Spark:DataFrame 写入文本文件
将DataFrame写成文件方法有很多
最简单的将DataFrame转换成RDD，通过saveASTextFile进行保存但是这个方法存在一些局限性：
1.将DataFrame转换成RDD或导致数据结构的改变
2.RDD的saveASTextFile如果文件存在则无法写入，也就意味着数据只能覆盖无法追加,对于有数据追加需求的人很不友好
3.如果数据需要二次处理，RDD指定分隔符比较繁琐
基于以上原因，在研读了Spark的官方文档后，决定采取DataFrame的自带方法 write 来实现。
此处采用mysql的数据作为数据源，读取mysql的方法在 Spark:读取mysql数据作为DataFrame 有详细介绍。
1.mysql的信息
mysql的信息我保存在了外部的配置文件，这样方便后续的配置添加。
1 //配置文件示例： 2 [hdfs@iptve2e03 tmp_lillcol]$ cat job.properties 3 #mysql数据库配置 4 mysql.driver=com.mysql.jdbc.Driver 5 mysql.url=jdbc:mysql://127.0.0.1:3306/database1?useSSL=false&autoReconnect=true&failOverReadOnly=false&rewriteBatchedStatements=true 6 mysql.username=user 7 mysql.password=123456
2.需要的jar依赖
sbt版本，maven的对应修改即可
1 libraryDependencies += "org.apache.spark" % "spark-core_2.10" % "1.6.0-cdh5.7.2" 2 libraryDependencies += "org.apache.spark" % "spark-sql_2.10" % "1.6.0-cdh5.7.2" 3 libraryDependencies += "org.apache.spark" % "spark-hive_2.10" % "1.6.0-cdh5.7.2" 4 libraryDependencies += "org.apache.hbase" % "hbase-client" % "1.2.0-cdh5.7.2" 5 libraryDependencies += "org.apache.hbase" % "hbase-server" % "1.2.0-cdh5.7.2" 6 libraryDependencies += "org.apache.hbase" % "hbase-common" % "1.2.0-cdh5.7.2" 7 libraryDependencies += "org.apache.hbase" % "hbase-protocol" % "1.2.0-cdh5.7.2" 8 libraryDependencies += "mysql" % "mysql-connector-java" % "5.1.38" 9 libraryDependencies += "org.apache.spark" % "spark-streaming_2.10" % "1.6.0-cdh5.7.2" 10 libraryDependencies += "com.yammer.metrics" % "metrics-core" % "2.2.0"
3.完整实现代码
1 import java.io.FileInputStream 2 import java.util.Properties 3 4 import org.apache.spark.sql.hive.HiveContext 5 import org.apache.spark.sql.{DataFrame, SQLContext, SaveMode} 6 import org.apache.spark.{SparkConf, SparkContext} 7 8 /** 9 * @author Administrator 10 * 2018/10/16-14:35 11 * 12 */ 13 object TestSaveFile { 14 var hdfsPath: String = "" 15 var proPath: String = "" 16 var DATE: String = "" 17 18 val sparkConf: SparkConf = new SparkConf().setAppName(getClass.getSimpleName) 19 val sc: SparkContext = new SparkContext(sparkConf) 20 val sqlContext: SQLContext = new HiveContext(sc) 21 22 def main(args: Array[String]): Unit = { 23 hdfsPath = args(0) 24 proPath = args(1) 25 //不过滤读取 26 val dim_sys_city_dict: DataFrame = readMysqlTable(sqlContext, "TestMysqlTble1", proPath) 27 saveAsFileAbsPath(dim_sys_city_dict, hdfsPath + "TestSaveFile", "|", SaveMode.Overwrite) 28 } 29 30 /** 31 * 获取 Mysql 表的数据 32 * 33 * @param sqlContext 34 * @param tableName 读取Mysql表的名字 35 * @param proPath 配置文件的路径 36 * @return 返回 