【一】SparkSQL数据源
【1】Spark SQL的DataFrame接口支持多种数据源的操作
一个DataFrame可以进行RDDs方式的操作，也可以被注册为临时表，把DataFrame注册为临时表之后，就可以对该DataFrame执行SQL查询
【2】 Spark SQL的默认数据源为Parquet格式。数据源为Parquet文件时，Spark SQL可以方便的执行所有的操作。修改配置项spark.sql.sources.default，可修改默认数据源格式
val df = sqlContext.read.load("examples/src/main/resources/users.parquet")
df.select("name", "favorite_color").write.save("namesAndFavColors.parquet")
【3】当数据源格式不是parquet格式文件时，需要手动指定数据源的格式。数据源格式需要指定全名（例如：org.apache.spark.sql.parquet），如果数据源格式为内置格式，则只需要指定简称定json, parquet, jdbc, orc, libsvm, csv, text来指定数据的格式
可以通过SparkSession提供的read.load方法用于通用加载数据，使用write和save保存数据
val df = spark.read.format("json").load("examples/src/main/resources/people.json")
df.write.format("json").save("hdfs://node01:8020/namesAndAges.json")
除此之外，可以直接运行SQL在文件上
val df= spark.sql("SELECT * FROM parquet.`hdfs://node01:8020/namesAndAges.json`")
df.show()
【4】文件保存选项
①.SaveMode.ErrorIfExists(default)
“error”(default) 如果文件存在，则报错
②.SaveMode.Append
“append” 追加
③.SaveMode.Overwrite
“overwrite” 覆写
④.SaveMode.Ignore
“ignore” 数据存在，则忽略
【5】Parquet文件
Parquet是一种流行的列式存储格式，可以高效地存储具有嵌套字段的记录
【6】Parquet读写
Parquet格式经常在Hadoop生态圈中被使用，它也支持Spark SQL的全部数据类型。Spark SQL 提供了直接读取和存储 Parquet 格式文件的方法
import spark.implicits._
val peopleDF = spark.read.json("examples/src/main/resources/people.json")
peopleDF.write.parquet("hdfs://node01:8020/people.parquet")
val parquetFileDF = spark.read.parquet("hdfs://node01:8020/people.parquet")
parquetFileDF.createOrReplaceTempView("parquetFile")
val namesDF = spark.sql("SELECT name FROM parquetFile WHERE age BETWEEN 13 AND 19")
namesDF.map(attributes => "Name: " + attributes(0)).show()
【7】Schema合并
- 【1】像ProtocolBuffer、Avro和Thrift那样，Parquet也支持Schema evolution（Schema演变）。用户可以先定义一个简单的Schema，然后逐渐的向Schema中增加列描述。通过这种方式，用户可以获取多个有不同Schema但相互兼容的Parquet文件。现在Parquet数据源能自动检测这种情况，并合并这些文件的Schemas
- 【2】因为Schema合并是一个高消耗的操作，在大多数情况下并不需要，所以Spark SQL从1.5.0开始默认关闭了该功能。可以通过下面两种方式开启该功能：
①.当数据源为Parquet文件时，将数据源选项mergeSchema设置为true
②.设置全局SQL选项spark.sql.parquet.mergeSchema为true
import spark.implicits._
val df1 = sc.makeRDD(1 to 5).map(i => (i, i * 2)).toDF("single", "double")
df1.write.parquet("hdfs://node01:8020/data/test_table/key=1")
val df2 = sc.makeRDD(6 to 10).map(i => (i, i * 3)).toDF("single", "triple")
df2.write.parquet("hdfs://node01:8020/data/test_table/key=2")
val df3 = spark.read.option("mergeSchema","true")
.parquet("hdfs://master01:9000/data/test_table")
df3.printSchema()
- 【5】JSON数据集
Spark SQL 能够自动推测 JSON数据集的结构，并将它加载为一个DataSet[Row]. 可以通过SparkSession.read.json()去加载一个 DataSet[String]或者一个JSON 文件.注意，这个JSON文件不是一个传统的JSON文件，每一行都得是一个JSON串
示例如下：👇
{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}
- 【6】JDBC
Spark SQL可以通过JDBC从关系型数据库中读取数据的方式创建DataFrame，通过对DataFrame一系列的计算后，还可以将数据再写回关系型数据库中
注意，需要将相关的数据库驱动放到spark的类路径下
mysql-connector-java-5.1.38.jar
【读取数据方式1】
val jdbcDF = spark.read.format("jdbc")
.option("url","jdbc:mysql://node01:3306/rdd")
.option("dbtable","user")
.option("user","root")
.option("password","root")
.load()
jdbcDF.show()
---------------------------------------------------------------------------------------------
【读取数据方式2】
val connectionProperties = new java.util.Properties()
connectionProperties.put("user","root")
connectionProperties.put("password","root")
val jdbcDF2 = spark.read.jdbc("jdbc:mysql://node01:3306/rdd","user",connectionProperties)
jdbcDF2.show()
