• SparkSQL系列-6、外部数据源 DataSource？

    版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

    传送门：大数据系列文章目录

    官方网址：http://spark.apache.org/、 http://spark.apache.org/sql/
    在这里插入图片描述

    目录

    SparkSQL支持哪些外部数据源？

    在SparkSQL模块，提供一套完成API接口，用于方便读写外部数据源的的数据（从Spark 1.4版本提供），框架本身内置外部数据源：
    在这里插入图片描述
    在Spark 2.4版本中添加支持Image Source（图像数据源）和Avro Source。

    数据源与格式

    数据分析处理中，数据可以分为结构化数据、非结构化数据及半结构化数据。
    在这里插入图片描述

    1）、结构化数据（Structured）

    • 结构化数据源可提供有效的存储和性能。例如， Parquet和ORC等柱状格式使从列的子集中提取值变得更加容易。
    • 基于行的存储格式（如Avro）可有效地序列化和存储提供存储优势的数据。然而，这些优点通常以灵活性为代价。如因结构的固定性，格式转变可能相对困难。

    2）、非结构化数据（UnStructured）

    • 相比之下，非结构化数据源通常是自由格式文本或二进制对象，其不包含标记或元数据以定义数据的结构。
    • 报纸文章，医疗记录，图像，应用程序日志通常被视为非结构化数据。这些类型的源通常要求数据周围的上下文是可解析的。

    3）、半结构化数据（Semi-Structured）

    • 半结构化数据源是按记录构建的，但不一定具有跨越所有记录的明确定义的全局模式。每个数据记录都使用其结构信息进行扩充。
    • 半结构化数据格式的好处是，它们在表达数据时提供了最大的灵活性，因为每条记录都是自我描述的。但这些格式的主要缺点是它们会产生额外的解析开销，并且不是特别为ad-hoc(特定)查询而构建的。

    加载/保存数据

    SparkSQL提供一套通用外部数据源接口，方便用户从数据源加载和保存数据，例如从MySQL表中既可以加载读取数据： load/read，又可以保存写入数据： save/write。
    在这里插入图片描述
    由于SparkSQL没有内置支持从HBase表中加载和保存数据，但是只要实现外部数据源接口，也能像上面方式一样读取加载数据

    Load 加载数据

    在SparkSQL中读取数据使用SparkSession读取，并且封装到数据结构Dataset/DataFrame中。
    在这里插入图片描述
    DataFrameReader专门用于加载load读取外部数据源的数据，基本格式如下：
    在这里插入图片描述
    SparkSQL模块本身自带支持读取外部数据源的数据：
    在这里插入图片描述
    总结起来三种类型数据，也是实际开发中常用的：

    第一类：文件格式数据

    • 文本文件text、 csv文件和json文件

    第二类：列式存储数据

    • Parquet格式、 ORC格式

    第三类：数据库表

    • 关系型数据库RDBMS： MySQL、 DB2、 Oracle和MSSQL
    • Hive仓库表

    在这里插入图片描述

    官方文档： http://spark.apache.org/docs/2.4.5/sql-data-sources-load-save-functions.html

    此外加载文件数据时， 可以直接使用SQL语句，指定文件存储格式和路径：
    在这里插入图片描述

    Save 保存数据

    SparkSQL模块中可以从某个外部数据源读取数据，就能向某个外部数据源保存数据，提供相应接口，通过DataFrameWrite类将数据进行保存。
    在这里插入图片描述
    与DataFrameReader类似，提供一套规则，将数据Dataset保存，基本格式如下：
    在这里插入图片描述
    SparkSQL模块内部支持保存数据源如下：
    在这里插入图片描述
    所以使用SpakrSQL分析数据时，从数据读取，到数据分析及数据保存，链式操作，更多就是ETL操作。 当将结果数据DataFrame/Dataset保存至Hive表中时，可以设置分区partition和分桶bucket，形式如下：
    在这里插入图片描述

    案例演示

    加载json格式数据，提取name和age字段值，保存至Parquet列式存储文件。

    // 加载json数据
val peopleDF = spark.read.format("json").load("/datas/resources/people.json")
val resultDF = peopleDF.select("name", "age")
// 保存数据至parquet
resultDF.write.format("parquet").save("/datas/people-parquet")

