一、簡介
1.1 多數據源支持
Spark 支持以下六個核心數據源，同時 Spark 社區還提供了多達上百種數據源的讀取方式，能夠滿足絕大部分使用場景。
- CSV
- JSON
- Parquet
- ORC
- JDBC/ODBC connections
- Plain-text files
注：以下所有測試文件均可從本倉庫的resources 目錄進行下載
1.2 讀數據格式
所有讀取 API 遵循以下調用格式：
// 格式
DataFrameReader.format(...).option("key", "value").schema(...).load()
// 示例
spark.read.format("csv")
.option("mode", "FAILFAST") // 讀取模式
.option("inferSchema", "true") // 是否自動推斷 schema
.option("path", "path/to/file(s)") // 文件路徑
.schema(someSchema) // 使用預定義的 schema
.load()讀取模式有以下三種可選項：
| 讀模式 | 描述 |
|---|---|
permissive |
當遇到損壞的記錄時，將其所有字段設置爲 null，並將所有損壞的記錄放在名爲 _corruption t_record 的字符串列中 |
dropMalformed |
刪除格式不正確的行 |
failFast |
遇到格式不正確的數據時立即失敗 |
1.3 寫數據格式
// 格式
DataFrameWriter.format(...).option(...).partitionBy(...).bucketBy(...).sortBy(...).save()
//示例
dataframe.write.format("csv")
.option("mode", "OVERWRITE") //寫模式
.option("dateFormat", "yyyy-MM-dd") //日期格式
.option("path", "path/to/file(s)")
.save()寫數據模式有以下四種可選項：
| Scala/Java | 描述 |
|---|---|
SaveMode.ErrorIfExists |
如果給定的路徑已經存在文件，則拋出異常，這是寫數據默認的模式 |
SaveMode.Append |
數據以追加的方式寫入 |
SaveMode.Overwrite |
數據以覆蓋的方式寫入 |
SaveMode.Ignore |
如果給定的路徑已經存在文件，則不做任何操作 |
<br/>
二、CSV
CSV 是一種常見的文本文件格式，其中每一行表示一條記錄，記錄中的每個字段用逗號分隔。
2.1 讀取CSV文件
自動推斷類型讀取讀取示例：
spark.read.format("csv")
.option("header", "false") // 文件中的第一行是否爲列的名稱
.option("mode", "FAILFAST") // 是否快速失敗
.option("inferSchema", "true") // 是否自動推斷 schema
.load("/usr/file/csv/dept.csv")
.show()使用預定義類型：
import org.apache.spark.sql.types.{StructField, StructType, StringType,LongType}
//預定義數據格式
val myManualSchema = new StructType(Array(
StructField("deptno", LongType, nullable = false),
StructField("dname", StringType,nullable = true),
StructField("loc", StringType,nullable = true)
))
spark.read.format("csv")
.option("mode", "FAILFAST")
.schema(myManualSchema)
.load("/usr/file/csv/dept.csv")
.show()2.2 寫入CSV文件
df.write.format("csv").mode("overwrite").save("/tmp/csv/dept2")也可以指定具體的分隔符：
df.write.format("csv").mode("overwrite").option("sep", "\t").save("/tmp/csv/dept2")2.3 可選配置
爲節省主文篇幅，所有讀寫配置項見文末 9.1 小節。
<br/>
三、JSON
3.1 讀取JSON文件
spark.read.format("json").option("mode", "FAILFAST").load("/usr/file/json/dept.json").show(5)需要注意的是：默認不支持一條數據記錄跨越多行 (如下)，可以通過配置 multiLine 爲 true 來進行更改，其默認值爲 false。
// 默認支持單行
{"DEPTNO": 10,"DNAME": "ACCOUNTING","LOC": "NEW YORK"}
//默認不支持多行
{
"DEPTNO": 10,
"DNAME": "ACCOUNTING",
"LOC": "NEW YORK"
}3.2 寫入JSON文件
df.write.format("json").mode("overwrite").save("/tmp/spark/json/dept")3.3 可選配置
爲節省主文篇幅，所有讀寫配置項見文末 9.2 小節。
<br/>
四、Parquet
Parquet 是一個開源的面向列的數據存儲，它提供了多種存儲優化，允許讀取單獨的列非整個文件，這不僅節省了存儲空間而且提升了讀取效率，它是 Spark 是默認的文件格式。
4.1 讀取Parquet文件
