SaprkSql数据源以及Hive使用

SaprkSql数据源

1. 通用数据保存方式

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。

val df = spark.read.load("examples/src/main/resources/users.parquet") 
df.select("name", "favorite_color").write.save("namesAndFavColors.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，则只需要指定简称定json, parquet, jdbc, orc, libsvm, csv, text来指定数据的格式。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。format指定读取和保存文件的格式

scala>  df.write.format("parquet").save("file:///home/hadoop/out")
SLF4J: Failed to load class "org.slf4j.impl.StaticLoggerBinder".
SLF4J: Defaulting to no-operation (NOP) logger implementation
SLF4J: See http://www.slf4j.org/codes.html#StaticLoggerBinder for further details.

//查看数据是否保存
[hadoop@hadoop03 ~]$ cd out/
[hadoop@hadoop03 out]$ ls
part-00000-5056cc29-029f-4b95-822b-381da93faae3.snappy.parquet  _SUCCESS

除此之外，可以直接运行SQL在文件上：

val sqlDF = spark.sql("SELECT * FROM parquet.hdfs://hadoop102:9000/namesAndAges.parquet")

sqlDF.show()



scala> val peopleDF = spark.read.format("json").load("examples/src/main/resources/people.json")

peopleDF: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

scala> peopleDF.write.format("parquet").save("hdfs://hadoop102:9000/namesAndAges.parquet")

scala> peopleDF.show()

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

| age|   name|

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

|null|Michael|

|  30|   Andy|

|  19| Justin|

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

 

scala> val sqlDF = spark.sql("SELECT * FROM parquet.hdfs:// hadoop102:9000/namesAndAges.parquet")

17/09/05 04:21:11 WARN ObjectStore: Failed to get database parquet, returning NoSuchObjectException

sqlDF: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

scala> sqlDF.show()

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

| age|   name|

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

|null|Michael|

|  30|   Andy|

|  19| Justin|

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

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/Java	Any Language	Meaning
SaveMode.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

2. json文件

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 一个JSON 文件。

//加载json文件
scala> val dsjson=spark.read.json("file:///home/hadoop/user.json")
dsjson: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

//查看结构
scala> dsjson.printSchema()
root
 |-- age: long (nullable = true)
 |-- name: string (nullable = true)
 
//创建一张临时表
scala> dsjson.createOrReplaceTempView("stu")

//使用sparksql
scala> val jssql=spark.sql("select * from stu")
jssql: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

//打印结果
scala> jssql.show()
+---+--------+
|age|    name|
+---+--------+
| 12|zhangsan|
| 22|    lisi|
| 11|  wanger|
| 33|    mazi|
+---+--------+

3. Parquest文件

Parquet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。

scala> val par=spark.read.parquet("file:///home/hadoop/out/part.parquet")
par: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

scala> par.createOrReplaceTempView("parquest")

scala> spark.sql("select * from parquest").show
+---+--------+
|age|    name|
+---+--------+
| 12|zhangsan|
| 22|    lisi|
| 11|  wanger|
| 33|    mazi|
+---+--------+

4. 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。

（1）启动spark-shell

$ bin/spark-shell

（2）从Mysql数据库加载数据方式一

val jdbcDF = spark.read

.format("jdbc")

.option("url", "jdbc:mysql://hadoop102:3306/rdd")

.option("dbtable", "rddtable")

.option("user", "root")

.option("password", "000000")

.load()

（3）从Mysql数据库加载数据方式二

val connectionProperties = new Properties()

connectionProperties.put("user", "root")

connectionProperties.put("password", "000000")

val jdbcDF2 = spark.read

.jdbc("jdbc:mysql://hadoop102:3306/rdd", "rddtable", connectionProperties)

（4）将数据写入Mysql方式一

jdbcDF.write

.format("jdbc")

.option("url", "jdbc:mysql://hadoop102:3306/rdd")

.option("dbtable", "dftable")

.option("user", "root")

.option("password", "000000")

.save()

（5）将数据写入Mysql方式二

jdbcDF2.write.jdbc("jdbc:mysql://hadoop102:3306/rdd", "db", connectionProperties)

5. Hive 数据库

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)。

1. 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。

可以通过添加参数初次指定数据仓库地址：–conf spark.sql.warehouse.dir=hdfs://hadoop102/spark-wearhouse

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，这是需要使用HDFS，则需要将metastore删除，重启集群。

2. 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。

1. 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。

2. 打开spark shell，注意带上访问Hive元数据库的JDBC客户端（如果提前将jar包放入了spark的lib目录中，就不用带上了）

$ bin/spark-shell  --jars mysql-connector-java-5.1.40-bin.jar

重新进入spark-shell

scala> spark.sql("show databases").show
+------------+
|databaseName|
+------------+
|     default|
| test_bd1906|
|  test_shell|
|test_shell01|
+------------+


scala> spark.sql("use test_bd1906")
res2: org.apache.spark.sql.DataFrame = []

scala> spark.sql("show tables").show
+-----------+---------------+-----------+
|   database|      tableName|isTemporary|
+-----------+---------------+-----------+
|test_bd1906|              a|      false|
|test_bd1906|             a1|      false|
|test_bd1906|             a2|      false|
|test_bd1906|              b|      false|
|test_bd1906|      stu_array|      false|
|test_bd1906|        stu_buk|      false|
|test_bd1906|  stu_partition|      false|
|test_bd1906|stu_partiton_02|      false|
|test_bd1906|        student|      false|
|test_bd1906| test_partition|      false|
|test_bd1906|          weibo|      false|
|test_bd1906|     weibo_10_t|      false|
|test_bd1906|     weibo_json|      false|
|test_bd1906|      weiboview|      false|
+-----------+---------------+-----------+

3. 运行Spark SQL CLI

Spark SQL CLI可以很方便的在本地运行Hive元数据服务以及从命令行执行查询任务。在Spark目录下执行如下命令启动Spark SQL CLI：

./bin/spark-sql

spark-sql (default)> show databases;
//打印：
databaseName
default
test_bd1906
test_shell
test_shell01

4. 代码中使用Hive

（1）添加依赖：

    org.apache.spark
    spark-hive_2.11
    2.1.1



    org.apache.hive
    hive-exec
    1.2.1

（2）创建SparkSession时需要添加hive支持（红色部分）

 def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("hiveTemp")

    //使用本地Hive，需要为使用内置Hive需要指定一个Hive仓库地址
    val warehouseLocation: String = new File("spark-warehouse").getAbsolutePath
    val spark = SparkSession
      .builder()
      .appName("hiveTemp")
      .config("spark.sql.warehouse.dir", warehouseLocation)
      .config(conf)
      .enableHiveSupport()
      .getOrCreate()


    //使用外部Hive,需要将hive-site.xml添加到classpath路径下
//    val spark = SparkSession
//      .builder()
//      .appName("hiveTemp")
//      .config(conf)
//      .enableHiveSupport()
//      .getOrCreate()

    spark.sql("create table if not exists tem(id int,user string) ")
  }