SQL之外部數據源如何成為在企業開發中的一把利器？
一、簡介#
1.1 多數據源支持#
Spark 支持以下六個核心數據源，同時 Spark 社區還提供了多達上百種數據源的讀取方式，能夠滿足絕大部分使用場景。
CSV
JSON
Parquet
ORC
JDBC/ODBC connections
Plain-text files
注：以下所有測試文件均可從本倉庫的resources 目錄進行下載
1.2 讀數據格式#
所有讀取 API 遵循以下調用格式：
Copy
// 格式
DataFrameReader.format(...).option("key", "value").schema(...).load()
// 示例
spark.read.format("csv")
.option("mode", "FAILFAST") // 讀取模式
.option("inferSchema", "true") // 是否自動推斷 schema
.option("path", "path/to/file(s)") // 文件路徑
.schema(someSchema) // 使用預定義的 schema
.load()
讀取模式有以下三種可選項：
讀模式 描述
permissive 當遇到損壞的記錄時，將其所有字段設置為 null，并將所有損壞的記錄放在名為 _corruption t_record 的字符串列中
dropMalformed 刪除格式不正確的行
failFast 遇到格式不正確的數據時立即失敗
1.3 寫數據格式#
Copy
// 格式
DataFrameWriter.format(...).option(...).partitionBy(...).bucketBy(...).sortBy(...).save()
//示例
dataframe.write.format("csv")
.option("mode", "OVERWRITE") //寫模式
.option("dateFormat", "yyyy-MM-dd") //日期格式
.option("path", "path/to/file(s)")
.save(）
寫數據模式有以下四種可選項：
Scala/Java 描述
SaveMode.ErrorIfExists 如果給定的路徑已經存在文件，則拋出異常，這是寫數據默認的模式
SaveMode.Append 數據以追加的方式寫入
SaveMode.Overwrite 數據以覆蓋的方式寫入
SaveMode.Ignore 如果給定的路徑已經存在文件，則不做任何操作
二、CSV#
CSV 是一種常見的文本文件格式，其中每一行表示一條記錄，記錄中的每個字段用逗號分隔。
2.1 讀取CSV文件#
自動推斷類型讀取讀取示例：
Copy
spark.read.format("csv")
.option("header", "false") // 文件中的第一行是否為列的名稱
.option("mode", "FAILFAST") // 是否快速失敗
.option("inferSchema", "true") // 是否自動推斷 schema
.load("/usr/file/csv/dept.csv")
.show()
使用預定義類型：
Copy
import org.apache.spark.sql.types.{StructField, StructType, StringType,LongType}
//預定義數據格式
val myManualSchema = new StructType(Array(
StructField("deptno", LongType, nullable = false),
StructField("dname", StringType,nullable = true),
StructField("loc", StringType,nullable = true)
))
spark.read.format("csv")
.option("mode", "FAILFAST")
.schema(myManualSchema)
.load("/usr/file/csv/dept.csv")
.show()
2.2 寫入CSV文件#
Copy
df.write.format("csv").mode("overwrite").save("/tmp/csv/dept2")
也可以指定具體的分隔符：
Copy
df.write.format("csv").mode("overwrite").option("sep", "\t").save("/tmp/csv/dept2")
2.3 可選配置#
為節省主文篇幅，所有讀寫配置項見文末 9.1 小節。三、JSON#
3.1 讀取JSON文件#
Copy
spark.read.format("json").option("mode", "FAILFAST").load("/usr/file/json/dept.json").show(5)
需要注意的是：默認不支持一條數據記錄跨越多行 (如下)，可以通過配置 multiLine 為 true 來進行更改，其默認值為 false。
Copy
// 默認支持單行
{"DEPTNO": 10,"DNAME": "ACCOUNTING","LOC": "NEW YORK"}
//默認不支持多行
{
"DEPTNO": 10,
"DNAME": "ACCOUNTING",
"LOC": "NEW YORK"
}
3.2 寫入JSON文件#
Copy
df.write.format("json").mode("overwrite").save("/tmp/spark/json/dept")
3.3 可選配置#
為節省主文篇幅，所有讀寫配置項見文末 9.2 小節。
四、Parquet#
Parquet 是一個開源的面向列的數據存儲，它提供了多種存儲優化，允許讀取單獨的列非整個文件，這不僅節省了存儲空間而且提升了讀取效率，它是 Spark 是默認的文件格式。
4.1 讀取Parquet文件#
Copy
spark.read.format("parquet").load("/usr/file/parquet/dept.parquet").show(5)
2.2 寫入Parquet文件#
