Spark SQL中常见4种数据源是什么

2025-03-24 技术教程

这篇文章主要介绍Spark SQL中常见4种数据源是什么，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

通用load/write方法

手动指定选项

Spark SQL的DataFrame接口支持多种数据源的操作。一个DataFrame可以进行RDDs方式的操作，也可以被注册为临时表。把DataFrame注册为临时表之后，就可以对该DataFrame执行SQL查询。

Spark SQL的默认数据源为Parquet格式。数据源为Parquet文件时，Spark SQL可以方便的执行所有的操作。

修改配置项spark.sql.sources.default，可修改默认数据源格式。

scala>valdf=spark.read.load("hdfs://hadoop001:9000/namesAndAges.parquet")df:org.apache.spark.sql.DataFrame=[age:bigint,name:string]scala>df.select("name").write.save("names.parquet")

当数据源格式不是parquet格式文件时，需要手动指定数据源的格式。数据源格式需要指定全名（例如：org.apache.spark.sql.parquet），如果数据源格式为内置格式，则只需要指定简称json, parquet, jdbc, orc, libsvm, csv, text来指定数据的格式。

可以通过SparkSession提供的read.load方法用于通用加载数据，使用write和save保存数据。

scala>valpeopleDF=spark.read.format("json").load("hdfs://hadoop001:9000/people.json")peopleDF:org.apache.spark.sql.DataFrame=[age:bigint,name:string]scala>peopleDF.write.format("parquet").save("hdfs://hadoop001:9000/namesAndAges.parquet")scala>

除此之外，可以直接运行SQL在文件上:

valsqlDF=spark.sql("SELECT*FROMparquet.`hdfs://hadoop001:9000/namesAndAges.parquet`")sqlDF.show()

文件保存选项

可以采用SaveMode执行存储操作，SaveMode定义了对数据的处理模式。需要注意的是，这些保存模式不使用任何锁定，不是原子操作。此外，当使用Overwrite方式执行时，在输出新数据之前原数据就已经被删除。SaveMode详细介绍如下表：

Scala/JavaAny LanguageMeaningSaveMode.ErrorIfExists(default)“error”(default)如果文件存在，则报错SaveMode.Append“append”追加SaveMode.Overwrite“overwrite”覆写SaveMode.Ignore“ignore”数据存在，则忽略

Parquet文件

Parquet读写

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。

//Encodersformostcommontypesareautomaticallyprovidedbyimportingspark.implicits._importspark.implicits._valpeopleDF=spark.read.json("examples/src/main/resources/people.json")//DataFramescanbesavedasParquetfiles,maintainingtheschemainformationpeopleDF.write.parquet("hdfs://hadoop001:9000/people.parquet")//Readintheparquetfilecreatedabove//Parquetfilesareself-describingsotheschemaispreserved//TheresultofloadingaParquetfileisalsoaDataFramevalparquetFileDF=spark.read.parquet("hdfs://hadoop001:9000/people.parquet")//ParquetfilescanalsobeusedtocreateatemporaryviewandthenusedinSQLstatementsparquetFileDF.createOrReplaceTempView("parquetFile")valnamesDF=spark.sql("SELECTnameFROMparquetFileWHEREageBETWEEN13AND19")namesDF.map(attributes=>"Name:"+attributes(0)).show()//+------------+//|value|//+------------+//|Name:Justin|//+------------+

解析分区信息

对表进行分区是对数据进行优化的方式之一。在分区的表内，数据通过分区列将数据存储在不同的目录下。Parquet数据源现在能够自动发现并解析分区信息。例如，对人口数据进行分区存储，分区列为gender和country，使用下面的目录结构：

path└──to└──table├──gender=male│├──...│││├──country=US││└──data.parquet│├──country=CN││└──data.parquet│└──...└──gender=female├──...│├──country=US│└──data.parquet├──country=CN│└──data.parquet└──...

通过传递path/to/table给 SQLContext.read.parque

或SQLContext.read.load，Spark SQL将自动解析分区信息。

返回的DataFrame的Schema如下：

root|--name:string(nullable=true)|--age:long(nullable=true)|--gender:string(nullable=true)|--country:string(nullable=true)

需要注意的是，数据的分区列的数据类型是自动解析的。当前，支持数值类型和字符串类型。自动解析分区类型的参数为：

spark.sql.sources.partitionColumnTypeInference.enabled

默认值为true。

如果想关闭该功能，直接将该参数设置为disabled。此时，分区列数据格式将被默认设置为string类型，不再进行类型解析。

Schema合并

像ProtocolBuffer、Avro和Thrift那样，Parquet也支持Schema evolution（Schema演变）。用户可以先定义一个简单的Schema，然后逐渐的向Schema中增加列描述。通过这种方式，用户可以获取多个有不同Schema但相互兼容的Parquet文件。现在Parquet数据源能自动检测这种情况，并合并这些文件的schemas。

