广的半结构化数据格式，这里使用json4s来解析JSON文件。
如下：
import org.apache.spark.{SparkConf, SparkContext}
import org.json4s.ShortTypeHints
import org.json4s.jackson.JsonMethods._
import org.json4s.jackson.Serialization
object TestJson {
case class Person(name:String,age:Int)
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("JSON")
val sc = new SparkContext(conf)
implicit val formats = Serialization.formats(ShortTypeHints(List()))
val input = sc.textFile("E:\\share\\new\\test.json")
input.collect().foreach(x => {var c = parse(x).extract[Person];println(c.name + "," + c.age)})
}
}
json文件内容：
输出结果：
保存JSON文件用saveASTextFile(outputFile)即可
如下：
val datasave = input.map { myrecord =>
implicit val formats = DefaultFormats
val jsonObj = parse(myrecord)
jsonObj.extract[Person]
}
datasave.saveAsTextFile("E:\\share\\spark\\savejson")
输出结果：
- CSV文件
读取CSV文件和读取JSON数据相似，都需要先把文件当作普通文本文件来读取数据，再对数据进行处理。
如下：
import org.apache.spark.{SparkConf, SparkContext}
import java.io.StringReader
import au.com.bytecode.opencsv.CSVReader
object DataReadAndSave {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("CSV")
val sc = new SparkContext(conf)
val input = sc.textFile("E:\\share\\spark\\test.csv")
input.foreach(println)
val result = input.map{
line =>
val reader = new CSVReader(new StringReader(line))
reader.readNext()
}
for(res <- result){
for(r <- res){
println(r)
}
}
}
}
test.csv内容：
输出结果：
保存csv
如下：
val inputRDD = sc.parallelize(List(Person("Mike", "yes")))
inputRDD.map(person => List(person.name,person.favoriteAnimal).toArray)
.mapPartitions { people =>
val stringWriter = new StringWriter()
val csvWriter = new CSVWriter(stringWriter)
csvWriter.writeAll(people.toList)
Iterator(stringWriter.toString)
}.saveAsTextFile("E:\\share\\spark\\savecsv")
- SequenceFile
SequenceFile是由没有相对关系结构的键值对文件组成的常用Hadoop格式。是由实现Hadoop的Writable接口的元素组成，常见的数据类型以及它们对应的Writable类如下：
读取SequenceFile
调用sequenceFile(path , keyClass , valueClass , minPartitions)
保存SequenceFile
调用saveAsSequenceFile(outputFile)
- 对象文件
对象文件使用Java序列化写出，允许存储只包含值的RDD。对象文件通常用于Spark作业间的通信。
保存对象文件调用 saveAsObjectFile 读取对象文件用SparkContext的objectFile()函数接受一个路径，返回对应的RDD
- Hadoop输入输出格式
Spark可以与任何Hadoop支持的格式交互。
读取其他Hadoop输入格式，使用newAPIHadoopFile接收一个路径以及三个类，第一个类是格式类，代表输入格式，第二个类是键的类，最后一个类是值的类。
hadoopFile()函数用于使用旧的API实现的Hadoop输入格式。
KeyValueTextInputFormat 是最简单的 Hadoop 输入格式之一，可以用于从文本文件中读取键值对数据。每一行都会被独立处理，键和值之间用制表符隔开。
例子：
import org.apache.hadoop.io.{IntWritable, LongWritable, MapWritable, Text}
import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
import org.apache.spark._
import org.apache.hadoop.mapreduce.Job
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat
object HadoopFile {
def main(args: Array[String]) {
val conf = new SparkConf().setAppName("hadoopfile").setMaster("local")
val sc = new SparkContext(conf)
val job = new Job()
val data = sc.newAPIHadoopFile("E:\\share\\spark\\test.json" ,
classOf[KeyValueTextInputFormat],
classOf[Text],
classOf[Text],
job.getConfiguration)
data.foreach(println)
data.saveAsNewAPIHadoopFile(
"E:\\share\\spark\\savehadoop",
classOf[Text],
classOf[Text],
classOf[TextOutputFormat[Text,Text]],
job.getConfiguration)
}
}
输出结果：
读取
保存
若使用旧API如下：
val input = sc.hadoopFile[Text, Text, KeyValueTextInputFormat]("E:\\share\\spark\\test.json
").map { case (x, y) => (x.toString, y.toString) } input.foreach(println)
- 文件压缩
对数据进行压缩可以节省存储空间和网络传输开销，Spark原生的输入方式（textFile和sequenFile）可以自动处理一些类型的压缩。在读取压缩后的数据时，一些压缩编解码器可以推测压缩类型。
- 文件系统
Spark支持读写很多种文件系统，可以使用任何我们想要的文件格式。包括：
1、本地文件系统
要求文件在集群中所有节点的相同路径下都可以找到。 本地文件系统路径使用 例如：val rdd = sc.textFile("file:///home/holden/happypandas.gz")。
2、Amazon S3
将一个以s3n://开头的路径以s3n://bucket/path-within-bucket的形式传给Spark的输入方法。
3、HDFS
在Spark中使用HDFS只需要将输入路径输出路径指定为hdfs://master:port/path就可以了
- Apache Hive
Apache Hive是Hadoop上一中常见的结构化数据源。Hive可以在HDFS内或者在其他存储系统上存储多种格式的表。SparkSQL可以读取Hive支持的任何表。
将Spark SQL连接到已有的Hive上，创建出HiveContext对象也就是Spark SQL入口，然后就可以使用Hive查询语言来对你的表进行查询，并以由行组成的RDD形式返回数据。
使用HiveContext.jsonFile方法可以从整个文件中获取Row对象组成的RDD。例子：
import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.{SparkConf, SparkContext}
object Sparksql {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("SparkSQL")
val sc = new SparkContext(conf)
val sql = new HiveContext(sc)
val input = sql.jsonFile("E:\\share\\spark\\tweets.json")
input.registerTempTable("tweets")
val topTweets = sql.sql("select user.name,text from tweets")
topTweets.foreach(println)
}
}
使用数据：
输出结果：
- 数据库
Spark可以从任何支持Java数据库连接（JDBC）的关系型数据库中读取数据，包括MySQL，Postgre等系统。
Spark连接JDBC，通过创建SQLContext对象进行连接，设置连接参数，然后就可以使用sql语句进行查询，结果返回一个jdbcRDD。如下：
首先在MySQL里面建立名为info的数据库，建表及导入数据：
sql查询数据：
使用Spark连接JDBC查询，Scala代码如下：
import org.apache.spark.sql.SQLContext
import org.apache.spark.{SparkConf, SparkContext}
object JDBC {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("SparkSQL")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
val mysql = sqlContext.read.format("jdbc").option("url","jdbc:mysql://localhost:3306/info").
option("dbtable","student").option("driver","com.mysql.jdbc.Driver").
option("user","root").option("password","********").load()
mysql.registerTempTable("student")
mysql.sqlContext.sql("select * from student where sage >= 20").collect().foreach(println)
}
}
输出结果：
