8.spark core之读写数据

  spark支持多种数据源，从总体来分分为两大部分：文件系统和数据库。

文件系统

  文件系统主要有本地文件系统、Amazon S3、HDFS等。

  文件系统中存储的文件有多种存储格式。spark支持的一些常见格式有：

格式名称	结构化	说明
文件文件	否	普通文件文件，每行一条记录
JSON	半结构化	常见的基于文本的半结构化数据
CSV	是	常见的基于文本的格式，在电子表格应用中使用
SequenceFiles	是	一种用于键值对数据的常见Hadoop文件格式

文本文件

• 读取

  • 读取单个文件，参数为文件全路径，输入的每一行都会成为RDD的一个元素。

    • python

    input = sc.textFile("file://opt/module/spark/README.md")
    

    • scala

    val input = sc.textFile("file://opt/module/spark/README.md")
    

    • java

    JavaRDD input = sc.textFile("file://opt/module/spark/README.md")
    

  • 读取多个文件时，可以使用textFile将参数改为目录或以逗号文件的多个文件名即可。如果是小文件，也可以使用wholeTextFiles读取为一个Pair RDD（键是文件名，值是文件内容）。

  val input = sc.wholeTextFiles("file://opt/module/spark/datas")
  val result = input.mapValues{
      y => {
          val nums = y.split(" ").map(x => x.toDouble)
          nums.sum / nums.size.toDouble
      }
  }
  

• 写入

  输出文本文件时，可使用saveAsTextFile()方法接收一个目录，将RDD中的内容输出到目录中的多个文件中。

```
result.saveAsTextFile(outputFile)
```

JSON

• 读取

  • 将数据作为文本文件读取，然后使用JSON解析器对数据进行解析。
  • python使用内置库读取JSON

  import json
  ...
  input = sc.textFile("file.json")
  data = input.map(lambda x: json.loads(x))
  

  • scala使用Jackson读取JSON

  import com.fasterxml.jackson.databind.ObjectMapper
  import com.fasterxml.jackson.module.scala.DefaultScalaModule
  ...
  case class Person(name: String, lovesPandas: Boolean)
  ...
  val input = sc.textFile("file.json")
  val mapper = new ObjectMapper()
  mapper.registerModule(DefaultScalaModule)
  val result = input.flatMap(record => {
      try {
          Some(mapper.readValue(record, classOf[Person]))
      } catch {
          case e: Exception => None
      }
  })
  

  • java使用Jackson读取JSON

  class ParseJson implements FlatMapFunction, Person> {
      public Iterable call(Iterator lines) throws Exception {
          ArrayList people = new ArrayList();
          ObjectMapper mapper = new ObjectMapper();
          while(lines.hasNext()) {
              String line = lines.next();
              try {
                  people.add(mapper.readValue(line, Person.class));    
              } catch(Exception e) {
                  //跳过失败的数据
              }
          }
          return people;
      }
  }
  
  JavaRDD input = sc.textFile("file.json");
  JavaRDD result = input.mapPartitions(new ParseJson());
  

• 写入

  • 使用JSON解析器将结构化的RDD转为字符串RDD，然后使用文本文件API输出。
  • python

  (data.filter(lambda x: x["lovesPandas"]).map(lambda x: json.dumps(x)).saveAsTextFile(outputFile)
  

  • scala

  result.filter(p => p.lovesPandas).map(mapper.writeValueAsString(_)).saveAsTextFile(outputFile)
  

  • java

  class WriteJson implements FlatMapFunction, String> {
      public Iterable call(Iterator people) throws Exception {
          ArrayList text = new ArrayList();
          ObjectMapper mapper = new ObjectMapper();
          while(people.hasNext()) {
              Person person = people.next();
              text.add(mapper.writeValueAsString(person));
          }
          return text;
      }
  }
  
  JavaRDD result = input.mapPartitions(new ParseJson()).filter(new LikesPandas());
  JavaRDD formatted = result.mapPartitions(new WriteJson());
  formatted.saveAsTextFile(outfile);
  