Mysql 表的 DataFrame 37 */ 38 def readMysqlTable(sqlContext: SQLContext, tableName: String, proPath: String): DataFrame = { 39 val properties: Properties = getProPerties(proPath) 40 sqlContext 41 .read 42 .format("jdbc") 43 .option("url", properties.getProperty("mysql.url")) 44 .option("driver", properties.getProperty("mysql.driver")) 45 .option("user", properties.getProperty("mysql.username")) 46 .option("password", properties.getProperty("mysql.password")) 47 .option("dbtable", tableName) 48 .load() 49 } 50 51 /** 52 * 将 DataFrame 保存为 hdfs 文件 同时指定保存绝对路径 与 分隔符 53 * 54 * @param dataFrame 需要保存的 DataFrame 55 * @param absSaveDir 保存保存的路径 （据对路径） 56 * @param splitRex 指定分割分隔符 57 * @param saveMode 保存的模式：Append、Overwrite、ErrorIfExists、Ignore 58 */ 59 def saveAsFileAbsPath(dataFrame: DataFrame, absSaveDir: String, splitRex: String, saveMode: SaveMode): Unit = { 60 dataFrame.sqlContext.sparkContext.hadoopConfiguration.set("mapred.output.compress", "false") 61 //为了方便观看结果去掉压缩格式 62 val allClumnName: String = dataFrame.columns.mkString(",") 63 val result: DataFrame = dataFrame.selectExpr(s"concat_ws('$splitRex',$allClumnName) as allclumn") 64 result.write.mode(saveMode).text(absSaveDir) 65 } 66 67 /** 68 * 获取配置文件 69 * 70 * @param proPath 71 * @return 72 */ 73 def getProPerties(proPath: String): Properties = { 74 val properties: Properties = new Properties() 75 properties.load(new FileInputStream(proPath)) 76 properties 77 } 78 }
4.测试
1 def main(args: Array[String]): Unit = { 2 hdfsPath = args(0) 3 proPath = args(1) 4 //不过滤读取 5 val dim_sys_city_dict: DataFrame = readMysqlTable(sqlContext, "TestMysqlTble1", proPath) 6 saveAsFileAbsPath(dim_sys_city_dict, hdfsPath + "TestSaveFile", "|", SaveMode.Overwrite) 7 }
5.执行命令
1 nohup spark-submit --master yarn \ 2 --driver-memory 4G \ 3 --num-executors 2 \ 4 --executor-cores 4 \ 5 --executor-memory 8G \ 6 --class com.iptv.job.basedata.TestSaveFile \ 7 --jars /var/lib/hadoop-hdfs/tmp_lillcol/mysql-connector-java-5.1.38.jar \ 8 test.jar \ 9 hdfs://ns1/user/hive/../ \ 10 /var/.../job.properties > ./TestSaveFile.log 2>&1 &
6.运行结果
1 [hdfs@iptve4e03 tmp_lillcol]$ hadoop fs -du -h hdfs://ns1/user/hive/warehouse/TestSaveFile 2 0 0 hdfs://ns1/user/hive/warehouse/TestSaveFile/_SUCCESS 3 4.1 K 4.1 K hdfs://ns1/user/hive/warehouse/TestSaveFile/part-r-123412340-ec83e1f1-4bd9-4b4a-89a3-8489c1f908dc 4 5 [hdfs@iptve4e03 tmp_lillcol]$ hadoop fs -cat hdfs://ns1/user/hive/warehouse/TestSaveFile/part-r-123412340-ec83e1f1-4bd9-4b4a-89a3-8489c1f908dc 6 1234|12349|张三|韩服_G|11234|张三艾欧尼亚|韩服-G|1234D5A3434|3|张三天庭 