Spark SQL数据源

目录

• 背景
• 数据源
  • SparkSession
  • parquet
  • csv
  • json
  • jdbc
  • table
    • 准备table
    • 读取
    • 写入
    • 连接一个已存在的Hive
  • text
    • 格式提前确定
    • 格式在运行时确定
• 总结

背景

Spark SQL是Spark的一个模块，用于结构化数据的处理。

++++++++++++++  +++++++++++++++++++++
|     SQL    |  |    Dataset API    |
++++++++++++++  +++++++++++++++++++++

+++++++++++++++++++++++++++++++++++++
|              Spark SQL            |
+++++++++++++++++++++++++++++++++++++

使用Spark SQL的方式有2种，可以通过SQL或者Dataset API，这两种使用方式在本文都会涉及。

其中，通过SQL接口使用的方法具体又可分为3种：

• 在程序中执行
• 使用命令行
• Jdbc/ODBC

这里只会介绍第一种方式。

Spark关于分布式数据集的抽象原本是RDD，Dataset是其升级版本。DataFrame是特殊的Dataset，它限定元素是按照命名的列来组织的，从这一点看相当于关系型数据库中的表。DataFrame等价于Dataset[Row]，而且DataFrame是本文内容的核心。

DataFrame支持丰富的数据源：

+++++++++++++++++++
| 结构数据文件     |
|                 |
|  +++++++++++++  |   ++++++++++++++++
|  |  parquet  |  |   |  Hive table  |
|  +++++++++++++  |   ++++++++++++++++
|                 |
|  +++++++++++++  |   ++++++++++++++++
|  |    csv    |  |   |  关系数据库   |
|  +++++++++++++  |   ++++++++++++++++
|                 |
|  +++++++++++++  |   ++++++++++++++++
|  |   json    |  |   |     RDD      |
|  +++++++++++++  |   ++++++++++++++++
|                 |
+++++++++++++++++++

这里的每一种数据源我们都会进行介绍。

本文主要介绍DataFrame和各数据源的IO操作，后面再写一篇文章介绍基于DataFrame的使用操作。即：本文关注如何得到一个DataFrame，如何将一个DataFrame进行持久化；后面要写的文章则关注如何使用DataFrame。

相关的开源项目demo-spark在github上。

数据源

这个图概述了本文介绍的主要内容，它也可以作为后续的备忘和参考。

这个图中包含两种箭头，宽箭头表示数据的流向，细箭头表示提供构造实例的方法。

比如DataFrame - DataFrameWriter - 存储的粗箭头，表示数据从内存通过DataFrameWriter流向存储；SparkSession - DataFrameReader的细箭头，表示可以从SparkSession对象创建DataFrameReader对象。

SparkSession

使用Spark SQL必须先构造SparkSession实例，时候之后需要调用其stop方法释放资源。模板如下：

val spark = org.apache.spark.sql.SparkSession
  .builder()
  .appName("Spark SQL basic demo")
  .master("local")
  .getOrCreate()

// work with spark

spark.stop()

下文中出现的所有的spark，如无特殊说明，都是指按照上述代码创建的SparkSession对象。

parquet

parquet文件是怎么样的？

PAR1 "&,   @   Alyssa   Ben ,
0      red 88,
      @   	         \Hexample.avro.User % name%  %favorite_color%  5 favorite_numbers %array <&% nameDH&  &P5 favorite_color<@&P  &?% (favorite_numbersarray
ZZ&?  ? avro.schema?{"type":"record","name":"User","namespace":"example.avro","fields":[{"name":"name","type":"string"},{"name":"favorite_color","type":["string","null"]},{"name":"favorite_numbers","type":{"type":"array","items":"int"}}]} parquet-mr version 1.4.3 ?  PAR1

它不是一个单纯的文本文件，包含了一些无法渲染的特殊字符。

parquet是默认的格式。从一个parquet文件读取数据的代码如下：

val usersDF = spark.read.load("src/main/resources/users.parquet")

spark.read返回DataFrameReader对象，其load方法加载文件中的数据并返回DataFrame对象。这个可以参照上文的闭环图理解。

我们可以调用Dataset#show()方法查看其内容：

usersDF.show()

输出结果：

+------+--------------+----------------+
|  name|favorite_color|favorite_numbers|
+------+--------------+----------------+
|Alyssa|          null|  [3, 9, 15, 20]|
|   Ben|           red|              []|
+------+--------------+----------------+

将一个DataFrame写到parquet文件的代码如下：

usersDF.write.save("output/parquet/")

DataFrame#write()方法返回DataFrameWriter对象实例，save方法将数据持久化为parquet格式的文件。save的参数是一个目录，而且要求最底层的目录是不存在的，下文类同。

