4.2 Spark SQL数据源 - 基本操作

一、默认数据源

案例演示读取Parquet文件

查看Spark的样例数据文件users.parquet

1、在Spark Shell中演示
启动Spark Shell


查看数据帧内容

查看数据帧模式

对数据帧指定列进行查询，查询结果依然是数据帧，然后通过write成员的save()方法写入HDFS指定目录

查看HDFS上的输出结果


执行SQL查询

查看HDFS上的输出结果

课堂练习1、将4.1节的student.txt文件转换成student.parquet

得到学生数据帧 - studentDF

将学生数据帧保存为parquet文件

查看生成的parquet文件

复制parquet文件到/datasource/input目录

课堂练习2、读取student.parquet文件得到学生数据帧，并显示数据帧内容

2、在IntelliJ IDEA里演示
在这里插入图片描述

将java目录改成scala目录

在pom.xml文件里添加相关依赖，设置源程序文件夹

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0
         http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>net.cxf.sql</groupId>
    <artifactId>SparkSQLDemo</artifactId>
    <version>1.0-SNAPSHOT</version>

    <dependencies>
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>2.12.15</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>3.1.3</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.12</artifactId>
            <version>3.1.3</version>
        </dependency>
    </dependencies>
    <build>
        <sourceDirectory>src/main/scala</sourceDirectory>
    </build>
</project>

log4j.rootLogger=ERROR, stdout, logfile
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spark.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
    <property>
        <description>only config in clients</description>
        <name>dfs.client.use.datanode.hostname</name>
        <value>true</value>
    </property>
</configuration>

创建net.cxf.sql.day01包，在包里创建ReadParquetFile对象

package net.cxf.sql.day01
import org.apache.spark.sql.SparkSession
/**
 * 功能：读取Parquet文件
 * 作者：cxf
 * 日期：2023年06月07日
 */

object ReadParquetFile {
  def main(args: Array[String]): Unit = {
    // 创建或得到Spark会话对象
    val spark = SparkSession.builder()
      .appName("ReadParquetFile")
      .master("local[*]")
      .getOrCreate()
    // 加载student.parquet文件，得到数据帧
    val studentDF = spark.read.load("hdfs://master:9000/datasource/input/student.parquet")
    // 显示学生数据帧内容
    studentDF.show
    // 查询20岁以上的女生
    val girlDF = studentDF.filter("gender = '女' and age > 20")
    // 显示女生数据帧内容
    girlDF.show
    // 保存查询结果到HDFS（保证输出目录不存在）
    girlDF.write.save("hdfs://master:9000/datasource/output")
  }
}

运行程序，查看控制台结果

在HDFS查看输出结果

二、手动指定数据源

（一）案例演示读取不同数据源

1、读取csv文件
查看Spark的样例数据文件people.csv

将people.csv文件上传到HDFS的/datasource/input目录，然后查看文件内

读取人员csv文件，得到人员数据帧

查看人员数据帧内容


查看人员数据帧内容

2、读取json，保存为parquet
查看people.json文件

将people.json上传到HDFS的/datasource/input目录，并查看其内容




查看生成的parquet文件


现在读取/datasource/input/people.parquet文件得到人员数据帧

查看人员数据帧内容

3、读取jdbc数据源，保存为json文件
查看student数据库里的t_user表

报错，找不到数据库驱动程序com.mysql.jdbc.Driver

将数据库驱动程序上传到master虚拟机的/opt目录

将数据库驱动程序拷贝到$SPARK_HOME/jars目录，

加载jdbc数据源成功，但是有个警告，需要通过设置useSSL=false来消除


执行命令：userdf.show()


在虚拟机slave1查看生成的json文件

三、数据写入模式

案例演示不同写入模式

查看数据源

查询该文件name里，采用覆盖模式写入/result，/result目录里本来有东西的

导入SaveMode类

在slave1虚拟机上查看生成的json文件

查询age列

在slave1虚拟机上查看追加生成的json文件

四、分区自动推断

（一）分区自动推断概述

以people作为表名，gender和country作为分区列，给出存储数据的目录结构

（二）分区自动推断演示

1、建四个文件
在master虚拟机上/home里创建如下目录及文件，其中目录people代表表名，gender和country代表分区列，people.json存储实际人口数据

2、读取表数据
启动Spark Shell


3、输出Schema信息

4、显示数据帧内容