0
点赞
收藏
分享

微信扫一扫

Spark SQL 快速入门系列(7) | SparkSQL如何实现与多数据源交互

小沙坨 2022-02-15 阅读 90



  大家好,我是不温卜火,是一名计算机学院大数据专业大二的学生,昵称来源于成语—​​不温不火​​​,本意是​​希望自己性情温和​​​。作为一名互联网行业的小白,博主写博客一方面是为了记录自己的学习过程,另一方面是总结自己所犯的错误希望能够帮助到很多和自己一样处于起步阶段的萌新。但由于水平有限,博客中难免会有一些错误出现,有纰漏之处恳请各位大佬不吝赐教!暂时只有这一个平台​


  本片博文为大家带来的是SparkSQL如何实现与多数据源交互。

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_json


目录


  • ​​一. 通用加载和保存函数​​

  • ​​1.1 保存到HDFS上​​

  • ​​1.1.1 通用写法​​
  • ​​1.1.2 专用写法​​

  • ​​1.2 保存到本地​​

  • ​​二. API读取数据​​

  • ​​2.1 加载JSON 文件​​
  • ​​2.2 读取Parquet 文件​​

  • ​​三. JDBC​​

  • ​​3.1 从 jdbc 读数据​​

  • ​​3.1.1 使用通用的load方法加载​​
  • ​​3.1.2 使用 jdbc方法加载​​

  • ​​3.2 从 jdbc 读数据​​

  • ​​3.2.1 write.save​​
  • ​​3.2.1 write.jdbc​​



  Spark SQL 的DataFrame接口支持操作多种数据源. 一个 DataFrame类型的对象可以像 RDD 那样操作(比如各种转换), 也可以用来创建临时表.

  把DataFrame注册为一个临时表之后, 就可以在它的数据上面执行 SQL 查询.

一. 通用加载和保存函数

1.1 保存到HDFS上

1.1.1 通用写法

  ​​df.write.format("json").save("路径")​

  • 1.定义一个DF
// 把scala集合转换成DF,隐式转换不需要自己导
val df = (1 to 10).toDF("num")
  • 2. write
df.write
  • 3. 保存想要保存的文件到指定位置
df.write.format("json").save("./0804json")

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_json_03

  • 4. 查看存放位置(确定是否成功)

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_json_04

  保存操作可以使用 SaveMode, 用来指明如何处理数据. 使用mode()方法来设置.

  有一点很重要: 这些 SaveMode 都是没有加锁的, 也不是原子操作. 还有, 如果你执行的是 Overwrite 操作, 在写入新的数据之前会先删除旧的数据.

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_sql_05

  下列为此图实例

  • 5. 如果已经保存过,再次保存相同的文件会出现报错【erroe(模式)】

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_大数据_06

  • 6. 如果不想出现错误,可以使用overwrite(覆盖)
scala> df.write.format("json").mode("overwrite").save("./0804json")
  • 7. append(追加)
scala> df.write.format("json").mode("overwrite").save("./0804json")

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_大数据_07

  • 8. ignore(忽略,即没有任何变化)
scala> df.write.format("json").mode("ignore").save("./0804json")

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_大数据_07

1.1.2 专用写法

scala> df.write.format("json").mode("append").save("./0804json")

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_大数据_09

1.2 保存到本地

  默认数据源是parquet, 我们也可以通过使用:spark.sql.sources.default这个属性来设置默认的数据源.

val usersDF = spark.read.load("file:///opt/module/spark/ examples/src/main/resources/users.parquet")

usersDF.select("name", "favorite_color").write.save("namesAndFavColors.parquet")

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_json_10

说明:


  1. ​spark.read.load​​ 是加载数据的通用方法.
  2. ​df.write.save​​ 是保存数据的通用方法.

