Spark SQL數據源

目錄

• 背景
• 數據源
  • SparkSession
  • parquet
  • csv
  • json
  • jdbc
  • table
    • 准備table
    • 讀取
    • 寫入
    • 連接一個已存在的Hive
  • text
    • 格式提前確定
    • 格式在運行時確定
• 總結

背景

Spark SQL是Spark的一個模塊，用於結構化數據的處理。

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

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

使用Spark SQL的方式有2種，可以通過SQL或者Dataset API，這兩種使用方式在本文都會涉及。

其中，通過SQL接口使用的方法具體又可分為3種：

• 在程序中執行
• 使用命令行
• Jdbc/ODBC

這里只會介紹第一種方式。

Spark關於分布式數據集的抽象原本是RDD，Dataset是其升級版本。DataFrame是特殊的Dataset，它限定元素是按照命名的列來組織的，從這一點看相當於關系型數據庫中的表。DataFrame等價於Dataset[Row]，而且DataFrame是本文內容的核心。

DataFrame支持豐富的數據源：

+++++++++++++++++++
| 結構數據文件     |
|                 |
|  +++++++++++++  |   ++++++++++++++++
|  |  parquet  |  |   |  Hive table  |
|  +++++++++++++  |   ++++++++++++++++
|                 |
|  +++++++++++++  |   ++++++++++++++++
|  |    csv    |  |   |  關系數據庫   |
|  +++++++++++++  |   ++++++++++++++++
|                 |
|  +++++++++++++  |   ++++++++++++++++
|  |   json    |  |   |     RDD      |
|  +++++++++++++  |   ++++++++++++++++
|                 |
+++++++++++++++++++

這里的每一種數據源我們都會進行介紹。

本文主要介紹DataFrame和各數據源的IO操作，后面再寫一篇文章介紹基於DataFrame的使用操作。即：本文關注如何得到一個DataFrame，如何將一個DataFrame進行持久化；后面要寫的文章則關注如何使用DataFrame。

相關的開源項目demo-spark在github上。

數據源

這個圖概述了本文介紹的主要內容，它也可以作為后續的備忘和參考。

這個圖中包含兩種箭頭，寬箭頭表示數據的流向，細箭頭表示提供構造實例的方法。

比如DataFrame - DataFrameWriter - 存儲的粗箭頭，表示數據從內存通過DataFrameWriter流向存儲；SparkSession - DataFrameReader的細箭頭，表示可以從SparkSession對象創建DataFrameReader對象。

SparkSession

使用Spark SQL必須先構造SparkSession實例，時候之后需要調用其stop方法釋放資源。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()

下文中出現的所有的spark，如無特殊說明，都是指按照上述代碼創建的SparkSession對象。

parquet

parquet文件是怎么樣的？

PAR1 "&,   @   Alyssa   Ben ,   
0      red 88,
      @   	         \Hexample.avro.User % name%  %favorite_color%  5 favorite_numbers %array <&% nameDH&  &P5 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

它不是一個單純的文本文件，包含了一些無法渲染的特殊字符。

parquet是默認的格式。從一個parquet文件讀取數據的代碼如下：

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

spark.read返回DataFrameReader對象，其load方法加載文件中的數據並返回DataFrame對象。這個可以參照上文的閉環圖理解。

我們可以調用Dataset#show()方法查看其內容：

usersDF.show()

輸出結果：

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

將一個DataFrame寫到parquet文件的代碼如下：

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

DataFrame#write()方法返回DataFrameWriter對象實例，save方法將數據持久化為parquet格式的文件。save的參數是一個目錄，而且要求最底層的目錄是不存在的，下文類同。

另外一種寫的方式是：

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

這兩種方式的本質相同。

csv

csv是什么樣的？

csv又稱為逗號分隔符，即：使用逗號分隔一條數據中各字段的值。csv文件可以被excel解析，但是其本質只是一個文本文件。比如下面是一份csv文件的內容：

age,name
,Michael
30,Andy
19,Justin

第一行是表頭，但是它和下面的數據並沒有什么區別。所以在讀取的時候，必須告訴讀入器這個文件是有表頭的，它（第一行）才會被解析成表頭，否則就會被當成數據。

比如，解析表頭的讀：

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

其中的option("header", true)就是告訴讀入器這個文件是有表頭的。

輸出為：

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

不解析表頭的讀：

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

輸出為：

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

spark自動構建了兩個字段：_c0和_c1，而把age和name當成了一行數據。

另外一種簡化的讀法：

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

其原理和上文中介紹的其他格式的文件相同。

將DataFrame寫入到csv文件時也需要注意表頭，將表頭也寫入文件的方式：

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

不寫表頭，只寫數據的方式：

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

另外一種簡化的寫法是：

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

json

json文件是怎么樣的？

上文中說過，DataFrame相當於關系數據庫中的表，那么每一條數據相當於一行記錄。關系數據庫表又可以相當於一個類，每一行數據相當於具體的對象，所以DataFrame的每一條數據相當於一個對象。