7 12343|1234|1234|韩服_M|31234|李四艾欧尼亚|韩服-M|5F4EE4345|8|1234天庭 8 1234|12340|石中剑山|韩服_s8|11234|张三艾欧尼亚|韩服-s8|59B403434|5|石中剑山天庭 9 12344|12344|灵山|韩服_J|31234|李四艾欧尼亚|韩服-J|CF19F434B|40|灵山天庭 10 1234|1234|他家|韩服_H|11234|张三艾欧尼亚|韩服-Z|51234EB1434|9|他家天庭 11 12345|12340|云浮|韩服_F|31234|李四艾欧尼亚|韩服-Y|9C9C04344|41|浮天庭 12 1234|12348|潮边疆|韩服_Z|41234|佛山艾欧尼亚|韩服-Z|5B034340F|15|边疆天庭 13 12340|12344|河姆渡人源|韩服_HY|41234|深圳艾欧尼亚|韩服-HY434123490808|18|河姆渡人源天庭 14 1234|1234|佛山|韩服_S|41234|佛山艾欧尼亚|韩服-FS|EEA981434|4|佛祖天庭 15 12340|12343|揭阳|韩服_J|41234|深圳艾欧尼亚|韩服-JY|9FF084349|10|天庭 16 1234|1234|石中剑边疆|韩服_|41234|佛山艾欧尼亚|韩服-HZ|440A434FC|0|石中剑边疆天庭 17 12348|1234|梅边疆|韩服_Z|41234|深圳艾欧尼亚|韩服-MZ|E9B434F09|14|梅边疆天庭 18 1234|12348|石中剑名|韩服_M|41234|佛山艾欧尼亚|韩服-MM|5D0A94434|14|石中剑名天庭 19 12349|1234|日本|韩服_|41234|深圳艾欧尼亚|韩服-SG|BD0F34349|19|日本天庭 20 1234|1234|石中剑石中剑|韩服_ST|41234|佛山艾欧尼亚|韩服-ST|18D0D0434|0|石中剑石中剑天庭 21 12340|1234|深圳|韩服_Z|41234|深圳艾欧尼亚|韩服-Z|31E4C4344|4|深天庭 22 12340|12340|石中剑尾|韩服_SW|41234|佛山艾欧尼亚|韩服-SW|1BA1234434B|10|石中剑尾天庭 23 12341|1234|美国|韩服_Z|41234|深圳艾欧尼亚|韩服-Q|3C09D434B|13|美国天庭 24 12341|1234|湛江|韩服_Z|41234|佛山艾欧尼亚|韩服-Z|3A49A4340|11|我家天庭 25 1234|12343|清诗和远方|韩服_Y|11234|张三艾欧尼亚|韩服-Y|4344E0F31|10|清诗和远方天庭 26 1234|41234|李四|韩服_AZ|31234|李四艾欧尼亚|韩服-Z|13F1D4344|1|李四天庭
7.总结
在整个过程中有几个需要注意的点
- 只能存一个列
1 /** 2 * Saves the content of the [[DataFrame]] in a text file at the specified path. 3 * The DataFrame must have only one column that is of string type. 4 * Each row becomes a new line in the output file. For example: 5 * {{{ 6 * // Scala: 7 * df.write.text("/path/to/output") 8 * 9 * // Java: 10 * df.write().text("/path/to/output") 11 * }}} 12 * 13 * @since 1.6.0 14 */ 15 def text(path: String): Unit = format("text").save(path)
这段代码已经说明了一切，是的，只能保存只有一列的DataFrame.
但是比起RDD，DataFrame能够比较轻易的处理这种情况
1 def saveAsFileAbsPath(dataFrame: DataFrame, absSaveDir: String, splitRex: String, saveMode: SaveMode): Unit = { 2 dataFrame.sqlContext.sparkContext.hadoopConfiguration.set("mapred.output.compress", "false") 3 //为了方便观看结果去掉压缩格式 4 val allClumnName: String = dataFrame.columns.mkString(",") 5 val result: DataFrame = dataFrame.selectExpr(s"concat_ws('$splitRex',$allClumnName) as allclumn") 6 result.write.mode(saveMode).text(absSaveDir) 7 }
上述代码中 我们通过columns.mkString(",")获取 dataFrame 的所有列名并用","分隔，然后通过selectExpr(s"concat_ws('$splitRex',$allClumnName) as allclumn")将所有数据拼接当成一列，完美解决只能保存一列的问题
- DataFrame 某个字段为空
如果 DataFrame 中某个字段为null,那么在你最中生成的文件中不会有该字段，所以，如果对结果字段的个数有要求的，最好在数据处理的时候将有可能为null的数据赋值空串"",特别是还有将数据load进Hive需求的，否则数据会出现错位
至此DataFrame 写文件功能实现
此文为本人工作总结，转载请标明出处！！！！！！！