    • 1
    • 2
    • 3
    • 4
    • 5

    在spark-shell上执行上述语句，截图结果如下：
    在这里插入图片描述

    查看HDFS文件系统目录，数据已保存值parquet文件，并且使用snappy压缩。
    在这里插入图片描述

    保存模式（SaveMode）

    将Dataset/DataFrame数据保存到外部存储系统中，考虑是否存在，存在的情况下的下如何进行保存， DataFrameWriter中有一个mode方法指定模式：
    在这里插入图片描述
    通过源码发现SaveMode时枚举类，使用Java语言编写，如下四种保存模式：

    1. Append 追加模式，当数据存在时，继续追加；
    2. Overwrite 覆写模式，当数据存在时，覆写以前数据，存储当前最新数据；
    3. ErrorIfExists 存在及报错；
    4. Ignore 忽略，数据存在时不做任何操作；

    实际项目依据具体业务情况选择保存模式，通常选择Append和Overwrite模式。

    parquet 数据

    SparkSQL模块中默认读取数据文件格式就是parquet列式存储数据， 通过参数
    【spark.sql.sources.default】设置，默认值为【parquet】。
    范例演示代码： 直接load加载parquet数据和指定parquet格式加载数据。

    import org.apache.spark.sql.{DataFrame, SparkSession}
/**
 * SparkSQL读取Parquet列式存储数据
 */
object SparkSQLParquet {
  def main(args: Array[String]): Unit = {
    // 构建SparkSession实例对象，通过建造者模式创建
    val spark: SparkSession = SparkSession
      .builder()
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      .master("local[3]")
      .getOrCreate()
    import spark.implicits._
    // TODO: 从LocalFS上读取parquet格式数据
    val usersDF: DataFrame = spark.read.parquet("datas/resources/users.parquet")
    usersDF.printSchema()
    usersDF.show(10, truncate = false)
    // SparkSQL默认读取文件格式为parquet
    val df = spark.read.load("datas/resources/users.parquet")
    df.printSchema()
    df.show(10, truncate = false)
    // 应用结束，关闭资源
    spark.stop()
  }
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25

    运行程序结果：

    root
 |-- name: string (nullable = true)
 |-- favorite_color: string (nullable = true)
 |-- favorite_numbers: array (nullable = true)
 |    |-- element: integer (containsNull = true)

+------+--------------+----------------+
|name  |favorite_color|favorite_numbers|
+------+--------------+----------------+
|Alyssa|null          |[3, 9, 15, 20]  |
|Ben   |red           |[]              |
+------+--------------+----------------+

root
 |-- name: string (nullable = true)
 |-- favorite_color: string (nullable = true)
 |-- favorite_numbers: array (nullable = true)
 |    |-- element: integer (containsNull = true)

+------+--------------+----------------+
|name  |favorite_color|favorite_numbers|
+------+--------------+----------------+
|Alyssa|null          |[3, 9, 15, 20]  |
|Ben   |red           |[]              |
+------+--------------+----------------+

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25

    text 数据

    SparkSession加载文本文件数据，提供两种方法，返回值分别为DataFrame和Dataset，前面【入门案例：词频统计WordCount】中已经使用，下面看一下方法声明：
    在这里插入图片描述
    可以看出textFile方法底层还是调用text方法，先加载数据封装到DataFrame中，再使用as[String]方法将DataFrame转换为Dataset，实际项目中推荐使用textFile方法，从Spark 2.0开始提供。

