Spark SQL数据加载和保存的实例分析

58次阅读
没有评论

共计 9274 个字符,预计需要花费 24 分钟才能阅读完成。

今天就跟大家聊聊有关 Spark SQL 数据加载和保存的实例分析,可能很多人都不太了解,为了让大家更加了解,丸趣 TV 小编给大家总结了以下内容,希望大家根据这篇文章可以有所收获。

一、前置知识详解 Spark SQL 重要是操作 DataFrame,DataFrame 本身提供了 save 和 load 的操作,Load:可以创建 DataFrame,Save:把 DataFrame 中的数据保存到文件或者说与具体的格式来指明我们要读取的文件的类型以及与具体的格式来指出我们要输出的文件是什么类型。

二、Spark SQL 读写数据代码实战

import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.api.java.function.Function;import org.apache.spark.sql.*;import org.apache.spark.sql.types.DataTypes;import org.apache.spark.sql.types.StructField;import org.apache.spark.sql.types.StructType;import java.util.ArrayList;import java.util.List;public class SparkSQLLoadSaveOps { public static void main(String[] args) { SparkConf conf = new SparkConf().setMaster(local).setAppName(SparkSQLLoadSaveOps  JavaSparkContext sc = new JavaSparkContext(conf); SQLContext = new SQLContext(sc); /** * read() 是 DataFrameReader 类型,load 可以将数据读取出来  */ DataFrame peopleDF = sqlContext.read().format(json).load(E:\\Spark\\Sparkinstanll_package\\Big_Data_Software\\spark-1.6.0-bin-hadoop2.6\\examples\\src\\main\\resources\\people.json  /** *  直接对 DataFrame 进行操作  * Json:  是一种自解释的格式,读取 Json 的时候怎么判断其是什么格式? *  通过扫描整个 Json。扫描之后才会知道元数据  */ // 通过 mode 来指定输出文件的是 append。创建新文件来追加文件  peopleDF.select( name).write().mode(SaveMode.Append).save(E:\\personNames  }}

读取过程源码分析如下:1. read 方法返回 DataFrameReader,用于读取数据。

/** * :: Experimental :: * Returns a [[DataFrameReader]] that can be used to read data in as a [[DataFrame]]. * {{{ * sqlContext.read.parquet( /path/to/file.parquet) * sqlContext.read.schema(schema).json(/path/to/file.json) * }}} * * @group genericdata * @since 1.4.0 */@Experimental// 创建 DataFrameReader 实例,获得了 DataFrameReader 引用 def read: DataFrameReader = new DataFrameReader(this)

2. 然后再调用 DataFrameReader 类中的 format,指出读取文件的格式。

/** * Specifies the input data source format. * * @since 1.4.0 */def format(source: String): DataFrameReader = { this.source = source this}

3. 通过 DtaFrameReader 中 load 方法通过路径把传入过来的输入变成 DataFrame。

/** * Loads input in as a [[DataFrame]], for data sources that require a path (e.g. data backed by * a local or distributed file system). * * @since 1.4.0 */// TODO: Remove this one in Spark 2.0.def load(path: String): DataFrame = { option( path , path).load()}

至此,数据的读取工作就完成了,下面就对 DataFrame 进行操作。下面就是写操作!!!

1. 调用 DataFrame 中 select 函数进行对列筛选

/** * Selects a set of columns. This is a variant of `select` that can only select * existing columns using column names (i.e. cannot construct expressions). * * {{{ * // The following two are equivalent: * df.select( colA ,  colB) * df.select($ colA , $ colB) * }}} * @group dfops * @since 1.3.0 */@scala.annotation.varargsdef select(col: String, cols: String*): DataFrame = select((col +: cols).map(Column(_)) : _*)

2. 然后通过 write 将结果写入到外部存储系统中。

/** * :: Experimental :: * Interface for saving the content of the [[DataFrame]] out into external storage. * * @group output * @since 1.4.0 */@Experimentaldef write: DataFrameWriter = new DataFrameWriter(this)