Copy
df.write.format("parquet").mode("overwrite").save("/tmp/spark/parquet/dept")
2.3 可選配置#
Parquet 文件有著自己的存儲規則，因此其可選配置項比較少，常用的有如下兩個：
讀寫操作 配置項 可選值 默認值 描述
Write compression or codec None,
uncompressed,
bzip2,
deflate, gzip,
lz4, or snappy None 壓縮文件格式
Read mergeSchema true, false 取決于配置項 spark.sql.parquet.mergeSchema
五、ORC#
ORC 是一種自描述的、類型感知的列文件格式，它針對大型數據的讀寫進行了優化，也是大數據中常用的文件格式。
5.1 讀取ORC文件#
Copy
spark.read.format("orc").load("/usr/file/orc/dept.orc").show(5)
4.2 寫入ORC文件#
Copy
csvFile.write.format("orc").mode("overwrite").save("/tmp/spark/orc/dept")
六、SQL Databases#
Spark 同樣支持與傳統的關系型數據庫進行數據讀寫。但是 Spark 程序默認是沒有提供數據庫驅動的，所以在使用前需要將對應的數據庫驅動上傳到安裝目錄下的 jars 目錄中。下面示例使用的是 Mysql 數據庫，使用前需要將對應的 mysql-connector-java-x.x.x.jar 上傳到 jars 目錄下。
6.1 讀取數據#
讀取全表數據示例如下，這里的 help_keyword 是 mysql 內置的字典表，只有 help_keyword_id 和 name 兩個字段。
Copy
spark.read
.format("jdbc")
.option("driver", "com.mysql.jdbc.Driver") //驅動
.option("url", "jdbc:mysql://127.0.0.1:3306/mysql") //數據庫地址
.option("dbtable", "help_keyword") //表名
.option("user", "root").option("password","root").load().show(10)
從查詢結果讀取數據：
val pushDownQuery = """(SELECT * FROM help_keyword WHERE help_keyword_id <20) AS help_keywords"""
spark.read.format("jdbc")
.option("url", "jdbc:mysql://127.0.0.1:3306/mysql")
.option("driver", "com.mysql.jdbc.Driver")
.option("user", "root").option("password", "root")
.option("dbtable", pushDownQuery)
.load().show()
//輸出
+---------------+-----------+
help_keyword_id| name
+---------------+-----------+
0| <>
1| ACTION
2| ADD
3|AES_DECRYPT
4|AES_ENCRYPT
5| AFTER
6| AGAINST
7| AGGREGATE
8| ALGORITHM
9| ALL
10| ALTER
11| ANALYSE
12| ANALYZE
13| AND
14| ARCHIVE
15| AREA
16| AS
17| ASBINARY
18| ASC
1
七、Text#
Text 文件在讀寫性能方面并沒有任何優勢，且不能表達明確的數據結構，所以其使用的比較少，讀寫操作如下：
7.1 讀取Text數據#
Copy
spark.read.textFile("/usr/file/txt/dept.txt").show()
7.2 寫入Text數據#
Copy
df.write.text("/tmp/spark/txt/dept")
八、數據讀寫高級特性#
8.1 并行讀#
多個 Executors 不能同時讀取同一個文件，但它們可以同時讀取不同的文件。這意味著當您從一個包含多個文件的文件夾中讀取數據時，這些文件中的每一個都將成為 DataFrame 中的一個分區，并由可用的 Executors 并行讀取。
8.2 并行寫#
寫入的文件或數據的數量取決于寫入數據時 DataFrame 擁有的分區數量。默認情況下，每個數據分區寫一個文件。
8.3 分區寫入#
分區和分桶這兩個概念和 Hive 中分區表和分桶表是一致的。都是將數據按照一定規則進行拆分存儲。需要注意的是 partitionBy 指定的分區和 RDD 中分區不是一個概念：這里的分區表現為輸出目錄的子目錄，數據分別存儲在對應的子目錄中。
Copy
val df = spark.read.format("json").load("/usr/file/json/emp.json")
df.write.mode("overwrite").partitionBy("deptno").save("/tmp/spark/partitions")
輸出結果如下：可以看到輸出被按照部門編號分為三個子目錄，子目錄中才是對應的輸出文件。
8.3 分桶寫入#
分桶寫入就是將數據按照指定的列和桶數進行散列，目前分桶寫入只支持保存為表，實際上這就是 Hive 的分桶表。
val numberBuckets = 10
val columnToBucketBy = "empno"
df.write.format("parquet").mode("overwrite")
.bucketBy(numberBuckets, columnToBucketBy).saveAsTable("bucketedFiles")
.......
具體介紹來源于https://www.cnblogs.com/heibaiying/p/11347390.html
