一、簡介#

1.1 多資料來源支援#

Spark 支援以下六個核心資料來源，同時 Spark 社群還提供了多達上百種資料來源的讀取方式，能夠滿足絕大部分使用場景。

CSV

JSON

Parquet

ORC

JDBC/ODBC connections

Plain-text files

注：以下所有測試檔案均可從本倉庫的resources 目錄進行下載

1.2 讀資料格式#

所有讀取 API 遵循以下呼叫格式：

Copy

// 格式

DataFrameReader.format(...).option("key", "value").schema(...).load()

// 示例

spark.read.format("csv")

.option("mode", "FAILFAST") // 讀取模式

.option("inferSchema", "true") // 是否自動推斷 schema

.option("path", "path/to/file(s)") // 檔案路徑

.schema(someSchema) // 使用預定義的 schema

.load()

讀取模式有以下三種可選項：

讀模式 描述

permissive 當遇到損壞的記錄時，將其所有欄位設定為 null，並將所有損壞的記錄放在名為 _corruption t_record 的字串列中

failFast 遇到格式不正確的資料時立即失敗

1.3 寫資料格式#

Copy

// 格式

DataFrameWriter.format(...).option(...).partitionBy(...).bucketBy(...).sortBy(...).save()

//示例

dataframe.write.format("csv")

.option("mode", "OVERWRITE") //寫模式

.option("dateFormat", "yyyy-MM-dd") //日期格式

.option("path", "path/to/file(s)")

.save(）

寫資料模式有以下四種可選項：

Scala/Java 描述

SaveMode.ErrorIfExists 如果給定的路徑已經存在檔案，則丟擲異常，這是寫資料預設的模式

SaveMode.Append 資料以追加的方式寫入

SaveMode.Overwrite 資料以覆蓋的方式寫入

SaveMode.Ignore 如果給定的路徑已經存在檔案，則不做任何操作

二、CSV#

CSV 是一種常見的文字檔案格式，其中每一行表示一條記錄，記錄中的每個欄位用逗號分隔。

2.1 讀取CSV檔案#

自動推斷型別讀取讀取示例：

Copy

spark.read.format("csv")

.option("header", "false") // 檔案中的第一行是否為列的名稱

.option("mode", "FAILFAST") // 是否快速失敗

.option("inferSchema", "true") // 是否自動推斷 schema

.load("/usr/file/csv/dept.csv")

.show()

使用預定義型別：

Copy

import org.apache.spark.sql.types.{StructField, StructType, StringType,LongType}

//預定義資料格式

val myManualSchema = new StructType(Array(

StructField("deptno", LongType, nullable = false),

StructField("dname", StringType,nullable = true),

StructField("loc", StringType,nullable = true)

))

spark.read.format("csv")

.option("mode", "FAILFAST")

.schema(myManualSchema)

.load("/usr/file/csv/dept.csv")

.show()

2.2 寫入CSV檔案#

Copy

df.write.format("csv").mode("overwrite").save("/tmp/csv/dept2")

也可以指定具體的分隔符：

Copy

df.write.format("csv").mode("overwrite").option("sep", "\t").save("/tmp/csv/dept2")

2.3 可選配置#

為節省主文篇幅，所有讀寫配置項見文末 9.1 小節。三、JSON#

3.1 讀取JSON檔案#

Copy

spark.read.format("json").option("mode", "FAILFAST").load("/usr/file/json/dept.json").show(5)

需要注意的是：預設不支援一條資料記錄跨越多行 (如下)，可以透過配置 multiLine 為 true 來進行更改，其預設值為 false。

Copy

// 預設支援單行

{"DEPTNO": 10,"DNAME": "ACCOUNTING","LOC": "NEW YORK"}

//預設不支援多行

{

"DEPTNO": 10,

"DNAME": "ACCOUNTING",

"LOC": "NEW YORK"

}

3.2 寫入JSON檔案#

Copy

df.write.format("json").mode("overwrite").save("/tmp/spark/json/dept")

3.3 可選配置#

為節省主文篇幅，所有讀寫配置項見文末 9.2 小節。

四、Parquet#

Parquet 是一個開源的面向列的資料儲存，它提供了多種儲存最佳化，允許讀取單獨的列非整個檔案，這不僅節省了儲存空間而且提升了讀取效率，它是 Spark 是預設的檔案格式。

4.1 讀取Parquet檔案#

Copy

spark.read.format("parquet").load("/usr/file/parquet/dept.parquet").show(5)

2.2 寫入Parquet檔案#

Copy

df.write.format("parquet").mode("overwrite").save("/tmp/spark/parquet/dept")

