Spark09-SparkSQL之数据读写操作

1、DataFrameReader

SparkSQL 的一个非常重要的目标就是完善数据读取,所以SparkSQL 中增加了一个新的框架,专门用于读取外部数据源,叫做DataFrameReader。

例如：通过代码 val reader: DataFrameReader = spark.read   可以看出 spark.read 的框架类型

DataFrameReader 由如下几个组件组成

组件	解释
schema	结构信息, 因为 Dataset 是有结构的, 所以在读取数据的时候, 就需要有 Schema 信息, 有可能是从外部数据源获取的, 也有可能是指定的
option	连接外部数据源的参数, 例如 JDBC 的 URL, 或者读取 CSV 文件是否引入 Header 等
format	外部数据源的格式, 例如 csv, jdbc, json 等

DataFrameReader 有两种访问方式, 一种是使用 load 方法加载， 使用 format 指定加载格式, 还有一种是使用封装方法, 类似 csv, json, jdbc 等

/**
   * 初体验 Reader: Reader 读取的两种方式
   *    1. load方法加载
   *    2. 封装方法
   */
  @Test
  def reader2(): Unit ={
    val spark = SparkSession.builder().master("local[6]").appName("reader2").getOrCreate()

    // 第一种形式
    spark.read
      .format("csv") // 告诉程序是一个 csv 文件
      .option("header", value = true) // 告诉程序文件数据第一行是一个 header
      .option("inferSchema", value = true) // 告诉程序根据文件内容推断数据字段的类型
      .load("../dataset/BeijingPM20100101_20151231.csv")
      .show()

    // 第二种形式
    spark.read
      .option("header", value = true)
      .option("inferSchema", value = true)
      .csv("../dataset/BeijingPM20100101_20151231.csv")
      .show()
  }

2、DataFrameWriter

DataFrameWriter 中由如下几个部分组成

组件	解释
source	写入目标, 文件格式等, 通过 format 方法设定
mode	写入模式, 例如一张表已经存在, 如果通过 DataFrameWriter 向这张表中写入数据, 是覆盖表呢, 还是向表中追加呢? 通过 mode 方法设定
extraOptions	外部参数, 例如 JDBC 的 URL, 通过 options, option 设定
partitioningColumns	类似 Hive 的分区, 保存表的时候使用, 这个地方的分区不是 RDD 的分区, 而是文件的分区, 或者表的分区, 通过 partitionBy 设定
bucketColumnNames	类似 Hive 的分桶, 保存表的时候使用, 通过 bucketBy 设定
sortColumnNames	用于排序的列, 通过 sortBy 设定

mode 指定了写入模式, 例如覆盖原数据集, 或者向原数据集合中尾部添加等

Scala 对象表示	字符串表示	解释
SaveMode.ErrorIfExists	"error"	将 DataFrame 保存到 source 时, 如果目标已经存在, 则报错
SaveMode.Append	"append"	将 DataFrame 保存到 source 时, 如果目标已经存在, 则添加到文件或者 Table 中
SaveMode.Overwrite	"overwrite"	将 DataFrame 保存到 source 时, 如果目标已经存在, 则使用 DataFrame 中的数据完全覆盖目标
SaveMode.Ignore	"ignore"	将 DataFrame 保存到 source 时, 如果目标已经存在, 则不会保存 DataFrame 数据, 并且也不修改目标数据集, 类似于 CREATE TABLE IF NOT EXISTS

DataFrameWriter 也有两种使用方式, 一种是使用 format 配合 save, 还有一种是使用封装方法, 例如 csv, json, saveAsTable 等

例如：读取文件并以json格式存储。

    val spark = SparkSession.builder().master("local[6]").appName("write1").getOrCreate()
    val df = spark.read.option("header", true).csv("../dataset/BeijingPM20100101_20151231.csv")
    df.write.json("../dataset/Beijing_PM1")
    df.write.format("json").save("../dataset/Beijing_PM2")

3、Parquet

什么时候会用到 Parquet ？

在ETL中,Spark经常扮演T的职务,也就是进行数据清洗和数据转换.

为了能够保存比较复杂的数据,并且保证性能和压缩率,通常使用Parquet是一个比较不错的选择.

所以外部系统收集过来的数据,有可能会使用Parquet ,而 Spark 进行读取和转换的时候,就需要支持对Parquet格式的文件的支持.