CSV与TSV

  CSV与TSV文件每行都有固定的字段，字段之间使用分隔符（CSV使用逗号；tsv使用制表符）分隔。

• 读取

  • 将csv或tsv文件当作普通文本文件读取，然后使用响应的解析器进行解析，同json处理方式。

  • python使用内置库读取csv

    • 文件中所有字段没有包含换行符

    import csv
    import StringIO
    ...
    def loadRecord(line):
        input = StringIO.StringIO(line)
        reader = csv.DictReader(input, fieldnames=["name","favouriteAnimal"])
        return reader.next()
    
    """读取每行记录"""    
    input = sc.textFile(inputFile).map(loadRecord)
    

    • 文件中的字段包含换行符

    def loadRecords(fileNameContents):
        input = StringIO.StringIO(fileNameContents[1])
        reader = csv.DictReader(input, fieldnames=["name","favoriteAnimal"])
        return reader
        
    """读取整个文件"""
    fullFileData = sc.wholeTextFiles(inputFile).flatMap(loadRecords)
    

  • scala使用opencsv库读取csv

    • 文件中所有字段没有包含换行符

    import Java.io.StringReader
    import au.com.bytecode.opencsv.CSVReader
    ...
    val input = sc.textFile(inputFile)
    val result = input.map{
        line => {
            val reader = new CSVReader(new StringReader(line))
            reader.readNext()
        }
    }
    

    • 文件中的字段包含换行符

    case class Person(name: String, favoriteAnimal: String)
    
    val input = sc.wholeTextFiles(inputFile)
    val result = input.flatMap(
        case(_, txt) => {
            val reader = new CSVReader(new StringReader(txt))
            reader.readAll().map(x => Person(x(0), x(1)))
        }
    

  • java使用opencsv库读取csv

    • 文件中所有字段没有包含换行符

    import Java.io.StringReader
    import au.com.bytecode.opencsv.CSVReader
    ...
    public static class ParseLine implements Function {
        public String[] call(String line) throws Exception {
            CSVReader reader = new CSVReader(new StringReader(line));
            return reader.readNext();
        }
    }
    
    JavaPairRDD csvData = sc.textFile(inputFile).map(new ParseLine());
    

    • 文件中的字段包含换行符

    public static class ParseLine implements FlatMapFunction, String[]> {
        public Iterable call(Tuple2 file) throws Exception {
            CSVReader reader = new CSVReader(new StringReader(file._2);
            return reader.readAll();
        }
    }
    
    JavaRDD keyedRDD = sc.wholeTextFiles(inputFile).flatMap(new ParseLine());
    

• 写入

  • csv或tsv文件输出时，将个字段转为指定顺序的数组，然后采用普通文本文件的方式进行输出。
  • python

  def writeRecords(records):
      output = StringIO.StringIO()
      writer = csv.DictWriter(output, fieldnames=["name", "favoriteAnimal"])
      for record in records:
          writer.writerow(record)
      return [output.getValue()]
      
  pandaLovers.mapPartitions(writeRecords).saveAsTextFile(outputFile)
  

  • scala

  pandasLovers.map(person => List(person.name, person.favoriteAnimal).toArray).mapPartitions{
      people => {
      val stringWriter = new StringWriter()
      val csvWriter = new CSVWriter(stringWriter)
      csvWriter.writeAll(people.toList)
      Iterator(stringWriter.toString)    
      }
  }.saveAsTextFile(outFile)
  

SequenceFile

  SequenceFile是键值对形式的常用Hadoop数据格式。由于Hadoop使用一套自定义的序列化框架，因此SequenceFile的键值对类型需实现Hadoop的Writable接口。

• 读取

  • python

  data = sc.sequenceFile(inFile, "org.apache.hadoop.io.Text", "org.apache.hadoop.io.IntWritable")
  

  • scala

  val data = sc.sequenceFile(inFile, classOf[Text], classOf[IntWritable]).map{case (x, y) => (x.toString, y.get())}    
  

  • java

  public static class ConvertToNativeTypes implements PairFunction, String, Integer> {
      public Tuple2 call(Tuple2 record) {
          return new Tuple2(record._1.toString(), record._2.get());
      }
  }
  
  JavaPairRDD result = sc.sequenceFile(fileName, Text.class, IntWritable.class).mapToPair(new ConvertToNativeTypes());
  