3. 在保持文件的时候 mode 指定追加文件的方式

/** * Specifies the behavior when data or table already exists. Options include:// Overwrite 是覆盖  * - `SaveMode.Overwrite`: overwrite the existing data.// 创建新的文件,然后追加  * - `SaveMode.Append`: append the data. * - `SaveMode.Ignore`: ignore the operation (i.e. no-op). * - `SaveMode.ErrorIfExists`: default option, throw an exception at runtime. * * @since 1.4.0 */def mode(saveMode: SaveMode): DataFrameWriter = { this.mode = saveMode this}

4. 最后,save() 方法触发 action,将文件输出到指定文件中。

/** * Saves the content of the [[DataFrame]] at the specified path. * * @since 1.4.0 */def save(path: String): Unit = { this.extraOptions += ( path  -  path) save()}

三、Spark SQL 读写整个流程图如下

四、对于流程中部分函数源码详解

DataFrameReader.Load()

1. Load()返回 DataFrame 类型的数据集合,使用的数据是从默认的路径读取。

/** * Returns the dataset stored at path as a DataFrame, * using the default data source configured by spark.sql.sources.default. * * @group genericdata * @deprecated As of 1.4.0, replaced by `read().load(path)`. This will be removed in Spark 2.0. */@deprecated(Use read.load(path). This will be removed in Spark 2.0. ,  1.4.0 )def load(path: String): DataFrame = {// 此时的 read 就是 DataFrameReader read.load(path)}

2. 追踪 load 源码进去,源码如下:在 DataFrameReader 中的方法。Load() 通过路径把输入传进来变成一个 DataFrame。

/** * Loads input in as a [[DataFrame]], for data sources that require a path (e.g. data backed by * a local or distributed file system). * * @since 1.4.0 */// TODO: Remove this one in Spark 2.0.def load(path: String): DataFrame = { option( path , path).load()}

3. 追踪 load 源码如下:

/** * Loads input in as a [[DataFrame]], for data sources that don t require a path (e.g. external * key-value stores). * * @since 1.4.0 */def load(): DataFrame = {// 对传入的 Source 进行解析  val resolved = ResolvedDataSource( sqlContext, userSpecifiedSchema = userSpecifiedSchema, partitionColumns = Array.empty[String], provider = source, options = extraOptions.toMap) DataFrame(sqlContext, LogicalRelation(resolved.relation))}

DataFrameReader.format()

1. Format:具体指定文件格式,这就获得一个巨大的启示是:如果是 Json 文件格式可以保持为 Parquet 等此类操作。Spark SQL 在读取文件的时候可以指定读取文件的类型。例如,Json,Parquet.

/** * Specifies the input data source format.Built-in options include “parquet”,”json”,etc. * * @since 1.4.0 */def format(source: String): DataFrameReader = { this.source = source //FileType this}

DataFrame.write()

1. 创建 DataFrameWriter 实例

/** * :: Experimental :: * Interface for saving the content of the [[DataFrame]] out into external storage. * * @group output * @since 1.4.0 */@Experimentaldef write: DataFrameWriter = new DataFrameWriter(this)1

2. 追踪 DataFrameWriter 源码如下:以 DataFrame 的方式向外部存储系统中写入数据。

/** * :: Experimental :: * Interface used to write a [[DataFrame]] to external storage systems (e.g. file systems, * key-value stores, etc). Use [[DataFrame.write]] to access this. * * @since 1.4.0 */@Experimentalfinal class DataFrameWriter private[sql](df: DataFrame) {

DataFrameWriter.mode()

1. Overwrite 是覆盖,之前写的数据全都被覆盖了。Append: 是追加,对于普通文件是在一个文件中进行追加,但是对于 parquet 格式的文件则创建新的文件进行追加。

/** * Specifies the behavior when data or table already exists. Options include: * - `SaveMode.Overwrite`: overwrite the existing data. * - `SaveMode.Append`: append the data. * - `SaveMode.Ignore`: ignore the operation (i.e. no-op).// 默认操作  * - `SaveMode.ErrorIfExists`: default option, throw an exception at runtime. * * @since 1.4.0 */def mode(saveMode: SaveMode): DataFrameWriter = { this.mode = saveMode this}