DataFrame對要讀取的json有特殊的要求：即每一條數據作為一行，整體不能包裝成數組。比如：

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

而一個標准的json應該是下面這樣：

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

使用下面的方式讀取json文件內容：

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

這種讀取的方式和上文parquet的讀取方式一致，最終都是調用load方法。只是多了一段format("json")，這是因為parquet是默認的格式，而json不是，所以必須明確聲明。

還有一種簡化的方式，其本質還是上述的代碼：

val peopleDF = spark.read.json(path)

將一個DataFrame寫到json文件的方式：

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

同樣的道理，和保存為parquet格式文件相比，這里多了一段format("json")代碼。

另外一種簡略的寫法：

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

兩者的本質是相同的。

jdbc

spark可以直接通過jdbc讀取關系型數據庫中指定的表。有兩種讀取的方式，一種是將所有的參數都作為option一條條設置：

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()

另一種是預先將參數封裝到Properties對象里：

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還可以通過jdbc將DataFrame寫入到一張新表（表必須不存在），寫入的方式同樣分為兩種：

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)") // 沒有指定的字段使用默認的類型
  .save()

和

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

其中，url和connectionProperties的內容同上文讀取時的設置。

寫入時可以通過createTableColumnTypes設置指定多個字段的類型，其他沒有指定的字段會使用默認的類型。

table

准備table

Spark SQL不需要依賴於一個已經存在的Hive，可以通過下面的代碼生成本地的倉庫：

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...用來創建表，LOAD DATA用來將數據加載到表中。kv1.txt的文件內容如下：

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

讀取

使用下面的代碼讀取指定表，並打印前5條數據：

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

輸出：

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

寫入

使用下面的代碼，將DataFrame的數據寫入到一張新表：

tableDF.write.saveAsTable("src_bak")

如果要寫入一張已經存在的表，需要按照下面的方式：

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

連接一個已存在的Hive

將hive-site.xml放到項目的src/main/resources目錄下，spark會自動識別該配置文件，之后所有針對Hive table的讀寫都是根據配置作用於一個已存在的Hive的。

text

text文件是不包含格式信息的，將text讀取為DataFrame需要額外補充格式信息，具體又細分為兩種情況：一種是格式是提前約定好的，另一種是在運行時才能確定格式。

下面針對這兩種不同的情況分別介紹如何讀寫text的文件，text文件的內容如下：

Michael, 29
Andy, 30
Justin, 19

格式提前確定

讀入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就是提前約定的text文件的格式，spark.read.textFile返回的是Dataset[String]類型，text的每一行作為一條數據。

import spark.implicits._是必要的，否則會報異常（我還沒有對這塊進行研究，無法給出詳細的解釋）。

寫DataFrame到text文件，必須先把DataFrame轉換成只有一列的數據集。比如對於上面的peopleDF，它的元素類型是Person，含有name和age兩列，直接寫就會拋出下面的異常：

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

寫的方式如下：

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

格式在運行時確定

格式在運行時確定，是說我們不是在編碼階段預知數據的格式，所以無法預先定義好對應的case class。可能是因為我們需要解析很多的數據格式，每一種格式都定義case class不合適；可能是因為我們需要支持格式的動態擴展，能支持新的格式；可能是因為我們要處理的格式不穩定，可能發生變化...不管什么原因，其結果一致：我們只能通過更加動態的方式來解析數據的格式。

在這種情況下，我們依然需要獲取數據的格式。初步獲取的結果可能是常見的形式，比如字符串，然后解析並構造特定的類型StructType來表示數據的格式。

然后我們讀取text文件，將內容轉換為RDD[Row]類型，其中每一個元素的屬性和StructType類型中聲明的field是一一對應的。

准備好了代表schema的StructType和代表數據的RDD[Row]，我們就可以創建DataFrame對象了：

    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)

寫的方式同上，不再贅述。

總結

1. 最核心的思想都在上面的那張閉環圖上。
2. 大部分數據源都有兩種讀寫的方式：一種是指定format，一種是直接以格式名作為方法名。