    无论是text方法还是textFile方法读取文本数据时， 一行一行的加载数据，每行数据使用UTF-8编码的字符串，列名称为【value】 。

    范例演示： 分别使用text和textFile方法加载数据。

    import org.apache.log4j.{Level, Logger}
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}
/**
 * SparkSQL加载文本文件数据，方法text和textFile
 */
object SparkSQLText {
  def main(args: Array[String]): Unit = {
    // 构建SparkSession实例对象，通过建造者模式创建
    val spark: SparkSession = SparkSession
      .builder()
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      .master("local[3]")
      .getOrCreate() // 底层实现：单例模式，创建SparkContext对象
    Logger.getRootLogger.setLevel(Level.WARN)
    // TODO: text方法加载数据，封装至DataFrame中
    val dataframe: DataFrame = spark.read.text("datas/resources/people.txt")
    dataframe.printSchema()
    dataframe.show(10, truncate = false)
    println("=================================================")
    val dataset: Dataset[String] = spark.read.textFile("datas/resources/people.txt")
    dataset.printSchema()
    dataset.show(10, truncate = false)
    spark.stop()// 应用结束，关闭资源
  }
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25

    执行结果：

    root
 |-- value: string (nullable = true)

+-----------+
|value      |
+-----------+
|Michael, 29|
|Andy, 30   |
|Justin, 19 |
+-----------+

=================================================
root
 |-- value: string (nullable = true)

+-----------+
|value      |
+-----------+
|Michael, 29|
|Andy, 30   |
|Justin, 19 |
+-----------+

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22

    json 数据

    实际项目中，有时处理数据以JSON格式存储的，尤其后续结构化流式模块：
    StructuredStreaming，从Kafka Topic消费数据很多时候是JSON个数据，封装到DataFrame中，需要解析提取字段的值。以读取github操作日志JSON数据为例，数据结构如下：
    在这里插入图片描述
    1）、操作日志数据使用GZ压缩： 2015-03-01-11.json.gz，先使用json方法读取。

    // 构建SparkSession实例对象，通过建造者模式创建
val spark: SparkSession = SparkSession
.builder()
.appName(this.getClass.getSimpleName.stripSuffix("$"))
.master("local[3]")
// 底层实现：单例模式，创建SparkContext对象
.getOrCreate()
import spark.implicits._

// TODO: 从LocalFS上读取json格式数据(压缩）
val jsonDF: DataFrame = spark.read.json("datas/json/2015-03-01-11.json.gz")
jsonDF.printSchema()
jsonDF.show(10, truncate = true)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    2）、使用textFile加载数据，对每条JSON格式字符串数据，使用SparkSQL函数库functions中自带get_json_obejct函数提取字段： id、 type、 public和created_at的值。

    函数： get_json_obejct使用说明
    在这里插入图片描述
    范例演示完整代码：

    import org.apache.log4j.{Level, Logger}
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}

/**
 * SparkSQL读取JSON格式文本数据
 */
object SparkSQLJson {
  def main(args: Array[String]): Unit = {
    // 构建SparkSession实例对象，通过建造者模式创建
    val spark: SparkSession = SparkSession
      .builder()
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      .master("local[3]")
      // 底层实现：单例模式，创建SparkContext对象
      .getOrCreate()
    Logger.getRootLogger.setLevel(Level.WARN)
    import spark.implicits._
    // TODO: 从LocalFS上读取json格式数据(压缩）
    val jsonDF: DataFrame = spark.read.json("datas/json/2015-03-01-11.json.gz")
    jsonDF.printSchema()
    jsonDF.show(10, truncate = true)
    println("===================================================")
    val githubDS: Dataset[String] = spark.read.textFile("datas/json/2015-03-01-11.json.gz")
    githubDS.printSchema() // value 字段名称，类型就是String
    githubDS.show(1)
    // TODO：使用SparkSQL自带函数，针对JSON格式数据解析的函数
    import org.apache.spark.sql.functions._
    // 获取如下四个字段的值： id、 type、 public和created_at
    val gitDF: DataFrame = githubDS.select(
      get_json_object($"value", "$.id").as("id"),
      get_json_object($"value", "$.type").as("type"),
      get_json_object($"value", "$.public").as("public"),
      get_json_object($"value", "$.created_at").as("created_at")
    )
    gitDF.printSchema()
    gitDF.show(10, truncate = false)
    // 应用结束，关闭资源
    spark.stop()
  }
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40

    csv 数据

    在机器学习中，常常使用的数据存储在csv/tsv文件格式中，所以SparkSQL中也支持直接读取格式数据，从2.0版本开始内置数据源。关于CSV/TSV格式数据说明：

