Spark3 学习【基于Java】4. Spark-Sql数据源

通过DF，Spark可以跟大量各型的数据源（文件/数据库/大数据）进行交互。前面我们已经看到DF可以生成视图，这就是一个非常使用的功能。

简单的读写流程如下：

通过read方法拿到DataFrameReader对象，与之类似的就有DataFrameWriter对象，通过DF的write方法拿到，通过其save方法将数据保存到文件或数据库。

Spark官方列出的支持的数据格式有：

• parquet，这是Apache的一种序列化格式，我没有用过
• json
• text
• csv，逗号或其他分隔符分割的text
• orc，也是apache的一种数据格式，没有用过
• avro，也是apache的一种数据格式，没有用过
• JDBC，spark也是Java的，支持jdbc数据源天经地义
• Hive，它本来就干这个的

我们来尝试几个例子。

JSON

我们的json文件还是之前那种不规范格式，我期望读到DF后能变成规范的格式：

1. Dataset<Row> json = session.read().json("spark-core/src/main/resources/people.json");
2. json.show();
3. json.write().save("spark-core/src/main/resources/people.json");

这样执行会报错，说文件已经存在。

于是换一个文件people1.json，这样会生成一个文件夹people1.json，而任务报错：

网上找了一个答案试一下：Exception in thread "main" java.lang.UnsatisfiedLinkError: org.apache.hadoop.io.nativeio.NativeIO$Windows.access0(Ljava/lang/String;I)Z - Stack Overflow

到https://github.com/steveloughran/winutils/blob/master/hadoop-3.0.0/bin 下载hadoop.dll到hadoop的bin目录，执行了一下倒是没报错（看来只是win系统的原因，linux应该不报错吧），产生了一个文件夹：

真奇怪，为什么spark非要使用parquet呢？可这样保存了该咋用呢？

parquet

根据 Parquet Files - Spark 3.2.0 Documentation (apache.org) 的说明，Parquet是apache的一款列式存储数据文件。spark会自动解析它的格式（有哪些字段），并把每一列都作为可空的。主要还是在hadoop相关的环境下使用。

上面生成的parquet文件时可以直接读取的。和读取json文件一样，spark提供了parquet()方法：

除了save方法，spark也支持通过parquet方法直接保存：

JDBC

这种方式对于我们来说可能是使用最多的。从数据库中读取数据，经过处理再写回到数据库。

使用JDBC连接有两种方法，第一种方法是通过option传入连接参数：

1. DataFrameReader jdbc = session.read().format("jdbc");
2. jdbc.option("url", "jdbc:mysql://localhost:3306/enn");
3. jdbc.option("dbtable", "config_info");
4. jdbc.option("user", "root");
5. jdbc.option("password", "123456");
6. Dataset<Row> jdbcDf = jdbc.load();
7. jdbcDf.show();

直接执行会报错，因为找不到数据库驱动

通过maven引入驱动（实际开发中如果不是使用maven项目，需要把驱动jar包放到服务器上指定classpath）即可成功

除了option参数，spark还提供了通过Jdbc方法来生成DF，这样没有load的显式过程：

可以看到代码更短更面向对象，所以推荐第二种。

另外库名可以放到url中也可以放到表名前面。下面这样也可以，这是驱动提供的能力，和编码无关

现在要把一个DF保存到数据库，使用write即可：

注意要保存的表不能提前存在，不然会说表已经有了。那spark自己怎么创建表呢？它会根据推断的类型创建一个字段都可空的表：

如果想追加数据呢？总不能每次都创建新表吧。可以使用mode方法指定，可以看到插入了两遍：

还有一个问题是汉字编码问题，我们需要指定一下：

这里使用一张已经存在的表，表定义是复制的原始表：