spark.read.format("parquet").load("/usr/file/parquet/dept.parquet").show(5)2.2 寫入Parquet文件
df.write.format("parquet").mode("overwrite").save("/tmp/spark/parquet/dept")2.3 可選配置
Parquet 文件有着自己的存儲規則，因此其可選配置項比較少，常用的有如下兩個：
| 讀寫操作 | 配置項 | 可選值 | 默認值 | 描述 |
|---|---|---|---|---|
| Write | compression or codec | None,<br/>uncompressed,<br/>bzip2,<br/>deflate, gzip,<br/>lz4, or snappy | None | 壓縮文件格式 |
| Read | mergeSchema | true, false | 取決於配置項 spark.sql.parquet.mergeSchema |
當爲真時，Parquet 數據源將所有數據文件收集的 Schema 合併在一起，否則將從摘要文件中選擇 Schema，如果沒有可用的摘要文件，則從隨機數據文件中選擇 Schema。 |
更多可選配置可以參閱官方文檔：https://spark.apache.org/docs/latest/sql-data-sources-parquet.html
<br/>
五、ORC
ORC 是一種自描述的、類型感知的列文件格式，它針對大型數據的讀寫進行了優化，也是大數據中常用的文件格式。
5.1 讀取ORC文件
spark.read.format("orc").load("/usr/file/orc/dept.orc").show(5)4.2 寫入ORC文件
csvFile.write.format("orc").mode("overwrite").save("/tmp/spark/orc/dept")<br/>
六、SQL Databases
Spark 同樣支持與傳統的關係型數據庫進行數據讀寫。但是 Spark 程序默認是沒有提供數據庫驅動的，所以在使用前需要將對應的數據庫驅動上傳到安裝目錄下的 jars 目錄中。下面示例使用的是 Mysql 數據庫，使用前需要將對應的 mysql-connector-java-x.x.x.jar 上傳到 jars 目錄下。
6.1 讀取數據
讀取全表數據示例如下，這裏的 help_keyword 是 mysql 內置的字典表，只有 help_keyword_id 和 name 兩個字段。
spark.read
.format("jdbc")
.option("driver", "com.mysql.jdbc.Driver") //驅動
.option("url", "jdbc:mysql://127.0.0.1:3306/mysql") //數據庫地址
.option("dbtable", "help_keyword") //表名
.option("user", "root").option("password","root").load().show(10)從查詢結果讀取數據：
val pushDownQuery = """(SELECT * FROM help_keyword WHERE help_keyword_id <20) AS help_keywords"""
spark.read.format("jdbc")
.option("url", "jdbc:mysql://127.0.0.1:3306/mysql")
.option("driver", "com.mysql.jdbc.Driver")
.option("user", "root").option("password", "root")
.option("dbtable", pushDownQuery)
.load().show()
//輸出
+---------------+-----------+
|help_keyword_id| name|
+---------------+-----------+
| 0| <>|
| 1| ACTION|
| 2| ADD|
| 3|AES_DECRYPT|
| 4|AES_ENCRYPT|
| 5| AFTER|
| 6| AGAINST|
| 7| AGGREGATE|
| 8| ALGORITHM|
| 9| ALL|
| 10| ALTER|
| 11| ANALYSE|
| 12| ANALYZE|
| 13| AND|
| 14| ARCHIVE|
| 15| AREA|
| 16| AS|
| 17| ASBINARY|
| 18| ASC|
| 19| ASTEXT|
+---------------+-----------+也可以使用如下的寫法進行數據的過濾：
val props = new java.util.Properties
props.setProperty("driver", "com.mysql.jdbc.Driver")
props.setProperty("user", "root")
props.setProperty("password", "root")
val predicates = Array("help_keyword_id < 10 OR name = 'WHEN'") //指定數據過濾條件
spark.read.jdbc("jdbc:mysql://127.0.0.1:3306/mysql", "help_keyword", predicates, props).show()
//輸出：
+---------------+-----------+
|help_keyword_id| name|
+---------------+-----------+
| 0| <>|
| 1| ACTION|
| 2| ADD|
| 3|AES_DECRYPT|
| 4|AES_ENCRYPT|
| 5| AFTER|
| 6| AGAINST|
| 7| AGGREGATE|
| 8| ALGORITHM|
| 9| ALL|
| 604| WHEN|