    在这里插入图片描述
    SparkSQL中读取CSV格式数据，可以设置一些选项，重点选项：

    1）、分隔符： sep

    • 默认值为逗号，必须单个字符

    2）、数据文件首行是否是列名称： header

    • 默认值为false，如果数据文件首行是列名称，设置为true

    3）、是否自动推断每个列的数据类型： inferSchema

    • 默认值为false，可以设置为true

    官方提供案例：

    在这里插入图片描述

    当读取CSV/TSV格式数据文件首行是否是列名称，读取数据方式（参数设置）不一样的 。

    第一点：首行是列的名称，如下方式读取数据文件

    // TODO: 读取TSV格式数据
val ratingsDF: DataFrame = spark.read
// 设置每行数据各个字段之间的分隔符， 默认值为 逗号
.option("sep", "\t")
// 设置数据文件首行为列名称，默认值为 false
.option("header", "true")
// 自动推荐数据类型，默认值为false
.option("inferSchema", "true")
// 指定文件的路径
.csv("datas/ml-100k/u.dat")
ratingsDF.printSchema()
ratingsDF.show(10, truncate = false)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    第二点：首行不是列的名称，如下方式读取数据（设置Schema信息）

    // 定义Schema信息
val schema = StructType(
StructField("user_id", IntegerType, nullable = true) ::
StructField("movie_id", IntegerType, nullable = true) ::
StructField("rating", DoubleType, nullable = true) ::
StructField("timestamp", StringType, nullable = true) :: Nil
)
// TODO: 读取TSV格式数据
val mlRatingsDF: DataFrame = spark.read
// 设置每行数据各个字段之间的分隔符， 默认值为 逗号
.option("sep", "\t")
// 指定Schema信息
.schema(schema)
// 指定文件的路径
.csv("datas/ml-100k/u.data")
mlRatingsDF.printSchema()
mlRatingsDF.show(5, truncate = false)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17

    将DataFrame数据保存至CSV格式文件，演示代码如下：

    /**
* 将电影评分数据保存为CSV格式数据
*/
mlRatingsDF
// 降低分区数，此处设置为1，将所有数据保存到一个文件中
.coalesce(1)
.write
// 设置保存模式，依据实际业务场景选择，此处为覆写
.mode(SaveMode.Overwrite)
.option("sep", ",")
// TODO: 建议设置首行为列名
.option("header", "true")
.csv("datas/ml-csv-" + System.nanoTime())

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    范例演示完整代码SparkSQLCsv.scala如下：

    import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkContext
import org.apache.spark.sql.types._
import org.apache.spark.sql.{DataFrame, SaveMode, SparkSession}

/**
 * SparkSQL 读取CSV/TSV格式数据：
 * i). 指定Schema信息
 * ii). 是否有header设置
 */
object SparkSQLCsv {
  def main(args: Array[String]): Unit = {
    // 构建SparkSession实例对象
    val spark: SparkSession = SparkSession.builder()
      .appName(SparkSQLCsv.getClass.getSimpleName)
      .master("local[2]")
      .getOrCreate()

    Logger.getRootLogger.setLevel(Level.WARN)
    import spark.implicits._
    // 获取SparkContext实例对象
    val sc: SparkContext = spark.sparkContext
    /**
     * 实际企业数据分析中
     * csv\tsv格式数据，每个文件的第一行（head, 首行），字段的名称（列名）
     */
    // TODO: 读取TSV格式数据
    val ratingsDF: DataFrame = spark.read
      // 设置每行数据各个字段之间的分隔符， 默认值为 逗号
      .option("sep", "\t")
      // 设置数据文件首行为列名称，默认值为 false
      .option("header", "true")
      // 自动推荐数据类型，默认值为false
      .option("inferSchema", "true")
      // 指定文件的路径
      .csv("datas/ml-100k/u.dat")
    ratingsDF.printSchema()
    ratingsDF.show(10, truncate = false)
    // 定义Schema信息
    val schema = StructType(
      StructField("user_id", IntegerType, nullable = true) ::
        StructField("movie_id", IntegerType, nullable = true) ::
        StructField("rating", DoubleType, nullable = true) ::
        StructField("timestamp", StringType, nullable = true) :: Nil
    )
    // TODO: 读取TSV格式数据
    val mlRatingsDF: DataFrame = spark.read
      // 设置每行数据各个字段之间的分隔符， 默认值为 逗号
      .option("sep", "\t")
      // 指定Schema信息
      .schema(schema)
      // 指定文件的路径
      .csv("datas/ml-100k/u.data")
    mlRatingsDF.printSchema()
    mlRatingsDF.show(5, truncate = false)
    // 将电影评分数据保存为CSV格式数据
    mlRatingsDF
      // 降低分区数，此处设置为1，将所有数据保存到一个文件中
      .coalesce(1)
      .write
      // 设置保存模式，依据实际业务场景选择，此处为覆写
      .mode(SaveMode.Overwrite)
      .option("sep", ",")
      // TODO: 建议设置首行为列名
      .option("header", "true")
      .csv("datas/ml-csv-" + System.nanoTime())
    // 关闭资源
    spark.stop()
  }
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70