  • 1. 手动指定选项

  也可以手动给数据源指定一些额外的选项. 数据源应该用全名称来指定, 但是对一些内置的数据源也可以使用短名称:​​json​​​, ​​parquet​​​, ​​jdbc​​​, ​​orc​​​, ​​libsvm​​​, ​​csv​​​, ​​text​

val peopleDF = spark.read.format("json").load("file:///opt/module/spark/examples/src/main/resources/people.json")

peopleDF.select("name", "age").write.format("parquet").save("namesAndAges.parquet")

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_json_11

  • 2.在文件上直接运行 SQL

  我们前面都是使用read API 先把文件加载到 DataFrame, 然后再查询. 其实, 我们也可以直接在文件上进行查询

scala> spark.sql("select * from json. `file:///opt/module/spark/examples/src/main/resources/people.json`")

说明:

json表示文件的格式. 后面的文件具体路径需要用反引号括起来.

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_大数据_12

二. API读取数据

2.1 加载JSON 文件

  Spark SQL 能够自动推测 JSON数据集的结构,并将它加载为一个Dataset[Row].

  可以通过SparkSession.read.json()去加载一个JSON 文件。 也可以通过SparkSession.read.format(“json”).load()来加载.

  • 1. 源码
package com.buwenbuhuo.spark.sql.day02

import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}

/**
**
*
* @author 不温卜火
* *
* @create 2020-08-04 14:23
**
* MyCSDN : https://buwenbuhuo.blog.csdn.net/
*
*/
object DataSourceDemo {
def main(args: Array[String]): Unit = {
val spark: SparkSession = SparkSession
.builder()
.master("local[*]")
.appName("DataSourceDemo")
.getOrCreate()
import spark.implicits._

val df: DataFrame = spark.read.json("d:/user.json")
val ds: Dataset[User] = df.as[User]
ds.foreach(user => println(user.friends(0)))

}
}
case class User(name:String, age: Long, friends: Array[String])
  • 2. 运行结果

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_大数据_13

2.2 读取Parquet 文件

  Parquet 是一种流行的列式存储格式,可以高效地存储具有嵌套字段的记录。Parquet 格式经常在 Hadoop 生态圈中被使用,它也支持 Spark SQL 的全部数据类型。Spark SQL 提供了直接读取和存储 Parquet 格式文件的方法

  • 1. 源码
package com.buwenbuhuo.spark.sql.day02
import org.apache.spark.sql.{DataFrame, Dataset, SaveMode, SparkSession}
/**
**
@author 不温卜火
**
* @create 2020-08-04 14:28
**
* MyCSDN : https://buwenbuhuo.blog.csdn.net/
*
*/
object DataSourceDemo1 {
def main(args: Array[String]): Unit = {
val spark: SparkSession = SparkSession
.builder()
.master("local[*]")
.appName("DataSourceDemo1 ")
.getOrCreate()
import spark.implicits._

val jsonDF: DataFrame = spark.read.json("d:/user/user.json")
jsonDF.write.mode(SaveMode.Overwrite).parquet("d:/user/user.parquet")

val parDF: DataFrame = spark.read.parquet("d:/user/user.parquet")
val userDS: Dataset[User] = parDF.as[User]
userDS.map(user => {user.name="bwbh"; user.friends(0)="不温卜火";user}).show()
}
}
case class User(var name:String, age: Long, friends: Array[String])
  • 2. 运行结果

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_spark_14

注意:

  Parquet格式的文件是 Spark 默认格式的数据源.所以, 当使用通用的方式时可以直接保存和读取.而不需要使用format

  spark.sql.sources.default 这个配置可以修改默认数据源

三. JDBC

3.1 从 jdbc 读数据

  可以使用通用的load方法, 也可以使用jdbc方法

3.1.1 使用通用的load方法加载

  • 1. 源码
package com.buwenbuhuo.spark.sql.day02.jdbc

import org.apache.spark.sql.SparkSession

/**
**
*
* @author 不温卜火
* *
* @create 2020-08-04 15:12
**
* MyCSDN : https://buwenbuhuo.blog.csdn.net/
*
*/
object JDBCRead {
def main(args: Array[String]): Unit = {
val spark: SparkSession = SparkSession
.builder()
.master("local[*]")
.appName("JDBCRead")
.getOrCreate()
import spark.implicits._

val jdbcDF = spark.read
.format("jdbc")
.option("url", "jdbc:mysql://hadoop002:3306/rdd")
.option("user", "root")
.option("password", "199712")
.option("dbtable", "user")
.load()
jdbcDF.show
}

