Learning Spark阅读笔记3

Loding and Saving Your Data

主要介绍Spark对于下面3类数据源的处理：

1. File formats and filesystems
2. Structured data sources through Spark SQL
3. Databases and key/value stores

File Formats

Spark可以很容易地加载存储很多文件格式，从非结构化，半结构化到结构化的文件格式：

• Text files
• JSON
• CSV
• SequenceFiles
• Protocal buffers
• Object files

除了Spark内置的输出机制，我们也可以使用Hadoop的keyed data的API。

Text Files

当我们加载一份文本文件作为一个RDD，那么每一行将会成为RDD的一个元素。我们也可以同时加载很多文本文件到pair RDD中，其中key是文件名，value是文件的内容。

Loading text files

val input = sc.textFile("file:///home/holden/repos/spark/README.md")

如果需要将一个文件夹中的多份文件加载，那么可以使用textFile，参数是文件夹的路径，有时候我们也需要知道输入中的一份文件的信息，或者使用整份文件，那么可以使用SparkContext.wholeTextFiles(),将会得到pair RDD，key就是文件名。

val input = sc.wholeTextFiles("file:///home/holden/salesFiles")
val result = input.mapValues{y => 
  val nums = y.split(" ").map(x => x.toDouble)
  nums.sum / nums.size.toDouble
}

Saving text files

result.saveAsTextFile(outputFile)

outputFile是文件夹的路径，Spark将会在这个文件夹下写入文本文件。

JSON

JSON是很流行的半结构数据格式。最简单的加载JSON数据是作为文本文件加载，然后使用JSON parser来映射数据。

Loading JSON

上面最简单的方式要求是你的JSON文件每一行是一个记录，如果你有multiline JSON files，那么需要加载整份文件并且parse每一份文件。可以使用mapPartitions()重用parser。

在scala或java中，通常将记录加载到一个类中来表示它们的schemas。

import com.fasterxml.jackson.module.scala.DefaultScalaModule
import com.fasterxml.jackson.module.scala.experimental.ScalaObjectMapper
import com.fasterxml.jackson.databind.ObjectMapper
import com.fasterxml.jackson.databind.DeserializationFeature
...
case class Person(name: String, lovesPandas: Boolean) // Must be a top-level class
...
// Parse it into a specific case class. We use flatMap to handle errors
// by returning an empty list (None) if we encounter an issue and a
// list with one element if everything is ok (Some(_)).
val result = input.flatMap(record => {
  try {
    Some(mapper.readValue(record, classOf[Person]))
  } catch {
    case e: Exception => None
}})

Saving JSON

我们可以使用将String的RDD转换为parsed JSON数据的库，将结构数据的RDD转换为string的RDD，然后就能使用Spark的文本文件的API。

result.filter(p => P.lovesPandas).map(mapper.writeValueAsString(_)).saveAsTextFile(outputFile)

SCV and TSV

Loading CSV

对于Scala和Java，可以使用opencsv，Hadoop也有一个InputFormat，即CSVInputFormat，它并不支持记录中包含newlines。

如果你的CSV数据没有包含newlines，你可以用textFile()加载数据，parse数据。

import Java.io.StringReader
import au.com.bytecode.opencsv.CSVReader
...
val input = sc.textFile(inputFile)
val result = input.map{ line =>
  val reader = new CSVReader(new StringReader(line));
  reader.readNext();
}

如果记录中有newlines，就需要完整读入每个文件，然后解析各个字段。

case class Person(name: String, favoriteAnimal: String)
val input = sc.wholeTextFiles(inputFile)
val result = input.flatMap{ case (_, txt) =>
  val reader = new CSVReader(new StringReader(txt));
  reader.readAll().map(x => Person(x(0), x(1)))
}

Saving CSV

pandaLovers.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(outFile)

如果只有一小部分输入文件，你需要使用wholeFile()方法，可能还需要对输入数据进行重新分区是的Spark能够更高效地并行化执行后续操作。

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。SequenceFile文件有同步标记，Spark可以用它来定位到文件中的某个点，然后再与记录的边界对齐。这可以让Spark使用多个节点高效地并行读取SequenceFile文件。

SequenceFile是由实现Hadoop的Writable接口的元素组成，如果你无法为要写出的数据找到对应的Writable类型，你可以重载Writable中的readFields和write来实现自己的Writable类。

Loading SequenceFile

val data = sc.sequenceFile(inFile, classOf[Text], classOf[IntWritable]).
  map{case (x, y) => (x.toString, y.get())}

有一个函数可以自动地将Writable对象转为相应的Scala类型。sequence[Key, Value](path, minPartition)。

Saving SequenceFile

我们已经进行了将许多Scala的原生类型转为Hadoop Writable的隐式转换。如果不能自动转为Writable类型，就可以对数据进行映射操作，在保存前进行类型转换。

val data = sc.parallelize(List(("Panda", 3), ("Kay", 6), ("Snail", 2)))
data.saveAsSequenceFile(outputFile)

对象文件

对象文件看起来就像是对SequenceFile的简单封装，它允许存储只包含值的RDD。和SequenceFile不一样的是，对象文件是使用Java序列化写出的。

如果你修改了你的类，已经生成的对象就不可再读了。

注意：

1. 和普通的SequenceFile不同，对于同样的对象，对象文件的输出和Hadoop的输出不一样。
2. 通常用于Spark作业间的通信。
3. Java序列化有可能相当慢。

读取：用SparkContext中的objectFile()。
保存：在RDD上调用saveAsObjectFile。

使用对象文件的主要原因是它们可以用来保存几乎任意对象而不需要额外的工作。

Hadoop输入输出格式

读取：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，第三个类是值的类。例如使用Lzo JsonInputFormat读取LZO算法压缩的JSON数据：

al input = sc.newAPIHadoopFile(inputFile, classOf[LzoJsonInputFormat],
classOf[LongWritable], classOf[MapWritable], conf)
// "输入"中的每个MapWritable代表一个JSON对象

保存：调用saveAsNewAPIHadoopFile。

文件压缩

对于大多数Hadoop输出格式来说，我们可以指定一种压缩编解码器来压缩数据。我们已经提过，Spark原生的输入方式（textFile和sequenceFile）可以自动处理一些类型的压缩。

可以很容易地从多个节点上并行读取的格式被称为“可分割”的格式。

尽管Spark的textFile()方法可以处理压缩过的输入，但即使输入数据被以可分割读取的方式压缩，Spark也不会打开splittable。因此，如果你要读取单个压缩过的输入，最好不要考虑使用Spark的封装，而是使用newAPIHadoopFile或者hadoopFile，并指定正确的压缩编解码器。

文件系统

本地文件系统

Spark支持从本地文件系统中读取文件，不过它要求文件在集群中所有节点的相同路径下都可以找到。

Amazon S3

用Amazon S3来存储大量数据正日益流行。当计算节点部署在Amazon EC2上的时候，使用S3作为存储尤其快，但是在需要通过公网访问数据时性能会差很多。

HDFS

Spark和HDFS可以部署在同一批机器上，这样Spark可以利用数据分布来尽量避免一些网络开销。