Spark大数据处理讲课笔记4.2 Spark SQL数据源 - 基本操作

零、本讲学习目标

1. 学会使用默认数据源
2. 学会手动指定数据源
3. 理解数据写入模式
4. 掌握分区自动推断

Spark SQL支持通过DataFrame接口对各种数据源进行操作。DataFrame可以使用相关转换算子进行操作，也可以用于创建临时视图。将DataFrame注册为临时视图可以对其中的数据使用SQL查询。

一、基本操作

• Spark SQL提供了两个常用的加载数据和写入数据的方法：load()方法和save()方法。load()方法可以加载外部数据源为一个DataFrame，save()方法可以将一个DataFrame写入指定的数据源。

二、默认数据源

（一）默认数据源Parquet

• 默认情况下，load()方法和save()方法只支持Parquet格式的文件，Parquet文件是以二进制方式存储数据的，因此不可以直接读取，文件中包括该文件的实际数据和Schema信息，也可以在配置文件中通过参数spark.sql.sources.default对默认文件格式进行更改。Spark SQL可以很容易地读取Parquet文件并将其数据转为DataFrame数据集。

（二）案例演示读取Parquet文件

• 将数据文件users.parquet上传到master虚拟机/home
• 将数据文件users.parquet上传到HDFS的 /datasource/input目录

1、在Spark Shell中演示

• 启动Spark Shell，执行命令：spark-shell --master spark://master:7077
• 加载parquet文件，返回数据帧
• 执行命令：val userdf = spark.read.load("hdfs://master:9000/datasource/input/users.parquet")
• 执行命令：userdf.show()，查看数据帧内容
• 执行命令：userdf.select("name", "favorite_color").write.save("hdfs://master:9000/datasource/output")，对数据帧指定列进行查询，查询结果依然是数据帧，然后通过save()方法写入HDFS指定目录
• 查看HDFS上的输出结果
• 除了使用select()方法查询外，也可以使用SparkSession对象的sql()方法执行SQL语句进行查询，该方法的返回结果仍然是一个DataFrame。
• 基于数据帧创建临时视图，执行命令：userdf.createTempView("t_user")
• 执行SQL查询，将结果写入HDFS，执行命令：spark.sql("select name, favorite_color from t_user").write.save("hdfs://master:9000/result2")
• 查看HDFS上的输出结果

课堂练习1、将4.1节的student.txt文件转换成student.parquet，保存到HDFS的/datasource/input目录

• 解决思路：将student.txt转成studentdf，利用数据帧的save()方法保存到/datasource/output3目录，然后将文件更名复制到/datasource/input目录

• 得到学生数据帧

• 将学生数据帧保存为parquet文件

• 查看生成的parquet文件

• 复制parquet文件到/datasource/input目录

课堂练习2、读取student.parquet文件得到学生数据帧，并显示数据帧内容

• 执行命令：val studentDF = spark.read.load("hdfs://master:9000/datasource/input/student.parquet")
• 执行命令：studentDF.show
• 

2、通过Scala程序演示

• 创建Maven项目 - SparkSQLDemo
• 
• 在pom.xml文件里添加依赖与插件

    4.0.0

    net.huawei.sql
    SparkSQLDemo
    1.0-SNAPSHOT

    
        
            org.scala-lang
            scala-library
            2.12.15
        
        
            org.apache.spark
            spark-core_2.12
            3.1.3
        
        
            org.apache.spark
            spark-sql_2.12
            3.1.3
        
    
    
        src/main/scala
    

• 在resources目录里添加HFDS配置文件
• 

    
        only config in clients
        dfs.client.use.datanode.hostname
        true
    

• 在resources目录里添加日志属性文件
• 

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

• 创建net.hw.sparksql包，在包里创建ReadParquet对象
  

package net.hw.sparksql

import org.apache.spark.sql.SparkSession

/**
 * 功能：Parquet数据源
 * 作者：华卫
 * 日期：2022年05月01日
 */
object ReadParquet {
  def main(args: Array[String]): Unit = {
    // 本地调试必须设置，否则会报Permission Denied错误
    System.setProperty("HADOOP_USER_NAME", "root")
    // 创建或得到SparkSession
    val spark = SparkSession.builder()
      .appName("ReadParquet")
      .master("local[*]")
      .getOrCreate()
    // 加载parquet文件，返回数据帧
    val usersdf = spark.read.load("hdfs://master:9000/input/users.parquet")
    // 显示数据帧内容
    usersdf.show()
    // 查询DataFrame中指定列，结果写入HDFS
    usersdf.select("name","favorite_color")
      .write.save("hdfs://master:9000/result3")
  }
}

• 运行程序，查看控制台结果
• 在HDFS查看输出结果

三、手动指定数据源

（一）format()与option()方法概述

• 使用format()方法可以手动指定数据源。数据源需要使用完全限定名（例如org.apache.spark.sql.parquet），但对于Spark SQL的内置数据源，也可以使用它们的缩写名（JSON、Parquet、JDBC、ORC、Libsvm、CSV、Text）。
• 通过手动指定数据源，可以将DataFrame数据集保存为不同的文件格式或者在不同的文件格式之间转换。
• 在指定数据源的同时，可以使用option()方法向指定的数据源传递所需参数。例如，向JDBC数据源传递账号、密码等参数。