    执行结果：

    root
 |-- userId: integer (nullable = true)
 |-- movieId: integer (nullable = true)
 |-- rating: integer (nullable = true)
 |-- timestamp: integer (nullable = true)

+------+-------+------+---------+
|userId|movieId|rating|timestamp|
+------+-------+------+---------+
|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|
+------+-------+------+---------+
only showing top 10 rows

root
 |-- user_id: integer (nullable = true)
 |-- movie_id: integer (nullable = true)
 |-- rating: double (nullable = true)
 |-- timestamp: string (nullable = true)

+-------+--------+------+---------+
|user_id|movie_id|rating|timestamp|
+-------+--------+------+---------+
|196    |242     |3.0   |881250949|
|186    |302     |3.0   |891717742|
|22     |377     |1.0   |878887116|
|244    |51      |2.0   |880606923|
|196    |242     |3.0   |881250949|
+-------+--------+------+---------+
only showing top 5 rows


    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39

    rdbms 数据

    回顾在SparkCore中读取MySQL表的数据通过JdbcRDD来读取的，在SparkSQL模块中提供对应接口，提供三种方式读取数据：

    方式一： 单分区模式
    在这里插入图片描述
    方式二： 多分区模式，可以设置列的名称，作为分区字段及列的值范围和分区数目
    在这里插入图片描述

    方式三： 高度自由分区模式，通过设置条件语句设置分区数据及各个分区数据范围
    在这里插入图片描述
    当加载读取RDBMS表的数据量不大时，可以直接使用单分区模式加载；当数据量很多时，考虑使用多分区及自由分区方式加载。

    从RDBMS表中读取数据，需要设置连接数据库相关信息，基本属性选项如下：
    在这里插入图片描述

    范例演示： 以MySQL数据库为例，加载订单表so数据，首先添加数据库驱动依赖包：

    <dependency>
	<groupId>mysqlgroupId>
	<artifactId>mysql-connector-javaartifactId>
	<version>8.0.19version>
dependency>

    • 1
    • 2
    • 3
    • 4
    • 5

    完整演示代码如下：

    import java.util.Properties

import org.apache.log4j.{Level, Logger}
import org.apache.spark.sql.{DataFrame, SparkSession}

/**
 * 使用SparkSession从RDBMS 表中读取数据，此处以MySQL数据库为例
 */
object SparkSQLMySQL {
  def main(args: Array[String]): Unit = {
    // 在SparkSQL中，程序的同一入口为SparkSession实例对象，构建采用是建造者模式
    val spark: SparkSession = SparkSession.builder()
      .master("local[4]")
      .appName("SparkSQLMySQL")
      .config("spark.sql.shuffle.partitions", "4")
      .getOrCreate()
    Logger.getRootLogger.setLevel(Level.WARN)
    // 导入隐式转换
    import spark.implicits._
    // 连接数据库三要素信息
    val url: String = "jdbc:mysql://localhost:3306/test?serverTimezone=UTC&characterEncoding=utf8&useUnicode = true"
      val table: String = "t_pay_log"
      // 存储用户和密码等属性
      val props: Properties = new Properties ()
      props.put ("driver", "com.mysql.cj.jdbc.Driver")
      props.put ("user", "root")
      props.put ("password", "123456")
      // TODO: 从MySQL数据库表：支付记录表
      // def jdbc(url: String, table: String, properties: Properties): DataFrame
      val sosDF: DataFrame = spark.read.jdbc (url, table, props)
      println (s"Count = ${sosDF.count()}"
    )
    sosDF.printSchema()
    sosDF.show(10, truncate = false)
    // 关闭资源
    spark.stop()
  }
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38