+---------------+-----------+可以使用 numPartitions 指定讀取數據的並行度：
option("numPartitions", 10)在這裏，除了可以指定分區外，還可以設置上界和下界，任何小於下界的值都會被分配在第一個分區中，任何大於上界的值都會被分配在最後一個分區中。
val colName = "help_keyword_id" //用於判斷上下界的列
val lowerBound = 300L //下界
val upperBound = 500L //上界
val numPartitions = 10 //分區綜述
val jdbcDf = spark.read.jdbc("jdbc:mysql://127.0.0.1:3306/mysql","help_keyword",
colName,lowerBound,upperBound,numPartitions,props)想要驗證分區內容，可以使用 mapPartitionsWithIndex 這個算子，代碼如下：
jdbcDf.rdd.mapPartitionsWithIndex((index, iterator) => {
val buffer = new ListBuffer[String]
while (iterator.hasNext) {
buffer.append(index + "分區:" + iterator.next())
}
buffer.toIterator
}).foreach(println)執行結果如下：help_keyword 這張表只有 600 條左右的數據，本來數據應該均勻分佈在 10 個分區，但是 0 分區裏面卻有 319 條數據，這是因爲設置了下限，所有小於 300 的數據都會被限制在第一個分區，即 0 分區。同理所有大於 500 的數據被分配在 9 分區，即最後一個分區。
6.2 寫入數據
val df = spark.read.format("json").load("/usr/file/json/emp.json")
df.write
.format("jdbc")
.option("url", "jdbc:mysql://127.0.0.1:3306/mysql")
.option("user", "root").option("password", "root")
.option("dbtable", "emp")
.save()<br/>
七、Text
Text 文件在讀寫性能方面並沒有任何優勢，且不能表達明確的數據結構，所以其使用的比較少，讀寫操作如下：
7.1 讀取Text數據
spark.read.textFile("/usr/file/txt/dept.txt").show()7.2 寫入Text數據
df.write.text("/tmp/spark/txt/dept")<br/>
八、數據讀寫高級特性
8.1 並行讀
多個 Executors 不能同時讀取同一個文件，但它們可以同時讀取不同的文件。這意味着當您從一個包含多個文件的文件夾中讀取數據時，這些文件中的每一個都將成爲 DataFrame 中的一個分區，並由可用的 Executors 並行讀取。
8.2 並行寫
寫入的文件或數據的數量取決於寫入數據時 DataFrame 擁有的分區數量。默認情況下，每個數據分區寫一個文件。
8.3 分區寫入
分區和分桶這兩個概念和 Hive 中分區表和分桶表是一致的。都是將數據按照一定規則進行拆分存儲。需要注意的是 partitionBy 指定的分區和 RDD 中分區不是一個概念：這裏的分區表現爲輸出目錄的子目錄，數據分別存儲在對應的子目錄中。
val df = spark.read.format("json").load("/usr/file/json/emp.json")
df.write.mode("overwrite").partitionBy("deptno").save("/tmp/spark/partitions")輸出結果如下：可以看到輸出被按照部門編號分爲三個子目錄，子目錄中才是對應的輸出文件。
8.3 分桶寫入
分桶寫入就是將數據按照指定的列和桶數進行散列，目前分桶寫入只支持保存爲表，實際上這就是 Hive 的分桶表。
val numberBuckets = 10
val columnToBucketBy = "empno"
df.write.format("parquet").mode("overwrite")
.bucketBy(numberBuckets, columnToBucketBy).saveAsTable("bucketedFiles")8.5 文件大小管理
如果寫入產生小文件數量過多，這時會產生大量的元數據開銷。Spark 和 HDFS 一樣，都不能很好的處理這個問題，這被稱爲“small file problem”。同時數據文件也不能過大，否則在查詢時會有不必要的性能開銷，因此要把文件大小控制在一個合理的範圍內。
在上文我們已經介紹過可以通過分區數量來控制生成文件的數量，從而間接控制文件大小。Spark 2.2 引入了一種新的方法，以更自動化的方式控制文件大小，這就是 maxRecordsPerFile 參數，它允許你通過控制寫入文件的記錄數來控制文件大小。
// Spark 將確保文件最多包含 5000 條記錄
df.write.option(“maxRecordsPerFile”, 5000)<br>
九、可選配置附錄
9.1 CSV讀寫可選配置
| 讀\寫操作 | 配置項 | 可選值 | 默認值 | 描述 |
|---|---|---|---|---|
| Both | seq | 任意字符 | ,(逗號) |
分隔符 |
| Both | header | true, false | false | 文件中的第一行是否爲列的名稱。 |
| Read | escape | 任意字符 | \ | 轉義字符 |
| Read | inferSchema | true, false | false | 是否自動推斷列類型 |