2.3 可選配置#

Parquet 檔案有著自己的儲存規則，因此其可選配置項比較少，常用的有如下兩個：

讀寫操作 配置項 可選值 預設值 描述

Write compression or codec None,

uncompressed,

bzip2,

deflate, gzip,

lz4, or snappy None 壓縮檔案格式

Read mergeSchema true, false 取決於配置項 spark.sql.parquet.mergeSchema

五、ORC#

ORC 是一種自描述的、型別感知的列檔案格式，它針對大型資料的讀寫進行了最佳化，也是大資料中常用的檔案格式。

5.1 讀取ORC檔案#

Copy

spark.read.format("orc").load("/usr/file/orc/dept.orc").show(5)

4.2 寫入ORC檔案#

Copy

csvFile.write.format("orc").mode("overwrite").save("/tmp/spark/orc/dept")

六、SQL Databases#

Spark 同樣支援與傳統的關係型資料庫進行資料讀寫。但是 Spark 程式預設是沒有提供資料庫驅動的，所以在使用前需要將對應的資料庫驅動上傳到安裝目錄下的 jars 目錄中。下面示例使用的是 Mysql 資料庫，使用前需要將對應的 mysql-connector-java-x.x.x.jar 上傳到 jars 目錄下。

6.1 讀取資料#

讀取全表資料示例如下，這裡的 help_keyword 是 mysql 內建的字典表，只有 help_keyword_id 和 name 兩個欄位。

Copy

spark.read

.format("jdbc")

.option("driver", "com.mysql.jdbc.Driver") //驅動

.option("url", "jdbc:mysql://127.0.0.1:3306/mysql") //資料庫地址

.option("dbtable", "help_keyword") //表名

.option("user", "root").option("password","root").load().show(10)

從查詢結果讀取資料：

val pushDownQuery = """(SELECT * FROM help_keyword WHERE help_keyword_id <20) AS help_keywords"""

spark.read.format("jdbc")

.option("url", "jdbc:mysql://127.0.0.1:3306/mysql")

.option("driver", "com.mysql.jdbc.Driver")

.option("user", "root").option("password", "root")

.option("dbtable", pushDownQuery)

.load().show()

//輸出

+---------------+-----------+

|help_keyword_id| name|

+---------------+-----------+

| 0| <>|

| 1| ACTION|

| 2| ADD|

| 3|AES_DECRYPT|

| 4|AES_ENCRYPT|

| 5| AFTER|

| 6| AGAINST|

| 7| AGGREGATE|

| 8| ALGORITHM|

| 9| ALL|

| 10| ALTER|

| 11| ANALYSE|

| 12| ANALYZE|

| 13| AND|

| 14| ARCHIVE|

| 15| AREA|

| 16| AS|

| 17| ASBINARY|

| 18| ASC|

| 1

七、Text#

Text 檔案在讀寫效能方面並沒有任何優勢，且不能表達明確的資料結構，所以其使用的比較少，讀寫操作如下：

7.1 讀取Text資料#

Copy

spark.read.textFile("/usr/file/txt/dept.txt").show()

7.2 寫入Text資料#

Copy

df.write.text("/tmp/spark/txt/dept")

八、資料讀寫高階特性#

8.1 並行讀#

多個 Executors 不能同時讀取同一個檔案，但它們可以同時讀取不同的檔案。這意味著當您從一個包含多個檔案的資料夾中讀取資料時，這些檔案中的每一個都將成為 DataFrame 中的一個分割槽，並由可用的 Executors 並行讀取。

8.2 並行寫#

寫入的檔案或資料的數量取決於寫入資料時 DataFrame 擁有的分割槽數量。預設情況下，每個資料分割槽寫一個檔案。

8.3 分割槽寫入#

分割槽和分桶這兩個概念和 Hive 中分割槽表和分桶表是一致的。都是將資料按照一定規則進行拆分儲存。需要注意的是 partitionBy 指定的分割槽和 RDD 中分割槽不是一個概念：這裡的分割槽表現為輸出目錄的子目錄，資料分別儲存在對應的子目錄中。

Copy

val df = spark.read.format("json").load("/usr/file/json/emp.json")

df.write.mode("overwrite").partitionBy("deptno").save("/tmp/spark/partitions")

輸出結果如下：可以看到輸出被按照部門編號分為三個子目錄，子目錄中才是對應的輸出檔案。

8.3 分桶寫入#

分桶寫入就是將資料按照指定的列和桶數進行雜湊，目前分桶寫入只支援儲存為表，實際上這就是 Hive 的分桶表。

val numberBuckets = 10

val columnToBucketBy = "empno"

df.write.format("parquet").mode("overwrite")

.bucketBy(numberBuckets, columnToBucketBy).saveAsTable("bucketedFiles")

.......