因为Schema合并是一个高消耗的操作，在大多数情况下并不需要，所以Spark SQL从1.5.0开始默认关闭了该功能。可以通过下面两种方式开启该功能：

当数据源为Parquet文件时，将数据源选项mergeSchema设置为true。

设置全局SQL选项：

spark.sql.parquet.mergeSchema为true。

//sqlContextfromthepreviousexampleisusedinthisexample.//ThisisusedtoimplicitlyconvertanRDDtoaDataFrame.importspark.implicits._//CreateasimpleDataFrame,storedintoapartitiondirectoryvaldf1=sc.makeRDD(1to5).map(i=>(i,i*2)).toDF("single","double")df1.write.parquet("hdfs://hadoop001:9000/data/test_table/key=1")//CreateanotherDataFrameinanewpartitiondirectory,//addinganewcolumnanddroppinganexistingcolumnvaldf2=sc.makeRDD(6to10).map(i=>(i,i*3)).toDF("single","triple")df2.write.parquet("hdfs://hadoop001:9000/data/test_table/key=2")//Readthepartitionedtablevaldf3=spark.read.option("mergeSchema","true").parquet("hdfs://hadoop001:9000/data/test_table")df3.printSchema()//Thefinalschemaconsistsofall3columnsintheParquetfilestogether//withthepartitioningcolumnappearedinthepartitiondirectorypaths.//root//|--single:int(nullable=true)//|--double:int(nullable=true)//|--triple:int(nullable=true)//|--key:int(nullable=true)

Hive数据源

Apache Hive是Hadoop上的SQL引擎，Spark SQL编译时可以包含Hive支持，也可以不包含。包含Hive支持的Spark SQL可以支持Hive表访问、UDF(用户自定义函数)以及 Hive 查询语言(HiveQL/HQL)等。需要强调的一点是，如果要在Spark SQL中包含Hive的库，并不需要事先安装Hive。一般来说，最好还是在编译Spark SQL时引入Hive支持，这样就可以使用这些特性了。如果你下载的是二进制版本的 Spark，它应该已经在编译时添加了 Hive 支持。

若要把Spark SQL连接到一个部署好的Hive上，你必须把hive-site.xml复制到 Spark的配置文件目录中($SPARK_HOME/conf)。即使没有部署好Hive，Spark SQL也可以运行。

需要注意的是，如果你没有部署好Hive，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。此外，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)。

importjava.io.Fileimportorg.apache.spark.sql.Rowimportorg.apache.spark.sql.SparkSessioncaseclassRecord(key:Int,value:String)//warehouseLocationpointstothedefaultlocationformanageddatabasesandtablesvalwarehouseLocation=newFile("spark-warehouse").getAbsolutePathvalspark=SparkSession.builder().appName("SparkHiveExample").config("spark.sql.warehouse.dir",warehouseLocation).enableHiveSupport().getOrCreate()importspark.implicits._importspark.sqlsql("CREATETABLEIFNOTEXISTSsrc(keyINT,valueSTRING)")sql("LOADDATALOCALINPATH'examples/src/main/resources/kv1.txt'INTOTABLEsrc")//QueriesareexpressedinHiveQLsql("SELECT*FROMsrc").show()//+---+-------+//|key|value|//+---+-------+//|238|val_238|//|86|val_86|//|311|val_311|//...//Aggregationqueriesarealsosupported.sql("SELECTCOUNT(*)FROMsrc").show()//+--------+//|count(1)|//+--------+//|500|//+--------+//TheresultsofSQLqueriesarethemselvesDataFramesandsupportallnormalfunctions.valsqlDF=sql("SELECTkey,valueFROMsrcWHEREkey<10ORDERBYkey")//TheitemsinDataFramesareoftypeRow,whichallowsyoutoaccesseachcolumnbyordinal.valstringsDS=sqlDF.map{caseRow(key:Int,value:String)=>s"Key:$key,Value:$value"}stringsDS.show()//+--------------------+//|value|//+--------------------+//|Key:0,Value:val_0|//|Key:0,Value:val_0|//|Key:0,Value:val_0|//...//YoucanalsouseDataFramestocreatetemporaryviewswithinaSparkSession.valrecordsDF=spark.createDataFrame((1to100).map(i=>Record(i,s"val_$i")))recordsDF.createOrReplaceTempView("records")//QueriescanthenjoinDataFramedatawithdatastoredinHive.sql("SELECT*FROMrecordsrJOINsrcsONr.key=s.key").show()//+---+------+---+------+//|key|value|key|value|//+---+------+---+------+//|2|val_2|2|val_2|//|4|val_4|4|val_4|//|5|val_5|5|val_5|//...