（二）案例演示读取不同数据源

1、读取房源csv文件

• 查看HDFS上/input目录里的house.csv文件
• 在spark shell里，执行命令：val house_csv_df = spark.read.format("csv").load("hdfs://master:9000/input/house.csv")，读取房源csv文件，得到房源数据帧
• 执行命令：house_csv_df.show()，查看房源数据帧内容
• 大家可以看到，house.csv文件第一行是字段名列表，但是转成数据帧之后，却成了第一条记录，这样显然是不合理的，怎么办呢？就需要用到option()方法来传递参数，告诉Spark第一行是表头header，而不是表记录。
• 执行命令：val house_csv_df = spark.read.format("csv").option("header", "true").load("hdfs://master:9000/input/house.csv")
• 执行命令：house_csv_df.show()，查看房源数据帧内容

 

2、读取json，保存为parquet

• 将people.json上传到HDFS的/input目录
• 执行命令：val peopledf = spark.read.format("json").load("hdfs://master:9000/input/people.json")
• 执行命令：peopledf.show()
• 执行命令：peopledf.select("name", "age").write.format("parquet").save("hdfs://master:9000/result4")
• 查看生成的parquet文件

 

 

 

 

3、读取jdbc数据源，保存为json文件

• 查看student数据库里的t_user表
• 执行命令

 

val userdf = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/student")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "t_user")  
  .option("user", "root")  
  .option("password", "903213")
  .load()

• 报错，找不到数据库驱动程序com.mysql.jdbc.Driver
• 解决问题，将数据库驱动程序拷贝到$SPARK_HOME/jars目录
• 将数据驱动程序分发到slave1和slave2虚拟机
• 执行命令

val userdf = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/student")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "t_user")  
  .option("user", "root")  
  .option("password", "903213")
  .load()

• 加载jdbc数据源成功，但是有个警告，需要通过设置useSSL=false来消除
• 执行命令

 

val userdf = spark.read.format("jdbc")
  .option("url", "jdbc:mysql://master:3306/student?useSSL=false")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("dbtable", "t_user")  
  .option("user", "root")  
  .option("password", "903213")
  .load()

 

• 执行命令：userdf.show()
• 执行命令：userdf.write.format("json").save("hdfs://master:9000/result5")
• 在虚拟机slave1查看生成的json文件，执行命令：hdfs dfs -cat /result5/*

 

 

 

四、数据写入模式

（一）mode()方法

• 在写入数据时，可以使用mode()方法指定如何处理已经存在的数据，该方法的参数是一个枚举类SaveMode。
• 使用SaveMode类，需要import org.apache.spark.sql.SaveMode;

（二）枚举类SaveMode

• SaveMode.ErrorIfExists：默认值。当向数据源写入一个DataFrame时，如果数据已经存在，就会抛出异常。
• SaveMode.Append：当向数据源写入一个DataFrame时，如果数据或表已经存在，会在原有的基础上进行追加。
• SaveMode.Overwrite：当向数据源写入一个DataFrame时，如果数据或表已经存在，就会将其覆盖（包括数据或表的Schema）。
• SaveMode.Ignore：当向数据源写入一个DataFrame时，如果数据或表已经存在，就不会写入内容，类似SQL中的CREATE TABLE IF NOT EXISTS。

（三）案例演示不同写入模式

• 查看数据源：people.json
• 查询该文件name里，采用覆盖模式写入/result，/result目录里本来有东西的
• 执行命令：val peopledf = spark.read.format("json").load("hdfs://master:9000/input/people.json")
• 导入SaveMode类，执行命令：peopledf.select("name").write.mode(SaveMode.Overwrite).format("json").save("hdfs://master:9000/result")
• 在slave1虚拟机上查看生成的json文件
• 查询age列，以追加模式写入HDFS的/result目录，执行命令：peopledf.select("age").write.mode(SaveMode.Append).format("json").save("hdfs://master:9000/result")
• 在slave1虚拟机上查看追加生成的json文件

 

五、分区自动推断

（一）分区自动推断概述

• 表分区是Hive等系统中常用的优化查询效率的方法（Spark SQL的表分区与Hive的表分区类似）。在分区表中，数据通常存储在不同的分区目录中，分区目录通常以“分区列名=值”的格式进行命名。
• 以people作为表名，gender和country作为分区列，给出存储数据的目录结构

 

（二）分区自动推断演示

1、建四个文件

• 在master虚拟机上/home里创建如下目录及文件，其中目录people代表表名，gender和country代表分区列，people.json存储实际人口数据

 

2、读取表数据

• 执行命令：spark-shell，启动Spark Shell
• 执行命令：val peopledf = spark.read.format("json").load("file:///home/people")

 

 

3、输出Schema信息

• 执行命令：peopledf.printSchema()

 

4、显示数据帧内容

• 执行命令：peopledf.show()
• 从输出的Schema信息和表数据可以看出，Spark SQL在读取数据时，自动推断出了两个分区列gender和country，并将这两列的值添加到了数据帧peopledf中。

 

（三）分区自动推断注意事项

• 分区列的数据类型是自动推断的，目前支持数字、日期、时间戳、字符串数据类型。若不希望自动推断分区列的数据类型，则可以在配置文件中将spark.sql.sources.partitionColumnTypeInference.enabled的值设置为false（默认为true，表示启用）。当禁用自动推断时，分区列将使用字符串数据类型。