---------------------------------------------------------------------------------------------
【输出数据方式2】
df.write.format("jdbc").mode("overwrite")
.option("url","jdbc:mysql://node01:3306/rdd")
.option("dbtable","user")
.option("user","root")
.option("password","root")
.save()
---------------------------------------------------------------------------------------------
【输出数据方式2】
df.write.mode("overwrite").jdbc("jdbc:mysql://node01:3306/rdd","user",connectionProperties)
- 【7】运行Spark SQL CLI
Spark SQL CLI可以很方便的在本地运行Hive元数据服务以及从命令行执行查询任务。需要注意的是，Spark SQL CLI不能与Thrift JDBC服务交互。
在Spark目录下执行如下命令启动Spark SQL CLI：
./bin/spark-sql
配置Hive需要替换 conf/ 下的 hive-site.xml
【9】Spark on Hive
- 【1】Apache Hive是Hadoop上的SQL引擎，Spark SQL编译时可以包含Hive支持，也可以不包含。包含Hive支持的Spark SQL可以支持Hive表访问、UDF(用户自定义函数)以及 Hive 查询语言(HiveQL/HQL)等。需要强调的 一点是，如果要在Spark SQL中包含Hive的库，并不需要事先安装Hive。一般来说，最好还是在编译Spark SQL时引入Hive支持，这样就可以使用这些特性了。如果你下载的是二进制版本的 Spark，它应该已经在编译时添加了 Hive 支持。
- 【2】Spark on Hive即为使用SparkSQL整合Hive，其实就是让SparkSQL去加载Hive 的元数据库，然后通过SparkSQL执行引擎去操作Hive表内的数据,所以首先需要开启Hive的元数据库服务，让SparkSQL能够加载元数据
配置
1）vim hive-site.xml
添加如下配置👇
<property>
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
</property>
<property>
<name>hive.metastore.local</name>
<value>false</value>
</property>
<property>
<name>hive.metastore.uris</name>
<value>thrift://hive所在节点主机名:9083</value>
</property>
2）后台启动 Hive MetaStore服务
hiveserver2 &
没有配置hive.metastore.uris，开启hiveserver2则会自动在本地启动一个metastore
配置了hive.metastore.uris，则直接开启metastore就可以让SparkSQL连接到了
（重点就是开启metastore，让spark操作元数据）
或
nohup /export/servers/hive/bin/hive --service metastore 2>&1 >> /var/log.log &
3）SparkSQL整合Hive MetaStore
Spark 有一个内置的 Hive，元数据使用 Derby 嵌入式数据库保存数据，在Spark根目录下叫做metastore_db，数据存放在Spark根目录下的spark-warehouse目录中
SparkSQL 整合 Hive 的 MetaStore 主要思路就是要通过配置能够访问它， 并且能够使用 HDFS 保存 wareHouse，所以可以直接拷贝 Hadoop 和 Hive 的配置文件到 Spark 的配置目录
如下文件添加到Spark的conf目录
hive-site.xml 元数据仓库的位置等信息
core-site.xml 安全相关的配置
hdfs-site.xml HDFS 相关的配置
注：使用IDEA本地测试直接把以上配置文件放在resources目录即可
使用IDEA操作hive时添加配置 .enableHiveSupport()//开启hive语法的支持
代码示例：
val spark = SparkSession
.builder()
.appName("Spark Hive Example")
.config(new SparkConf())
.enableHiveSupport()
.getOrCreate()
spark.sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING)")
spark.sql("LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src")
spark.sql("SELECT * FROM src").show()
spark.sql("SELECT COUNT(*) FROM src").show()
spark.close()
【10】SparkSQL输出到MySQL
def main(args: Array[String]): Unit = {
/**
* 插入数据到MySQL
*/
val spark: SparkSession = SparkSession.builder()
.master("local[*]")
.appName("mysql")
.config(new SparkConf())
.getOrCreate()
val df: DataFrame = spark.read.json("user.json")
var prop = new Properties()
prop.setProperty("user","root")
prop.setProperty("password","root")
df.write.mode("overwrite").jdbc("jdbc:mysql://localhost:3306/tmp","user",prop)
spark.stop()
}
【11】SparkSQL读取MySQL数据
def main(args: Array[String]): Unit = {
/**
* 从MySQL读取数据
*/
val spark: SparkSession = SparkSession.builder()
.master("local[*]")
.appName("mysql")
.config(new SparkConf())
.getOrCreate()
var prop = new Properties()
prop.setProperty("user","root")
prop.setProperty("password","root")
val df: DataFrame = spark.read.jdbc("jdbc:mysql://localhost:3306/tmp","user",prop)
df.show()
spark.stop()
}
来源：oschina
链接：https://my.oschina.net/u/4407103/blog/3274339