回覆列表
  • 1 # IT追夢—廈門站

    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")

    .......

  • 中秋節和大豐收的關聯?
  • 什麼是中式菜?