数据存储在文件中

在操作文件前，我们应该先创建一个SparkSession

    val spark = SparkSession.builder()
      .master("local[6]")
      .appName("reader1")
      .getOrCreate()

CSV类型文件

简单介绍：逗号分隔值（Comma-Separated Values，CSV，有时也称为字符分隔值，因为分隔字符也可以不是逗号），其文件以纯文本形式存储表格数据（数字和文本）

• 我们在读取数据文件时，应先说明文件的类型是什么，是csv，json，txt亦或者是其他，具体代码如下：

    spark.read
      .format("csv")
      .load("data/BeijingPM20100101_20151231.csv")
      .show()

• 但是如果每一次读写都需手动format文件类型也太过于繁琐，我们其实可以使用.csv来直接读取csv文件

    spark.read
      .csv("data/BeijingPM20100101_20151231.csv")
      .show()

• 在读取csv文件时，会默认将每一个数据元素都保存为字符串类型，若想要数据类型保持不变，可以选择自己手动设置或者直接Schema，代码变成下方所示

    spark.read
      .option("header", true)
      .option("inferSchema", true) 
      .csv("data/BeijingPM20100101_20151231.csv")
      .show()

• csv文件的第一行内容通常都是列名，如果我们直接读取的话，系统会将其当成是数据，那么在处理数据的过程中就会容易报错，我们可以提前申明一下

    spark.read
      .option("header", true)
      .option("inferSchema", true)
      .csv("data/BeijingPM20100101_20151231.csv")
      .show()

JSON类型文件

• json数据一般都是用来存储对象数据
• json格式的数据文件读取和csv很相似，具体如下所示:

    df.write.json("data/Beijing_pm2.json")
    df.write.format("json").save("data/Beijing_pm2.json")

• 我们可以使用toJson方法直接将其他的文件格式转换成json类型

    val df = spark.read
      .option("header",true)
      .csv("data/BeijingPM20100101_20151231.csv")
      .toJSON

Parquet操作

• parquet是面向分析型业务的列式存储格式，是一种支持嵌套结构的存储格式，并且使用了列式存储的方式提升查询性能
• 我们可以读取csv类型的文件并且将文件格式保存为parquet

    val df = spark.read.option("header", true).csv("data/BeijingPM20100101_20151231.csv")
    //将数据写为parquet格式
    df.write
      .mode(SaveMode.Overwrite)
      .format("parquet")
      .save("data/beijing_pm3")

• 我们发现在保存parquet文件时与之前相比多了一个mode，这是为了预防parquet保存路径已经有其他的文件存在，他一共有四种模式分别是：报错、重写、忽略和追加，默认时报错

• parquet文件保存并不是一个文件，而是存为一个文件夹，如下图所示
  

• 那我们该如何读取parquet类型的文件呢？

    spark.read
      .parquet("data/beijing_pm3")

分区操作

分区就是将数据以某一列为标准来进行分类，每一个类都是存为一个文件夹

• 分区操作的读写操作如下所示

    val df = spark.read
      .option("header", true)
      .csv("data/BeijingPM20100101_20151231.csv")
    //写文件，表分区
    df.write
      .partitionBy("year", "month")
      .save("data/beijing_pm4")
    //读文件，自动发现分区
    spark.read
      .parquet("data/beijing_pm4")
      .printSchema()

• partitionBy时标注以那一列来进行分区，分区的效果如下所示
  
• 在读取分区表的时候不仅仅可以读取整表，还可以细分到某一个分区内，如读取2010年1月的数据，但是这样就会导致列的减少，会少年和月两列

    spark.read
      .parquet("data/beijing_pm4/year=2010/month=1")
      .show()

数据存储在Hive表中

具体代码如下

    //1、创建SparkSession
    val spark = SparkSession.builder()
      .appName("Hive")
      .enableHiveSupport()
      //填写hive有关的一些信息（端口号、数据库地址等）
      .config("hive.metastore.uris", "a://node1:9000")
      .config("spark.sql.warehouse.dir", "/dataset/hive")
      .getOrCreate()
    //读取数据
    import spark.implicits._
    //hive表的每一列的数据格式
    val schema = StructType {
      List(
        StructField("name", StringType),
        StructField("age", IntegerType),
        StructField("gpa", FloatType)
      )
    }
    //读取hdfs上的数据存入到hive中
    val df = spark.read
      //分割符时制表符
      .option("delimited", "t")
      //文件的schema就是上面定义的
      .schema(schema)
      //文件在hdfs中的路径
      .csv("hdfs:///dataset/student.csv")
    val result = df.where('age > 50)
    //写入数据
    result.write.mode(SaveMode.Overwrite).saveAsTable("spark.student")

数据存储在MySQL中

    //1、创建SparkSession
    val spark = SparkSession.builder()
      .appName("Mysql")
      .master("local[6]")
      .getOrCreate()
    //读取数据
    import spark.implicits._
    val schema = StructType {
      List(
        StructField("name", StringType),
        StructField("age", IntegerType),
        StructField("gpa", FloatType)
      )
    }
    val df = spark.read
      .option("delimiter", "t")
      .schema(schema)
      .csv("hdfs:///dataset/student.csv")
    val result = df.where('age > 50)
    //写入数据
    result.write
      .format("jdbc")
      .option("url", "jdbc:mysql://node1:3306/spark")
      .option("dbtable","student")
      .option("user","spark")
      .option("password","123456")
      .mode(SaveMode.Overwrite)