读写 Parquet 格式的文件

通过读取一个csv文件，实现写入 parquet 格式文件，并读取该 parquet 文件。

    // 读取 csv 文件
    val spark = SparkSession.builder().master("local[6]").appName("write1").getOrCreate()
    val df = spark.read.option("header", true).csv("../dataset/BeijingPM20100101_20151231.csv")

    // 把数据写为 parquet 格式
    df.write
      .format("parquet") // 也可以不指定，默认就是 parquet
      .mode(SaveMode.Overwrite) // 指定写入方式为 overwrite(覆盖),还有Ignore(如果有文件，什么都不做) Append(追加) ...
      .save("../dataset/Beijing_PM3")

    // 读取 parquet 格式的文件
    spark.read.load("../dataset/Beijing_PM3") // 默认读取的格式是 parquet, 并且可以直接指定文件夹
      .show()

可以知道，不指定format的读写默认都为parquet格式。

 4、分区

写入 Parquet 的时候可以指定分区，分区后文件夹名上带有分区信息，例如 year=2010,month=1 等等

Spark 在写入文件的时候是支持分区的, 可以像 Hive 一样设置某个列为分区列。Hive 很重要，Spark 经常要和 Hive 配合，所以 Spark 支持分区的读写。

    // 1. 读写数据
    val spark = SparkSession.builder().master("local[6]").appName("write1").getOrCreate()
    val df = spark.read.option("header", value = true).csv("../dataset/BeijingPM20100101_20151231.csv")

    // 2. 写文件,指定进行分区
    df.write
      .partitionBy("year", "month") // 按照 year 和 month 分区
      .save("../dataset/Beijing_PM4")

    // 3. 读文件
    spark.read
      // .parquet("../dataset/Beijing_PM4/year=2010/month=1") // 直接通过文件进行读取，分区信息会丢失
      .parquet("../dataset/Beijing_PM4") // 自动发现分区
      .printSchema() // 打印schema信息

5、JSON

在ETL 中,Spark经常扮演T的职务,也就是进行数据清洗和数据转换.

在业务系统中，JSON是一个非常常见的数据格式,在前后端交互的时候也往往会使用JSON ,所以从业务系统获取的数据很大可能性是使用JSON格式,所以就需要Spark能够支持JSON格式文件的读取

在 Spark 中对JSON 的读写很容易。

JSON 读写

    df.write.json("dataset/beijing_pm5.json")

    spark.read.json("dataset/beijing_pm5.json").show()

需要注意，这种方式写入的JSON文件，并不是完整意义的 json 文件，它是以每行作为一个单独的 JSON 格式的，也称为 JSON 行文件。

JSON 格式

    df.toJSON.show() // 将读取的csv文件内容直接转换为 JSON 格式

    // Spark 可以从一个保存了 JSON 格式字符串的 Dataset[String] 中读取 JSON 信息, 转为 DataFrame
    //直接从rdd读取json的DataFrame
    val jsonRdd = df.toJSON.rdd
    spark.read.json(jsonRdd).show()

6、连接 MySQL

package com.thorine

import org.apache.spark.sql.{SaveMode, SparkSession}
import org.apache.spark.sql.types.{FloatType, IntegerType, StringType, StructField, StructType}

/**
 * MySQL 的操作方式有两种: 使用本地 和 提交到集群上运行
 * 写入MySQL数据时，使用本地运行，读取的时候使用集群
 */
object MySQLWrite {
  def main(args: Array[String]): Unit = {
    // 创建 SparkSession 对象
    val spark = SparkSession.builder().master("local[6]").appName("MySQLWrite").getOrCreate()

    // 读取数据创建 DataFrame
    // 1. 创建 schema 结构信息
    val schema = StructType(
      List(
        StructField("name", StringType),
        StructField("age", IntegerType),
        StructField("gpa", FloatType)
      )
    )

    // 2. 文件读取
    val df = spark.read
      .schema(schema)
      .option("delimiter", "\t") // 指定分隔符
      .csv("dataset/studenttab10k")

    // 处理数据
    val resultDF = df.where(" age < 30 ")

    // 落地数据到 MySQL
    resultDF.write
      .format("jdbc")
      .option("url","jdbc:mysql://bigdata3:3306/spark01")
      .option("dbtable","student")
      .option("user","spark01")
      .option("password", "spark01")
      .mode(SaveMode.Overwrite)
      .save()
  }
}

SparkSQL 中并没有直接提供按照 SQL 进行筛选读取数据的 API 和参数, 但是可以通过 dbtable 来曲线救国, dbtable 指定目标表的名称, 但是因为 dbtable 中可以编写 SQL, 所以使用子查询即可做到

属性	含义
partitionColumn	指定按照哪一列进行分区, 只能设置类型为数字的列, 一般指定为 ID
lowerBound, upperBound	确定步长的参数, lowerBound - upperBound 之间的数据均分给每一个分区, 小于 lowerBound 的数据分给第一个分区, 大于 upperBound 的数据分给最后一个分区
numPartitions	分区数量

spark.read.format("jdbc")
  .option("url", "jdbc:mysql://node01:3306/spark_test")
  .option("dbtable", "(select name, age from student where age > 10 and age < 20) as stu")
  .option("user", "spark")
  .option("password", "Spark123!")
  .option("partitionColumn", "age")
  .option("lowerBound", 1)
  .option("upperBound", 60)
  .option("numPartitions", 10)
  .load()
  .show()