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))
} catch {
case e: Exception => None
}
})
[*]java使用Jackson读取JSON
class ParseJson implements FlatMapFunction {
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 {
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)
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 {
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
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, classOf).map{case (x, y) => (x.toString, y.get())}
[*]java
public static class ConvertToNativeTypes implements PairFunction {
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 {
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
页:
[1]