另外一种写的方式是：

peopleDF.write.parquet("output/parquet/")

这两种方式的本质相同。

csv

csv是什么样的？

csv又称为逗号分隔符，即：使用逗号分隔一条数据中各字段的值。csv文件可以被excel解析，但是其本质只是一个文本文件。比如下面是一份csv文件的内容：

age,name
,Michael
30,Andy
19,Justin

第一行是表头，但是它和下面的数据并没有什么区别。所以在读取的时候，必须告诉读入器这个文件是有表头的，它（第一行）才会被解析成表头，否则就会被当成数据。

比如，解析表头的读：

spark.read.option("header", true).format("csv").load("output/csv/").show()

其中的option("header", true)就是告诉读入器这个文件是有表头的。

输出为：

+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+

不解析表头的读：

spark.read.format("csv").load("output/csv/").show()

输出为：

+----+-------+
| _c0|    _c1|
+----+-------+
| age|   name|
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+

spark自动构建了两个字段：_c0和_c1，而把age和name当成了一行数据。

另外一种简化的读法：

spark.read.option("header", true).csv("output/csv/")

其原理和上文中介绍的其他格式的文件相同。

将DataFrame写入到csv文件时也需要注意表头，将表头也写入文件的方式：

peopleDF.write.option("header", true).format("csv").save("output/csv/")

不写表头，只写数据的方式：

peopleDF.write.format("csv").save("output/csv/")

另外一种简化的写法是：

peopleDF.write.csv("output/csv/")

json

json文件是怎么样的？

上文中说过，DataFrame相当于关系数据库中的表，那么每一条数据相当于一行记录。关系数据库表又可以相当于一个类，每一行数据相当于具体的对象，所以DataFrame的每一条数据相当于一个对象。

DataFrame对要读取的json有特殊的要求：即每一条数据作为一行，整体不能包装成数组。比如：

{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}

而一个标准的json应该是下面这样：

[{
		"name": "Michael"
	}, {
		"name": "Andy",
		"age": 30
	}, {
		"name": "Justin",
		"age": 19
	}
]

使用下面的方式读取json文件内容：

val peopleDF = spark.read.format("json").load(path)

这种读取的方式和上文parquet的读取方式一致，最终都是调用load方法。只是多了一段format("json")，这是因为parquet是默认的格式，而json不是，所以必须明确声明。

还有一种简化的方式，其本质还是上述的代码：

val peopleDF = spark.read.json(path)

将一个DataFrame写到json文件的方式：

peopleDF.write.format("json").save("output/json/")

同样的道理，和保存为parquet格式文件相比，这里多了一段format("json")代码。

另外一种简略的写法：

peopleDF.write.json("output/json/")

两者的本质是相同的。

jdbc

spark可以直接通过jdbc读取关系型数据库中指定的表。有两种读取的方式，一种是将所有的参数都作为option一条条设置：

val url = "jdbc:mysql://localhost:3306/vulcanus_ljl?autoReconnect=true&createDatabaseIfNotExist=true&allowMultiQueries=true&zeroDateTimeBehavior=convertToNull&transformedBitIsBoolean=true"

val jdbcDF = spark.read
  .format("jdbc")
  .option("url", url)
  .option("dbtable", "vulcanus_ljl.data_dict")
  .option("user", "vulcanus_ljl")
  .option("password", "mypassword")
  .load()

另一种是预先将参数封装到Properties对象里：

val url = "jdbc:mysql://localhost:3306/vulcanus_ljl?autoReconnect=true&createDatabaseIfNotExist=true&allowMultiQueries=true&zeroDateTimeBehavior=convertToNull&transformedBitIsBoolean=true"

val connectionProperties = new Properties()
connectionProperties.put("user", "vulcanus_ljl")
connectionProperties.put("password", "mypassword")

val jdbcDF2 = spark.read
  .jdbc(url, "vulcanus_ljl.data_dict", connectionProperties)

spark还可以通过jdbc将DataFrame写入到一张新表（表必须不存在），写入的方式同样分为两种：

jdbcDF.write
  .format("jdbc")
  .option("url", url)
  .option("dbtable", "vulcanus_ljl.data_dict_temp1")
  .option("user", "vulcanus_ljl")
  .option("password", "mypassword")
  .option("createTableColumnTypes", "dict_name varchar(60), dict_type varchar(60)") // 没有指定的字段使用默认的类型
  .save()

和

jdbcDF2.write
  .jdbc(url, "vulcanus_ljl.data_dict_temp2", connectionProperties)

