spark-SQL数据加载和保存

数据加载与保存

通用方式：

通过 spark.read.load 和 df.write.save 实现数据加载与保存。可利用 format 指定数据格式，如 csv 、 jdbc 等； option 用于设置特定参数，像 jdbc 格式下的数据库连接信息； load 和 save 则分别指定数据路径。保存时还能使用 SaveMode 包含 ErrorIfExists 、 Append 、 Overwrite 、 Ignore 等模式。

Parquet：

作为默认数据源，Parquet是列式存储格式，适合存储嵌套数据。加载和保存数据时，若为Parquet文件，无需指定 format ，按默认方式操作即可。

JSON：

Spark SQL可自动推测JSON数据集结构，加载为 Dataset[Row] 。但要求JSON文件每行是一个JSON串，通过 spark.read.json() 加载。

CSV：

读取CSV文件时，可配置列表信息，如设置分隔符、推断数据类型、指定表头，使用 format("csv") 结合 option 设置相关参数。

- MySQL：

借助JDBC，Spark SQL能从MySQL读取数据创建 DataFrame ，计算后也可写回。操作前需导入 mysql-connector-java 依赖，按特定语法编写代码实现数据读写。

代码案例

导入依赖

Spark-SQL连接Hive

内嵌Hive：

使用Spark内嵌Hive无需额外配置，可直接使用，但实际生产中较少采用。

外部Hive：

在spark-shell中连接外部Hive，需将 hive-site.xml 拷贝到 conf/ 目录并修改连接地址，把MySQL驱动复制到 jars/ 目录，拷贝 core-site.xml 和 hdfs-site.xml 到 conf/ 目录，最后重启 spark-shell 。- Spark beeline：Spark Thrift Server兼容HiveServer2，部署后可用beeline访问。连接步骤与连接外部Hive类似，需配置相关文件并启动Thrift Server，再用 beeline -u jdbc:hive2://node01:10000 -n root 连接。- Spark-SQL CLI：在Spark目录下，将MySQL驱动放入 jars/ ， hive-site.xml 放入 conf/ ，运行 bin/ 目录下的 spark-sql.cmd 即可启动，能直接执行SQL语句。