2. 通过模式匹配接收外部参数

/** * Specifies the behavior when data or table already exists. Options include: * - `overwrite`: overwrite the existing data. * - `append`: append the data. * - `ignore`: ignore the operation (i.e. no-op). * - `error`: default option, throw an exception at runtime. * * @since 1.4.0 */def mode(saveMode: String): DataFrameWriter = { this.mode = saveMode.toLowerCase match { case  overwrite  =  SaveMode.Overwrite case  append  =  SaveMode.Append case  ignore  =  SaveMode.Ignore case  error  |  default  =  SaveMode.ErrorIfExists case _ =  throw new IllegalArgumentException(s Unknown save mode: $saveMode.   +  Accepted modes are  overwrite ,  append ,  ignore ,  error .) } this}

DataFrameWriter.save()

1. save 将结果保存传入的路径。

/** * Saves the content of the [[DataFrame]] at the specified path. * * @since 1.4.0 */def save(path: String): Unit = { this.extraOptions += ( path  -  path) save()}

2. 追踪 save 方法。

/** * Saves the content of the [[DataFrame]] as the specified table. * * @since 1.4.0 */def save(): Unit = { ResolvedDataSource( df.sqlContext, source, partitioningColumns.map(_.toArray).getOrElse(Array.empty[String]), mode, extraOptions.toMap, df)}

3. 其中 source 是 SQLConf 的 defaultDataSourceNameprivate var source: String = df.sqlContext.conf.defaultDataSourceName 其中 DEFAULT_DATA_SOURCE_NAME 默认参数是 parquet。

// This is used to set the default data sourceval DEFAULT_DATA_SOURCE_NAME = stringConf(spark.sql.sources.default , defaultValue = Some( org.apache.spark.sql.parquet), doc =  The default data source to use in input/output. )

DataFrame.scala 中部分函数详解:

1. toDF 函数是将 RDD 转换成 DataFrame

/** * Returns the object itself. * @group basic * @since 1.3.0 */// This is declared with parentheses to prevent the Scala compiler from treating// `rdd.toDF(1)` as invoking this toDF and then apply on the returned DataFrame.def toDF(): DataFrame = this

2. show() 方法:将结果显示出来

/** * Displays the [[DataFrame]] in a tabular form. For example: * {{{ * year month AVG( Adj Close) MAX(Adj Close) * 1980 12 0.503218 0.595103 * 1981 01 0.523289 0.570307 * 1982 02 0.436504 0.475256 * 1983 03 0.410516 0.442194 * 1984 04 0.450090 0.483521 * }}} * @param numRows Number of rows to show * @param truncate Whether truncate long strings. If true, strings more than 20 characters will * be truncated and all cells will be aligned right * * @group action * @since 1.5.0 */// scalastyle:off printlndef show(numRows: Int, truncate: Boolean): Unit = println(showString(numRows, truncate))// scalastyle:on println

追踪 showString 源码如下:showString 中触发 action 收集数据。

/** * Compose the string representing rows for output * @param _numRows Number of rows to show * @param truncate Whether truncate long strings and align cells right */private[sql] def showString(_numRows: Int, truncate: Boolean = true): String = { val numRows = _numRows.max(0) val sb = new StringBuilder val takeResult = take(numRows + 1) val hasMoreData = takeResult.length   numRows val data = takeResult.take(numRows) val numCols = schema.fieldNames.length

看完上述内容,你们对 Spark SQL 数据加载和保存的实例分析有进一步的了解吗?如果还想了解更多知识或者相关内容,请关注丸趣 TV 行业资讯频道,感谢大家的支持。

正文完
 
丸趣
版权声明:本站原创文章,由 丸趣 2023-07-17发表,共计9274字。
转载说明:除特殊说明外本站除技术相关以外文章皆由网络搜集发布,转载请注明出处。
评论(没有评论)