• 写入

  • python

  data = sc.parallelize([("Panda", 3), ("Kay", 6), ("Snail", 2)])
  data.saveAsSequeceFile(outputFile)
  

  • scala

  val data = sc.parallelize(List(("Panda", 3), ("Kay", 6), ("Snail", 2)))
  data.saveAsSequenceFile(outputFile)
  

  • java（java中没有saveAsSequenceFile方法，用自定义hadoop格式的方式实现）

  public static class ConvertToWritableTypes implements PairFunction, Text, IntWritable> {
      public Tuple2 call(Tuple2 record) {
          return new Tuple2(new Text(record._1), new IntWritable(record._2));
      }
  }
  
  JavaPairRDD result = sc.parallelizePairs(input).mapToPair(new ConvertToNativeTypes());
  result.saveAsHadoopFile(fileName, Text.class, IntWritable.class, SequenceFileOutputFormat.class);
  

数据库

  数据库主要分为关系型数据库（MySQL、PostgreSQL等）和非关系型数据库（HBase、ElasticSearch等）。

JDBC数据库连接

  spark使用JDBC访问关系型数据库（MySQL、PostgreSQL等），只需要构建一个org.apache.spark.rdd.JdbcRDD即可。

def createConnection() = {
    Class.forName("com.mysql.jdbc.Driver").newInstance()
    DriverManager.getConnection("jdbc:mysql://localhost/test", "root", "root")
}

def extractValues(r: ResultSet) = {
    (r.getInt(1), r.getString(2))
}

val data = new JdbcRDD(sc, createConnection, 
                "SELECT * FROM panda WHERE id >= ? AND id <= ?"),
                lowerBound = 1, upperBound = 3, 
                numPartitions = 2, mapRow = extractValues)
println(data.collect().toList)

HBase

  spark通过Hadoop输入格式（org.apache.hadoop.hbase.mapreduce.TableInputFormat）访问HBase。这种格式返回键值对数据，键类型为org.apache.hadoop.hbase.io.ImmutableBytesWritable，值类型为org.apache.hadoop.hbase.client.Result。

import org.apache.hadoop.hbase.HBaseConfiguration
import org.apache.hadoop.hbase.client.Result
import org.apache.hadoop.hbase.io.ImmutableBytesWritable
import org.apache.hadoop.hbase.mapreduce.TableInputFormat

val conf = HBaseConfiguration.create()
conf.set(TableInputFormat.INPUT_TABLE, "tablename")

val rdd = sc.newAPIHadoopRDD(conf, classOf[TableInputFormat], classOf[ImmutableBytesWritable], ClassOf[Result])

ElasticSearch

  spark使用ElasticSearch-Hadoop连接器从ElasticSearch中读写数据。ElasticSearch连接器依赖于SparkContext设置的配置项。ElasticSearch连接器也没有用到Spark封装的类型，而使用saveAsHadoopDataSet。

• 读取

def mapWritableToInput(in: MapWritable): Map[String, String] = {
    in.map{case (k, v) => (k.toString, v.toString)}.toMap
}

val jobConf = new JobConf(sc.hadoopConfiguration)
jobConf.set(ConfigurationOptions.ES_RESOURCE_READ, args[1])
jobConf.set(ConfigurationOptions.ES_NODES, args[2])

val currentTweets = sc.hadoopRDD(jobConf, classOf[EsInputFormat[Object, MapWritable]], classOf[Object], ClassOf[MapWritable])

val tweets = currentTweets.map{ case (key, value) => mapWritableToInput(value) }

• 写入

val jobConf = new JobConf(sc.hadoopConfiguration)
jobConf.set("mapred.output.format.class", "org.elasticsearch.hadoop.mr.EsOutFormat")
jobConf.setOutputCommitter(classOf[FileOutputCommitter])
jobConf.set(ConfigurationOptions.ES_RESOURCE_WRITE, "twitter/tweets")
jobConf.set(ConfigurationOptions.ES_NODES, "localhost")
FileOutputFormat.setOutputPath(jobConf, new Path("-"))
output.saveAsHadoopDataset(jobConf)