    执行结果：

    Count = 622
root
 |-- id: long (nullable = true)
 |-- create_date: timestamp (nullable = true)
 |-- modify_date: timestamp (nullable = true)
 |-- store_id: long (nullable = true)
 |-- distributor_id: long (nullable = true)
 |-- pay_order_type: integer (nullable = true)
 |-- payer_user_id: string (nullable = true)
 |-- payee_user_id: string (nullable = true)
 |-- payee_account_number: string (nullable = true)
 |-- order_id: long (nullable = true)
 |-- order_no: string (nullable = true)
 |-- amount: decimal(20,2) (nullable = true)
 |-- deduction_amount: decimal(20,2) (nullable = true)
 |-- credit_amount: decimal(20,2) (nullable = true)
 |-- net_receipts_amount: decimal(20,2) (nullable = true)
 |-- net_receipts_amount_cent: string (nullable = true)
 |-- pay_time: timestamp (nullable = true)
 |-- pay_sn: string (nullable = true)
 |-- binding_tx_sn: string (nullable = true)
 |-- binding_card_id: long (nullable = true)
 |-- pay_status_name: string (nullable = true)
 |-- pay_status: string (nullable = true)
 |-- pay_type: string (nullable = true)
 |-- pay_name: string (nullable = true)
 |-- is_send_cpcn_pay: boolean (nullable = true)
 |-- pay_business_type: integer (nullable = true)
 |-- ext_type: integer (nullable = true)
 |-- is_deduction_amount_return: boolean (nullable = true)
 |-- callback_time: timestamp (nullable = true)
 |-- service_charge: decimal(20,2) (nullable = true)
 |-- is_duplicate_pay: boolean (nullable = true)
 |-- accept_time: timestamp (nullable = true)
 |-- is_delete: boolean (nullable = true)
 |-- remark: string (nullable = true)

