Spark SQL 编程API入门系列之SparkSQL数据源

 

 

　　不多说，直接上干货！

 

 

 

 

SparkSQL数据源：从各种数据源创建DataFrame

　　因为 spark sql，dataframe，datasets 都是共用 spark sql 这个库的，三者共享同样的代码优化，生成以及执行流程，所以 sql，dataframe，datasets 的入口都是 sqlContext。

　　可用于创建 spark dataframe 的数据源有很多：

 

 

 

 

 

SparkSQL数据源：RDD

    val sqlContext = new org.apache.spark.sql.SQLContext(sc)// this is used to implicitly convert an RDD to a DataFrame.
    import sqlContext.implicits._// Define the schema using a case class.case class Person(name: String, age: Int)// Create an RDD of Person objects and register it as a table.val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()

   val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)) sqlContext.createDataFrame(people)

 

 

 

 

 

SparkSQL数据源：Hive

　　当从Hive 中读取数据时，Spark SQL 支持任何Hive 支持的存储格式（SerDe），包括文件、RCFiles、ORC、Parquet、Avro，以及Protocol Buffer(当然Spark SQL也可以直接读取这些文件)。

　　要连接已部署好的Hive，需要拷贝hive-site.xml、core-site.xml、hdfs-site.xml到Spark 的./conf/ 目录下即可

　　如果不想连接到已有的hive，可以什么都不做直接使用HiveContext:

　　Spark SQL 会在当前的工作目录中创建出自己的Hive 元数据仓库，叫作metastore_db

　　如果你尝试使用HiveQL 中的CREATE TABLE(并非CREATE EXTERNAL TABLE)语句来创建表，这些表会被放在你默认的文件系统中的/user/hive/warehouse 目录中(如果你的classpath 中有配好的hdfs-site.xml，默认的文件系统就是HDFS，否则就是本地文件系统)。

 

 

 

 

SparkSQL数据源：Hive读写

// sc is an existing SparkContext.

val sqlContext = new org.apache.spark.sql.hive.HiveContext(sc)

sqlContext.sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING)")

sqlContext.sql("LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src")

// Queries are expressed in HiveQL

sqlContext.sql("FROM src SELECT key, value").collect().foreach(println)

 

 

 

 

SparkSQL数据源：访问不同版本的metastore

　　从Spark1.4开始，Spark SQL可以通过修改配置去查询不同版本的?Hive metastores(不用重新编译)

 

 

 

 

 

 

 

 

SparkSQL数据源：Parquet

Parquet（http://parquet.apache.org/）是一种流行的列式存储格式，可以高效地存储具有嵌套字段的记录。

Parquet 格式经常在Hadoop 生态圈中被使用，它也支持Spark SQL 的全部数据类型。Spark SQL 提供了直接读取和存储Parquet 格式文件的方法。

  val sqlContext = new org.apache.spark.sql.SQLContext(sc)// this is used to implicitly convert an RDD to a DataFrame.
        import sqlContext.implicits._// Define the schema using a case class.case class Person(name: String, age: Int)// Create an RDD of Person objects and register it as a table.val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()people.write.parquet("xxxx")val parquetFile = sqlContext.read.parquet("people.parquet")//Parquet files can also be registered as tables and then used in SQL statements.parquetFile.registerTempTable("parquetFile")val teenagers = sqlContext.sql("SELECT name FROM parquetFile WHERE age >= 13 AND age <= 19")teenagers.map(t => "Name: " + t(0)).collect().foreach(println)

 

 

 

 

 

 

 

SparkSQL数据源：Parquet-- Partition Discovery

　　在Hive中通常会用分区表来优化性能，比如：

　　

　　SQLContext.read.parquet或者SQLContext.read.load只需要指定path/to/table，SparkSQL会自动从路径中提取分区信息，返回的DataFrame 的schema 将是：

 

　　当然你可以使用Hive读取方式：

hiveContext.sql("FROM src SELECT key, value").

 

 

 

 

 

 

SparkSQL数据源：Json

　　SparkSQL支持从Json文件或者Json格式的RDD读取数据

　　val sqlContext = new org.apache.spark.sql.SQLContext(sc)

// 可以是目录或者文件夹val path = "examples/src/main/resources/people.json"val people = sqlContext.read.json(path)// The inferred schema can be visualized using the printSchema() method.
            people.printSchema()// Register this DataFrame as a table.people.registerTempTable("people")// SQL statements can be run by using the sql methods provided by sqlContext.val teenagers = sqlContext.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")// Alternatively, a DataFrame can be created for a JSON dataset represented by// an RDD[String] storing one JSON object per string.val anotherPeopleRDD = sc.parallelize("""{"name":"Yin","address":{"city":"Columbus","state":"Ohio"}}""" :: Nil)val anotherPeople = sqlContext.read.json(anotherPeopleRDD)

 

 

 

 

 

 

 

SparkSQL数据源：JDBC

val jdbcDF = sqlContext.read.format("jdbc").options(Map("url" -> "jdbc:postgresql:dbserver","dbtable" -> "schema.tablename")).load()

 

 

支持的参数：