本篇内容主要讲解“Spark Data Sources怎么使用”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Spark Data Sources怎么使用”吧!
创新互联专业为企业提供铁门关网站建设、铁门关做网站、铁门关网站设计、铁门关网站制作等企业网站建设、网页设计与制作、铁门关企业网站模板建站服务，十载铁门关做网站经验，不只是建网站，更提供有价值的思路和整体网络服务。
一：Data Sources（数据源）：
1.1 了解数据源。
Spark SQL 支持对各种数据源通过DataFrame接口操作。DataFrame 可以作为正常 的RDDs进行操作，也可以注册为一个临时表。
注册DataFrame为一个表允许您在其数据运行 SQL 查询。本节介绍用于加载和保存使用 Spark数据源的数据的一般方法，然后再进入到可用的内置数据源的特定选项。
1.2 Generic Load/Save Functions（通用加载/保存功能）。
最简单的形式，默认的数据源 （parquet除非否则配置由 spark.sql.sources.default） 将用于所有操作。
eg：第一种读取方式：通过 parquetFile("xxx") 来读取。
首先把spark-1.6.1-bin-hadoop2.6\examples\src\main\resources下的users.parquet上传到HDFS上。
public class SparkSqlDemo4 {
private static String appName = "Test Spark RDD";
private static String master = "local";
public static void main(String[] args) {
SparkConf conf = new SparkConf();
conf.set("spark.testing.memory", "269522560000");
JavaSparkContext sc = new JavaSparkContext(master, appName, conf);
//创建了 sqlContext的上下文，注意，它是DataFrame的起点。
SQLContext sqlContext = new SQLContext(sc);
DataFrame df = sqlContext.read().load("hdfs://192.168.226.129:9000/txt/sparkshell/users.parquet");
df.select("name", "favorite_color").write().save("namesAndFavColors.parquet");
//指定保存模式
//df.select("name", "favorite_color").write().mode(SaveMode.Overwrite).save("namesAndFavColors.parquet");
//第一种读取方式
DataFrame parquetFile = sqlContext.parquetFile("namesAndFavColors.parquet");
parquetFile.registerTempTable("users");
DataFrame df1 = sqlContext.sql("SELECT name,favorite_color FROM users ");
df1.show();
List listString = df1.javaRDD().map(new Function() {
private static final long serialVersionUID = 1L;
public String call(Row row) {
return "Name: " + row.getString(0) + " ,FavoriteColor: " + row.getString(1);
}
}).collect();
for (String string : listString) {
System.out.println( string );
}
}
} 输出结果如下：
+------+--------------+ | name|favorite_color| +------+--------------+ |Alyssa| null| | Ben| red| +------+--------------+ Name: Alyssa ,FavoriteColor: null Name: Ben ,FavoriteColor: red
1.3 Manually Specifying Options（手动指定选项）:
你可以也手动指定的数据源，将与您想要将传递给数据源的任何额外选项一起使用。
数据源由其完全限定名称 (即 org.apache.spark.sql.parquet)，
但对于内置来源您还可以使用 他们短名称(json, parquet, jdbc)。
DataFrames 任何类型可以转换为其他类型，使用此语法。
eg：第二种读取方式：通过 parquet("xxx") 来读取。
public class SparkSqlDemo5 {
private static String appName = "Test Spark RDD";
private static String master = "local";
public static void main(String[] args) {
SparkConf conf = new SparkConf();
conf.set("spark.testing.memory", "269522560000");
JavaSparkContext sc = new JavaSparkContext(master, appName, conf);
//创建了 sqlContext的上下文，注意，它是DataFrame的起点。
SQLContext sqlContext = new SQLContext(sc);
DataFrame df = sqlContext.read().format("json").load("hdfs://192.168.226.129:9000/txt/sparkshell/people.json");
df.select("id", "name","sex","age").write().format("parquet").save("people.parquet");
DataFrame parquetFile = sqlContext.read().parquet("people.parquet");
parquetFile.registerTempTable("people");
DataFrame df1 = sqlContext.sql("SELECT id,name,sex,age FROM people WHERE age >= 21 AND age <= 23");
df1.show();
df1.printSchema();
List listString = df1.javaRDD().map(new Function() {
private static final long serialVersionUID = 1L;
public String call(Row row) {
return "Id: " + row.getString(0) + ", Name: "+row.getString(1) + ",Sex" +row.getString(2)+ ", Age: " + row.getLong(3);
}
}).collect();
for (String string : listString) {
System.out.println( string );
}
}
} 1.4 Run SQL on files directly（直接在文件上运行SQL）
您也可以查询该文件直接使用 SQL，并对其进行查询，而不是使用 API 读取文件加载到DataFrame。
public class SparkSqlDemo6 {
private static String appName = "Test Spark RDD";
private static String master = "local";
public static void main(String[] args) {
SparkConf conf = new SparkConf();
conf.set("spark.testing.memory", "269522560000");
JavaSparkContext sc = new JavaSparkContext(master, appName, conf);
//创建了 sqlContext的上下文，注意，它是DataFrame的起点。
SQLContext sqlContext = new SQLContext(sc);
// 注意 sql 语句 parquet 后面目录的符号 。
DataFrame df = sqlContext.sql("SELECT * FROM parquet.`hdfs://192.168.226.129:9000/txt/sparkshell/users.parquet`");
df.show();
}
}注意：sql语句中红色部分标记的符号。
"SELECT * FROM parquet.`hdfs://192.168.226.129:9000/txt/sparkshell/users.parquet`"
二：Save Modes（保存模式）：
Save操作可以可选择性地接收一个SaveModel，如果数据已经存在了，指定如何处理已经存在的数据。意识到这些保存模式没有利用任何锁，也不是原子的，这很重要。因此，如果有多个写入者试图往同一个地方写入，这是不安全的。此外，当执行一个Overwrite，在写入新的数据之前会将原来的数据进行删除。
eg：指定保存模式：
df.select("name","favorite_color").write().mode(SaveMode.Overwrite).save("namesAndFavColors.parquet");
| Scala/Java | Any Language | Meaning |
SaveMode.ErrorIfExists(default) | "error"(default) | 当保存DataFrame到一个数据源，如果数据已经存在，将会引发异常。 |
| SaveMode.Append | "append" |
|
| SaveMode.Overwrite | "overwrite" | 覆盖模式意味着当保存DataFrame到一个数据源，如果数据/表已存在，现有数据预计将覆盖原有的DataFrame内容。 |
| SaveMode.Ignore | "ignore" | Ignore模式意味着当向数据源中保存一个DataFrame时，如果数据已经存在，save操作不会将DataFrame的内容进行保存，也不会修改已经存在的数据。这与SQL中的`CREATE TABLE IF NOT EXISTS`相似。 |
三：Parquet 文件
Parquet是一种列式存储格式的文件，被许多其他数据处理系统所支持。Spark SQL支持度对Parquet文件的读和写，自动保存原有数据的模式。
到此，相信大家对“Spark Data Sources怎么使用”有了更深的了解，不妨来实际操作一番吧！这里是创新互联网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