内嵌Hive应用

如果要使用内嵌的Hive，什么都不用做，直接用就可以了。 –conf :

spark.sql.warehouse.dir=

注意：如果你使用的是内部的Hive，在Spark2.0之后，spark.sql.warehouse.dir用于指定数据仓库的地址，如果你需要是用HDFS作为路径，那么需要将core-site.xml和hdfs-site.xml 加入到Spark conf目录，否则只会创建master节点上的warehouse目录，查询时会出现文件找不到的问题，这是需要向使用HDFS，则需要将metastore删除，重启集群。

外部Hive应用

如果想连接外部已经部署好的Hive，需要通过以下几个步骤。

a 将Hive中的hive-site.xml拷贝或者软连接到Spark安装目录下的conf目录下。

b 打开spark shell，注意带上访问Hive元数据库的JDBC客户端。

$bin/spark-shell--masterspark://hadoop001:7077--jarsmysql-connector-java-5.1.27-bin.jar

JSON数据集

Spark SQL 能够自动推测 JSON数据集的结构，并将它加载为一个Dataset[Row]. 可以通过SparkSession.read.json()去加载一个 Dataset[String]或者一个JSON 文件.注意，这个JSON文件不是一个传统的JSON文件，每一行都得是一个JSON串。

{"name":"Michael"}{"name":"Andy","age":30}{"name":"Justin","age":19}//Primitivetypes(Int,String,etc)andProducttypes(caseclasses)encodersare//supportedbyimportingthiswhencreatingaDataset.importspark.implicits._//AJSONdatasetispointedtobypath.//Thepathcanbeeitherasingletextfileoradirectorystoringtextfilesvalpath="examples/src/main/resources/people.json"valpeopleDF=spark.read.json(path)//TheinferredschemacanbevisualizedusingtheprintSchema()methodpeopleDF.printSchema()//root//|--age:long(nullable=true)//|--name:string(nullable=true)//CreatesatemporaryviewusingtheDataFramepeopleDF.createOrReplaceTempView("people")//SQLstatementscanberunbyusingthesqlmethodsprovidedbysparkvalteenagerNamesDF=spark.sql("SELECTnameFROMpeopleWHEREageBETWEEN13AND19")teenagerNamesDF.show()//+------+//|name|//+------+//|Justin|//+------+//Alternatively,aDataFramecanbecreatedforaJSONdatasetrepresentedby//aDataset[String]storingoneJSONobjectperstringvalotherPeopleDataset=spark.createDataset("""{"name":"Yin","address":{"city":"Columbus","state":"Ohio"}}"""::Nil)valotherPeople=spark.read.json(otherPeopleDataset)otherPeople.show()//+---------------+----+//|address|name|//+---------------+----+//|[Columbus,Ohio]|Yin|//+---------------+----+

JDBC

Spark SQL可以通过JDBC从关系型数据库中读取数据的方式创建DataFrame，通过对DataFrame一系列的计算后，还可以将数据再写回关系型数据库中。

注意，需要将相关的数据库驱动放到spark的类路径下。

$bin/spark-shell--masterspark://hadoop001:7077--jarsmysql-connector-java-5.1.27-bin.jar//Note:JDBCloadingandsavingcanbeachievedviaeithertheload/saveorjdbcmethods//LoadingdatafromaJDBCsourcevaljdbcDF=spark.read.format("jdbc").option("url","jdbc:mysql://hadoop001:3306/rdd").option("dbtable","rddtable").option("user","root").option("password","hive").load()valconnectionProperties=newProperties()connectionProperties.put("user","root")connectionProperties.put("password","hive")valjdbcDF2=spark.read.jdbc("jdbc:mysql://hadoop001:3306/rdd","rddtable",connectionProperties)//SavingdatatoaJDBCsourcejdbcDF.write.format("jdbc").option("url","jdbc:mysql://hadoop001:3306/rdd").option("dbtable","rddtable2").option("user","root").option("password","hive").save()jdbcDF2.write.jdbc("jdbc:mysql://hadoop001:3306/mysql","db",connectionProperties)//SpecifyingcreatetablecolumndatatypesonwritejdbcDF.write.option("createTableColumnTypes","nameCHAR(64),commentsVARCHAR(1024)").jdbc("jdbc:mysql://hadoop001:3306/mysql","db",connectionProperties)

以上是“Spark SQL中常见4种数据源是什么”这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注亿速云行业资讯频道！