| Read | ignoreLeadingWhiteSpace | true, false | false | 是否跳過值前面的空格 |
| Both | ignoreTrailingWhiteSpace | true, false | false | 是否跳過值後面的空格 |
| Both | nullValue | 任意字符 | “” | 聲明文件中哪個字符表示空值 |
| Both | nanValue | 任意字符 | NaN | 聲明哪個值表示 NaN 或者缺省值 |
| Both | positiveInf | 任意字符 | Inf | 正無窮 |
| Both | negativeInf | 任意字符 | -Inf | 負無窮 |
| Both | compression or codec | None,<br/>uncompressed,<br/>bzip2, deflate,<br/>gzip, lz4, or<br/>snappy | none | 文件壓縮格式 |
| Both | dateFormat | 任何能轉換爲 Java 的 <br/>SimpleDataFormat 的字符串 | yyyy-MM-dd | 日期格式 |
| Both | timestampFormat | 任何能轉換爲 Java 的 <br/>SimpleDataFormat 的字符串 | yyyy-MMdd’T’HH:mm:ss.SSSZZ | 時間戳格式 |
| Read | maxColumns | 任意整數 | 20480 | 聲明文件中的最大列數 |
| Read | maxCharsPerColumn | 任意整數 | 1000000 | 聲明一個列中的最大字符數。 |
| Read | escapeQuotes | true, false | true | 是否應該轉義行中的引號。 |
| Read | maxMalformedLogPerPartition | 任意整數 | 10 | 聲明每個分區中最多允許多少條格式錯誤的數據，超過這個值後格式錯誤的數據將不會被讀取 |
| Write | quoteAll | true, false | false | 指定是否應該將所有值都括在引號中，而不只是轉義具有引號字符的值。 |
| Read | multiLine | true, false | false | 是否允許每條完整記錄跨域多行 |
9.2 JSON讀寫可選配置
| 讀\寫操作 | 配置項 | 可選值 | 默認值 |
|---|---|---|---|
| Both | compression or codec | None,<br/>uncompressed,<br/>bzip2, deflate,<br/>gzip, lz4, or<br/>snappy | none |
| Both | dateFormat | 任何能轉換爲 Java 的 SimpleDataFormat 的字符串 | yyyy-MM-dd |
| Both | timestampFormat | 任何能轉換爲 Java 的 SimpleDataFormat 的字符串 | yyyy-MMdd’T’HH:mm:ss.SSSZZ |
| Read | primitiveAsString | true, false | false |
| Read | allowComments | true, false | false |
| Read | allowUnquotedFieldNames | true, false | false |
| Read | allowSingleQuotes | true, false | true |
| Read | allowNumericLeadingZeros | true, false | false |
| Read | allowBackslashEscapingAnyCharacter | true, false | false |
| Read | columnNameOfCorruptRecord | true, false | Value of spark.sql.column&NameOf |
| Read | multiLine | true, false | false |
9.3 數據庫讀寫可選配置
| 屬性名稱 | 含義 |
|---|---|
| url | 數據庫地址 |
| dbtable | 表名稱 |
| driver | 數據庫驅動 |
| partitionColumn,<br/>lowerBound, upperBoun | 分區總數，上界，下界 |
| numPartitions | 可用於表讀寫並行性的最大分區數。如果要寫的分區數量超過這個限制，那麼可以調用 coalesce(numpartition) 重置分區數。 |
| fetchsize | 每次往返要獲取多少行數據。此選項僅適用於讀取數據。 |
| batchsize | 每次往返插入多少行數據，這個選項只適用於寫入數據。默認值是 1000。 |
| isolationLevel | 事務隔離級別：可以是 NONE，READ_COMMITTED, READ_UNCOMMITTED，REPEATABLE_READ 或 SERIALIZABLE，即標準事務隔離級別。<br/>默認值是 READ_UNCOMMITTED。這個選項只適用於數據讀取。 |
| createTableOptions | 寫入數據時自定義創建表的相關配置 |
| createTableColumnTypes | 寫入數據時自定義創建列的列類型 |
數據庫讀寫更多配置可以參閱官方文檔：https://spark.apache.org/docs/latest/sql-data-sources-jdbc.html
參考資料
- Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
- https://spark.apache.org/docs/latest/sql-data-sources.html
更多大數據系列文章可以參見 GitHub 開源項目： 大數據入門指南