最新版Spark2.2读取多种文件格式数据

Spark2.0+的文件读取

Spark可以读取多种格式文件，csv，json，parque。因此对应就有很多函数与之对应。在Spark2.0以后一般使用SparkSession来操作DataFrame、Dataset来完成数据分析。这些读取不同格式文件的函数就是SparkSession的成员DataFrameReader的方法。该类就是将文件系统（HDFS，LocalFileSystem（一定要在每台机器上都有的文件，不然会找不到文件，因为不确定executor会在哪台机器上运行，如果是本地文件，运行executor机器上一定要有该文件））中的文件读取到Spark中,生成DataFrame的类。下面来看看具体的文件读取。

1.CSV

其实该方法叫CSV不是很好，因为它不止可以读CSV文件，他可以读取一类由分隔符分割数据的文件，由于这类文件中CSV是代表，所以该函数才叫CSV吧。
1.1标准CSV
csv数据
特征：有空值？表示，有表头，类型明确

"id_1","id_2","cmp_fname_c1","cmp_fname_c2","cmp_lname_c1","cmp_lname_c2","cmp_sex","cmp_bd","cmp_bm","cmp_by","cmp_plz","is_match"
41264,44629,1,?,1,?,1,1,1,1,1,TRUE
28871,41775,1,?,1,?,1,1,1,1,1,TRUE
99344,99345,1,?,1,?,1,1,1,1,1,TRUE
31193,66985,1,?,1,?,1,1,1,1,0,TRUE
24429,25831,1,?,1,?,1,1,1,1,1,TRUE
23571,49029,1,?,1,?,1,1,1,1,1,TRUE
6884,6885,1,?,1,?,1,1,1,1,1,TRUE
7144,9338,1,?,1,?,1,1,1,1,1,TRUE

spark代码：

val spark = SparkSession.builder().appName("fileRead").getOrCreate()
        import spark.implicits._
        val data1 = spark.read
            //          推断数据类型
            .option("inferSchema", true)
            //          设置空值
            .option("nullValue", "?")
            //          表示有表头，若没有则为false
            .option("header", true)
            //          文件路径
            .csv("ds/block_10.csv")
            //          缓存
            .cache()
        //          打印数据格式
        data1.printSchema()
        //      显示数据,false参数为不要把数据截断
        data1.show(false)

效果：

1.2TSV
TSV数据
特征：无头，有数据类型，\t分割

196 242 3   881250949
186 302 3   891717742
22  377 1   878887116
244 51  2   880606923
166 346 1   886397596
298 474 4   884182806
115 265 2   881171488
253 465 5   891628467
305 451 3   886324817
6   86  3   883603013

spark代码：

val cols = Seq("user_id", "item_id", "rating", "timestamp")
        val data2 = spark.read
            //          推断数据类型
            .option("inferSchema", true)
            //          没有表头false
            .option("header", false)
            //          指定分隔符
            .option("delimiter", "\t")
            .csv("movie/u.data")
            //          设置头
            .toDF(cols: _*)
            .cache()
        data2.printSchema()
        data2.show()
        //      计数
        data2.count()

结果：

2.JSON文件

JSON不像CSV那样，他是半结构化的数据，因此他可以表示更加复杂的数据类型，但是缺点也同样明显，存储同样的数据，JSON文件更大。
数据：有点复杂，介绍一下
轨迹ID long，用户ID long，time timestamp，td string,trail [id int ,ts long,alt double,lon double ,alt double,d string]
主要就是大对象里面有一个数组，数组里面有很多小对象（数量不固定），csv是难以表示这种数据的。

但是。。。处理起来很简单

val jsonpath = "/home/wmx/hive/warehouse/trail/sample40.json"
val data3 = spark.read.json(jsonpath).cache()
data3.printSchema()
// 因为有点多只显示1条，不截断
data3.show(1,false)

结果
这里大家可以看到，时间戳数据被解析成string了，但是spark内置的数据类型是支持Date的

因此要处理数据类型：
改为

//      按顺序把类型全写下来
        val schema: StructType = StructType(Seq(
            StructField("tid", IntegerType, true),
            StructField("uid", IntegerType, true),
            StructField("st", TimestampType, true),
            StructField("td", StringType, true),
            StructField("trail", ArrayType(StructType(Seq(
                StructField("id", IntegerType, true),
                StructField("ts", LongType, true),
                StructField("lat", DoubleType, true),
                StructField("alt", DoubleType, true),
                StructField("lon", DoubleType, true),
                StructField("d", StringType, true)))), true)));
        val data4 = spark.read
            .schema(schema)
            .json(jsonpath)
            .cache()
        data4.printSchema()
        data4.show(1, true)

结果：
类型完全匹配：

最后准备写一下parquet，但是parquet本人不是很熟，只知道parquet使用的函数是load（path:String），希望对大家有所帮助。
列式存储

列式存储和行式存储相比有哪些优势呢？

可以跳过不符合条件的数据，只读取需要的数据，降低IO数据量。
压缩编码可以降低磁盘存储空间。由于同一列的数据类型是一样的，可以使用更高效的压缩编码（例如Run Length Encoding和Delta Encoding）进一步节约存储空间。
只读取需要的列，支持向量运算，能够获取更好的扫描性能。