}
  • 2. 运行结果

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_大数据_15

3.1.2 使用 jdbc方法加载

  • 1. 源码
package com.buwenbuhuo.spark.sql.day02.jdbc
import java.util.Properties

import org.apache.spark.sql.{DataFrame, SparkSession}

/**
**
*
* @author 不温卜火
* *
* @create 2020-08-04 15:12
**
* MyCSDN : https://buwenbuhuo.blog.csdn.net/
*
*/
object JDBCRead1 {
def main(args: Array[String]): Unit = {
val spark: SparkSession = SparkSession
.builder()
.master("local[*]")
.appName("JDBCRead1")
.getOrCreate()

val props: Properties = new Properties()
props.setProperty("user", "root")
props.setProperty("password", "199712")
val df: DataFrame = spark.read.jdbc("jdbc:mysql://hadoop002:3306/rdd", "user", props)
df.show
}


}
  • 2. 运行结果

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_spark_16

3.2 从 jdbc 读数据

  也分两种方法: 通用write.save和write.jdbc

3.2.1 write.save

  • 1. 源码
package com.buwenbuhuo.spark.sql.day02.jdbc
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{ Dataset, SaveMode, SparkSession}


/**
**
* @author 不温卜火
* @create 2020-08-04 15:12
* MyCSDN : https://buwenbuhuo.blog.csdn.net/
*
*/
object JDBCWrite {
def main(args: Array[String]): Unit = {
val spark: SparkSession = SparkSession
.builder()
.master("local[*]")
.appName("JDBCWrite")
.getOrCreate()
import spark.implicits._
val rdd: RDD[User1] = spark.sparkContext.parallelize(Array(User1(7,"瞎子",20), User1(8,"zs", 30)))
val ds: Dataset[User1] = rdd.toDS
ds.write
.format("jdbc")
.option("url", "jdbc:mysql://hadoop002:3306/rdd")
.option("user", "root")
.option("password", "199712")
.option("dbtable", "user")
.mode(SaveMode.Append)
.save()

}
}


case class User1(id: Long,name: String, age: Long)
  • 2. 运行结果

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_sql_17

3.2.1 write.jdbc

  • 1. 源码
package com.buwenbuhuo.spark.sql.day02.jdbc
import java.util.Properties

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{Dataset, SaveMode, SparkSession}

/**
**
* @author 不温卜火
* @create 2020-08-04 15:12
* MyCSDN : https://buwenbuhuo.blog.csdn.net/
*
*/
object JDBCWrite1 {
def main(args: Array[String]): Unit = {
val spark: SparkSession = SparkSession
.builder()
.master("local[*]")
.appName("JDBCWrite1")
.getOrCreate()
import spark.implicits._
val rdd: RDD[User2] = spark.sparkContext.parallelize(Array(User2(9,"wuwuw",20)))
val ds: Dataset[User2] = rdd.toDS
val props: Properties = new Properties()
props.setProperty("user", "root")
props.setProperty("password", "199712")
ds.write.mode(SaveMode.Append).jdbc("jdbc:mysql://hadoop002:3306/rdd", "user", props)
}

}


case class User2(id:Long,name: String, age: Long)
  • 2. 运行结果

Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_json_18

  本次的分享就到这里了,


  好书不厌读百回,熟读课思子自知。而我想要成为全场最靓的仔,就必须坚持通过学习来获取更多知识,用知识改变命运,用博客见证成长,用行动证明我在努力。
  如果我的博客对你有帮助、如果你喜欢我的博客内容,请​​“点赞” “评论”“收藏”​​一键三连哦!听说点赞的人运气不会太差,每一天都会元气满满呦!如果实在要白嫖的话,那祝你开心每一天,欢迎常来我博客看看。
  码字不易,大家的支持就是我坚持下去的动力。点赞后不要忘了​​关注​​我哦!


Spark SQL 快速入门系列(7) |  SparkSQL如何实现与多数据源交互_大数据_20



举报

相关推荐

0 条评论