+---+-------------------+-------------------+--------+--------------+--------------+----------------------+----------------------+--------------------+--------+---------------------+------+----------------+-------------+-------------------+------------------------+-------------------+---------------------------+---------------------------+---------------+---------------+----------+--------+--------+----------------+-----------------+--------+--------------------------+-------------+--------------+----------------+-----------+---------+------+
|id |create_date        |modify_date        |store_id|distributor_id|pay_order_type|payer_user_id         |payee_user_id         |payee_account_number|order_id|order_no             |amount|deduction_amount|credit_amount|net_receipts_amount|net_receipts_amount_cent|pay_time           |pay_sn                     |binding_tx_sn              |binding_card_id|pay_status_name|pay_status|pay_type|pay_name|is_send_cpcn_pay|pay_business_type|ext_type|is_deduction_amount_return|callback_time|service_charge|is_duplicate_pay|accept_time|is_delete|remark|
+---+-------------------+-------------------+--------+--------------+--------------+----------------------+----------------------+--------------------+--------+---------------------+------+----------------+-------------+-------------------+------------------------+-------------------+---------------------------+---------------------------+---------------+---------------+----------+--------+--------+----------------+-----------------+--------+--------------------------+-------------+--------------+----------------+-----------+---------+------+
|3  |2021-10-23 21:49:52|2021-11-28 18:44:15|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7328    |STO816349545592226499|0.02  |0.00            |null         |0.02               |2                       |null               |202110231349288471914024279|202110211551567835530441719|218            |支付失败       |40        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |true     |null  |
|4  |2021-10-25 17:36:56|2021-11-15 23:57:25|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7328    |STO816349545592226499|0.02  |0.00            |null         |0.02               |2                       |null               |202110250936497741984473432|202110211551567835530441719|218            |支付失败       |40        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |true     |null  |
|5  |2021-10-25 17:49:48|2021-11-28 18:44:23|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7328    |STO816349545592226499|0.02  |0.00            |null         |0.02               |2                       |null               |202110250949434516009115077|202110211551567835530441719|218            |支付失败1      |40        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |true     |null  |
|6  |2021-10-25 19:16:05|2021-11-15 23:57:25|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7328    |STO816349545592226499|0.02  |0.00            |null         |0.02               |2                       |null               |202110251116020875276500203|202110211551567835530441719|218            |支付失败       |40        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |true     |null  |
|7  |2021-10-25 19:32:28|2021-11-15 23:57:25|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7328    |STO816349545592226499|0.02  |0.00            |null         |0.02               |2                       |null               |202110251132225246101010159|202110211551567835530441719|218            |支付失败       |40        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |false    |null  |
|8  |2021-10-25 20:13:11|2021-11-15 23:57:25|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7329    |STO816351349582806323|0.02  |0.00            |null         |0.02               |2                       |null               |202110251213063509169295561|202110211551567835530441719|218            |支付处理中     |20        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |true     |null  |
|9  |2021-10-25 20:25:16|2021-11-15 23:57:25|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7329    |STO816351349582806323|0.02  |0.00            |null         |0.02               |2                       |2021-10-25 20:26:54|202110251225113602792072707|202110211551567835530441719|218            |支付成功       |30        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |true     |null  |
|10 |2021-10-25 20:35:29|2021-11-15 23:57:25|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7329    |STO816351349582806323|0.02  |0.00            |null         |0.02               |2                       |null               |202110251235236495282362928|202110211551567835530441719|218            |支付失败       |40        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |true     |null  |
|11 |2021-10-25 20:41:24|2021-11-15 23:57:25|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7329    |STO816351349582806323|0.02  |0.00            |null         |0.02               |2                       |null               |202110251241198087141763857|202110211551567835530441719|218            |支付处理中     |20        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |true     |null  |
|12 |2021-10-25 20:47:25|2021-11-15 23:57:25|24098   |1             |1             |PE20211021153512861672|PE20211013104025354326|null                |7330    |STO816351371385476431|0.02  |0.00            |null         |0.02               |2                       |null               |202110251247195197853981367|202110211551567835530441719|218            |支付失败       |40        |0       |快捷支付|true            |0                |null    |false                     |null         |0.00          |false           |null       |false    |null  |
+---+-------------------+-------------------+--------+--------------+--------------+----------------------+----------------------+--------------------+--------+---------------------+------+----------------+-------------+-------------------+------------------------+-------------------+---------------------------+---------------------------+---------------+---------------+----------+--------+--------+----------------+-----------------+--------+--------------------------+-------------+--------------+----------------+-----------+---------+------+
only showing top 10 rows

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52

    可以使用option方法设置连接数据库信息，而不使用Properties传递，代码如下：

    // TODO： 使用option设置参数
val dataframe: DataFrame = spark.read
.format("jdbc")
.option("driver", "com.mysql.cj.jdbc.Driver")
.option("url", "jdbc:mysql://localhost:3306/test?serverTimezone=UTC&characterEncoding=utf8&useUnicode=tru
.option("user", "root")
.option("password", "123456")
.option("dbtable", "t_pay_log")
.load()
dataframe.show(5, truncate = false)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10

    hive 数据

    Spark SQL模块从发展来说，从Apache Hive框架而来，发展历程： Hive（MapReduce） -> Shark(Hive on Spark) -> Spark SQL（SchemaRDD -> DataFrame -> Dataset)，所以SparkSQL天然无缝集成Hive，可以加载Hive表数据进行分析。

    官方文档： http://spark.apache.org/docs/2.4.5/sql-data-sources-hive-tables.html

    spark-shell 集成 Hive

    第一步、当编译Spark源码时，需要指定集成Hive，命令如下：

    在这里插入图片描述
    官方文档： http://spark.apache.org/docs/2.4.5/building-spark.html#building-with-hive-and-jdbc-support

