文章目录

零、本讲学习目标
一、基本操作
二、默认数据源
- （一）默认数据源Parquet
- （二）案例演示读取Parquet文件
- - 1、在Spark Shell中演示
  - 2、通过Scala程序演示
三、手动指定数据源
- （一）format()与option()方法概述
- （二）案例演示读取不同数据源
- - 1、读取房源csv文件
  - 2、读取json，保存为parquet
  - 3、读取jdbc数据源，保存为json文件
四、数据写入模式
- （一）mode()方法
- （二）枚举类SaveMode
- （三）案例演示不同写入模式
五、分区自动推断
- （一）分区自动推断概述
- （二）分区自动推断演示
- - 1、建四个文件
  - 2、读取表数据
  - 3、输出Schema信息
  - 4、显示数据帧内容
- （三）分区自动推断注意事项

零、本讲学习目标

学会使用默认数据源
学会手动指定数据源
理解数据写入模式
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/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/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/result")，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

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

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
         http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>net.hw.sparksql</groupId>
    <artifactId>SparkSQLDemo</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.11.8</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.11</artifactId>
            <version>2.1.1</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>2.1.1</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-assembly-plugin</artifactId>
                <version>3.3.0</version>
                <configuration>
                    <descriptorRefs>
                        <descriptorRef>jar-with-dependencies</descriptorRef>
                    </descriptorRefs>
                </configuration>
                <executions>
                    <execution>
                        <id>make-assembly</id>
                        <phase>package</phase>
                        <goals>
                            <goal>single</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.3.2</version>
                <executions>
                    <execution>
                        <id>scala-compile-first</id>
                        <phase>process-resources</phase>
                        <goals>
                            <goal>add-source</goal>
                            <goal>compile</goal>
                        </goals>
                    </execution>
                    <execution>
                        <id>scala-test-compile</id>
                        <phase>process-test-resources</phase>
                        <goals>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>
</project>

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()

在这里插入图片描述

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。