其中，url和connectionProperties的内容同上文读取时的设置。

写入时可以通过createTableColumnTypes设置指定多个字段的类型，其他没有指定的字段会使用默认的类型。

table

准备table

Spark SQL不需要依赖于一个已经存在的Hive，可以通过下面的代码生成本地的仓库：

import spark.sql

sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING)")
sql("LOAD DATA LOCAL INPATH 'src/main/resources/kv1.txt' INTO TABLE src")

CREATE TABLE...用来创建表，LOAD DATA用来将数据加载到表中。kv1.txt的文件内容如下：

238val_238
86val_86
311val_311
27val_27
165val_165
409val_409
255val_255
278val_278
98val_98
484val_484

读取

使用下面的代码读取指定表，并打印前5条数据：

spark.read.table("src").show(5)

输出：

+---+-------+
|key|  value|
+---+-------+
|238|val_238|
| 86| val_86|
|311|val_311|
| 27| val_27|
|165|val_165|
+---+-------+

写入

使用下面的代码，将DataFrame的数据写入到一张新表：

tableDF.write.saveAsTable("src_bak")

如果要写入一张已经存在的表，需要按照下面的方式：

tableDF.write.mode(SaveMode.Append).saveAsTable("src_bak")

连接一个已存在的Hive

将hive-site.xml放到项目的src/main/resources目录下，spark会自动识别该配置文件，之后所有针对Hive table的读写都是根据配置作用于一个已存在的Hive的。

text

text文件是不包含格式信息的，将text读取为DataFrame需要额外补充格式信息，具体又细分为两种情况：一种是格式是提前约定好的，另一种是在运行时才能确定格式。

下面针对这两种不同的情况分别介绍如何读写text的文件，text文件的内容如下：

Michael, 29
Andy, 30
Justin, 19

格式提前确定

读入text文件：

case class Person(name: String, age: Long)

private def runInferSchemaExample(spark: SparkSession): Unit = {
  // $example on:schema_inferring$
  // For implicit conversions from RDDs to DataFrames
  import spark.implicits._

  // Create an RDD of Person objects from a text file, convert it to a Dataframe
  val peopleDF = spark.read.textFile("src/main/resources/people.txt")
    .map(_.split(","))
    .map(attributes => Person(attributes(0), attributes(1).trim.toInt))
    .toDF()
  peopleDF.show()
}

case class Person就是提前约定的text文件的格式，spark.read.textFile返回的是Dataset[String]类型，text的每一行作为一条数据。

import spark.implicits._是必要的，否则会报异常（我还没有对这块进行研究，无法给出详细的解释）。

写DataFrame到text文件，必须先把DataFrame转换成只有一列的数据集。比如对于上面的peopleDF，它的元素类型是Person，含有name和age两列，直接写就会抛出下面的异常：

Exception in thread "main" org.apache.spark.sql.AnalysisException: path file:/E:/projects/shouzheng/demo-spark/output/text already exists.;

写的方式如下：

peopleDF.map(person => person.getAs[String]("name") + "," + person.getAs[String]("age")).write.text("output/text")

格式在运行时确定

格式在运行时确定，是说我们不是在编码阶段预知数据的格式，所以无法预先定义好对应的case class。可能是因为我们需要解析很多的数据格式，每一种格式都定义case class不合适；可能是因为我们需要支持格式的动态扩展，能支持新的格式；可能是因为我们要处理的格式不稳定，可能发生变化...不管什么原因，其结果一致：我们只能通过更加动态的方式来解析数据的格式。

在这种情况下，我们依然需要获取数据的格式。初步获取的结果可能是常见的形式，比如字符串，然后解析并构造特定的类型StructType来表示数据的格式。

然后我们读取text文件，将内容转换为RDD[Row]类型，其中每一个元素的属性和StructType类型中声明的field是一一对应的。

准备好了代表schema的StructType和代表数据的RDD[Row]，我们就可以创建DataFrame对象了：

    import spark.implicits._
    val peopleRDD = spark.sparkContext.textFile("src/main/resources/people.txt")

    // The schema is encoded in a string
    val schemaString = "name age"

    // Generate the schema based on the string of schema
    val fields = schemaString.split(" ")
      .map(fieldName => StructField(fieldName, StringType, nullable = true))
    val schema = StructType(fields)

    // Convert records of the RDD (people) to Rows
    val rowRDD = peopleRDD
      .map(_.split(","))
      .map(attributes => Row(attributes(0), attributes(1).trim))

    // Apply the schema to the RDD
    val peopleDF = spark.createDataFrame(rowRDD, schema)

写的方式同上，不再赘述。

总结

1. 最核心的思想都在上面的那张闭环图上。
2. 大部分数据源都有两种读写的方式：一种是指定format，一种是直接以格式名作为方法名。