    第二步、 SparkSQL集成Hive本质就是： 读取Hive框架元数据MetaStore，此处启动Hive MetaStore服务即可。

    • Hive 元数据MetaStore读取方式： JDBC连接四要素和HiveMetaStore服务
      在这里插入图片描述
    • 启动Hive MetaStore 服务，脚本【metastore-start.sh】内容如下：
    #!/bin/sh
HIVE_HOME=/export/server/hive
## 启动服务的时间
DATE_STR=`/bin/date '+%Y%m%d%H%M%S'`
# 日志文件名称(包含存储路径)
HIVE_SERVER2_LOG=${HIVE_HOME}/hivemetastore-${DATE_STR}.log
## 启动服务
/usr/bin/nohup ${HIVE_HOME}/bin/hive --service metastore > ${HIVE_SERVER2_LOG} 2>&1 &

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    第三步、连接HiveMetaStore服务配置文件hive-site.xml，放于【$SPARK_HOME/conf】目录

    

<configuration>
	<property>
		<name>hive.metastore.urisname>
		<value>thrift://node1.cn:9083value>
	property>
configuration>

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    将hive-site.xml配置发送到集群中所有Spark按照配置目录，此时任意机器启动应用都可以访问Hive表数据

    第四步、案例演示，读取Hive中db_hive.emp表数据，分析数据

    • 其一、读取表的数据，使用DSL分析

    在这里插入图片描述

    • 其二、直接编写SQL语句
      在这里插入图片描述

    复杂SQL分析语句执行：

    spark.sql("select e.ename, e.sal, d.dname from db_hive.emp e join db_hive.dept d on e.deptno = d.deptno").show()

    • 1

    IDEA 集成 Hive

    在IDEA中开发应用，集成Hive，读取表的数据进行分析，构建SparkSession时需要设置HiveMetaStore服务器地址及集成Hive选项，首先添加MAVEN依赖包：

    
<dependency>
	<groupId>org.apache.sparkgroupId>
	<artifactId>spark-hive_${scala.binary.version}artifactId>
	<version>${spark.version}version>
dependency>

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6

    范例演示代码如下：

    import org.apache.spark.sql.SparkSession

/**
 * SparkSQL集成Hive，读取Hive表的数据进行分析
 */
object SparkSQLHive {
  def main(args: Array[String]): Unit = {
    // TODO: 构建SparkSession实例对象
    val spark: SparkSession = SparkSession.builder()
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      .master("local[4]")
      .config("spark.sql.shuffle.partitions", "4")
      // 指定Hive MetaStore服务地址
      .config("hive.metastore.uris", "thrift://node1.cn:9083")
      // TODO: 表示集成Hive，读取Hive表的数据
      .enableHiveSupport()
      .getOrCreate()
    // 导入隐式转换
    import spark.implicits._
    // 导入函数库
    import org.apache.spark.sql.functions._
    // TODO： 读取Hive表的数据
    spark.sql(
      """
        |SELECT deptno, ROUND(AVG(sal), 2) AS avg_sal FROM db_hive.emp GROUP BY deptno
""".stripMargin)
      .show(10, truncate = false)
    println("===========================================================")
    import org.apache.spark.sql.functions._
    spark.read
      .table("db_hive.emp")
      .groupBy($"deptno")
      .agg(round(avg($"sal"), 2).alias("avg_sal"))
      .show(10, truncate = false)
    // 应用结束，关闭资源
    spark.stop()
  }
}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38

    运行程序结果如下：
    在这里插入图片描述

  • 相关阅读:
    Redis存储结构之zskiplist
    南卡与孩视宝护眼台灯哪个好？全方位分析两款护眼台灯
    计算机毕业设计 基于微信小程序的“共享书角”图书借还管理系统的设计与实现 Java实战项目 附源码+文档+视频讲解
    项目中索引的真实应用场景-2022新项目
    AI是风口还是泡沫？
    vscode+eslint一键格式化代码
    AgileConfig-1.7.0 发布，支持 SSO
    5分钟快速上手Nmap指令（基于Kali系统）
    net-java-php-python-基于mvc的酒吧系统的设计与实现计算机毕业设计程序
    双指针/滑动窗口问题
  • 原文地址：https://blog.csdn.net/l848168/article/details/126419845