Spark學習筆記4：數據讀取與保存

Spark對很多種文件格式的讀取和保存方式都很簡單。Spark會根據文件擴展名選擇對應的處理方式。

Spark支持的一些常見文件格式如下：

　1、文本文件

　　　使用文件路徑作為參數調用SparkContext中的textFile()函數，就可以讀取一個文本文件。也可以指定minPartitions控制分區數。傳遞目錄作為參數，會把目錄中的各部分都讀取到RDD中。例如：

val input = sc.textFile("E:\\share\\new\\chapter5")
input.foreach(println)

　chapter目錄有三個txt文件，內容如下：

輸出結果：

用SparkContext.wholeTextFiles()也可以處理多個文件，該方法返回一個pair RDD，其中鍵是輸入文件的文件名。

例如：

    val input = sc.wholeTextFiles("E:\\share\\new\\chapter5")
    input.foreach(println)

　　輸出結果：

保存文本文件用saveAsTextFile(outputFile)

•  JSON

JSON是一種使用較廣的半結構化數據格式，這裡使用json4s來解析JSON文件。

如下：

import org.apache.spark.{SparkConf, SparkContext}
import org.json4s.ShortTypeHints
import org.json4s.jackson.JsonMethods._
import org.json4s.jackson.Serialization

object TestJson {

  case class Person(name:String,age:Int)

  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("JSON")
    val sc = new SparkContext(conf)
    implicit val formats = Serialization.formats(ShortTypeHints(List()))
    val input = sc.textFile("E:\\share\\new\\test.json")
    input.collect().foreach(x => {var c = parse(x).extract[Person];println(c.name + "," + c.age)})

  }

}

　json文件內容：

輸出結果：

保存JSON文件用saveASTextFile(outputFile)即可

如下：

val datasave = input.map { myrecord =>
      implicit val formats = DefaultFormats
      val jsonObj = parse(myrecord)
      jsonObj.extract[Person]
    }
datasave.saveAsTextFile("E:\\share\\spark\\savejson")

輸出結果：

• CSV文件

 讀取CSV文件和讀取JSON數據相似，都需要先把文件當作普通文本文件來讀取數據，再對數據進行處理。

如下：

import org.apache.spark.{SparkConf, SparkContext}
import java.io.StringReader

import au.com.bytecode.opencsv.CSVReader

object DataReadAndSave {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("CSV")
    val sc = new SparkContext(conf)

    val input = sc.textFile("E:\\share\\spark\\test.csv")
    input.foreach(println)
    val result = input.map{
      line =>
        val reader = new CSVReader(new StringReader(line))
        reader.readNext()
    }
    for(res <- result){
      for(r <- res){
        println(r)
      }
    }
  }

}

test.csv內容：

輸出結果：

 保存csv

如下：

val inputRDD = sc.parallelize(List(Person("Mike", "yes")))
        inputRDD.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("E:\\share\\spark\\savecsv")

• SequenceFile

SequenceFile是由沒有相對關係結構的鍵值對文件組成的常用Hadoop格式。是由實現Hadoop的Writable介面的元素組成，常見的數據類型以及它們對應的Writable類如下：

讀取SequenceFile

調用sequenceFile(path , keyClass , valueClass , minPartitions)

保存SequenceFile

調用saveAsSequenceFile(outputFile)

• 對象文件

對象文件使用Java序列化寫出，允許存儲只包含值的RDD。對象文件通常用於Spark作業間的通信。

保存對象文件調用 saveAsObjectFile  　　讀取對象文件用SparkContext的objectFile()函數接受一個路徑，返回對應的RDD

• Hadoop輸入輸出格式

 Spark可以與任何Hadoop支持的格式交互。

讀取其他Hadoop輸入格式，使用newAPIHadoopFile接收一個路徑以及三個類，第一個類是格式類，代表輸入格式，第二個類是鍵的類，最後一個類是值的類。

hadoopFile()函數用於使用舊的API實現的Hadoop輸入格式。

KeyValueTextInputFormat 是最簡單的 Hadoop 輸入格式之一，可以用於從文本文件中讀取鍵值對數據。每一行都會被獨立處理，鍵和值之間用製表符隔開。

 例子：

import org.apache.hadoop.io.{IntWritable, LongWritable, MapWritable, Text}
import org.apache.spark.SparkContext
import org.apache.spark.SparkConf
import org.apache.spark._
import org.apache.hadoop.mapreduce.Job
import org.apache.hadoop.mapreduce.lib.input.KeyValueTextInputFormat
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat

object HadoopFile {

  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("hadoopfile").setMaster("local")
    val sc = new SparkContext(conf)

   
    val job = new Job()
    val data = sc.newAPIHadoopFile("E:\\share\\spark\\test.json" ,
      classOf[KeyValueTextInputFormat],
      classOf[Text],
      classOf[Text],
      job.getConfiguration)
    data.foreach(println)

    data.saveAsNewAPIHadoopFile(
      "E:\\share\\spark\\savehadoop",
      classOf[Text],
      classOf[Text],
      classOf[TextOutputFormat[Text,Text]],
      job.getConfiguration)

  }
}

　　輸出結果：

讀取

保存

若使用舊API如下：

val input = sc.hadoopFile[Text, Text, KeyValueTextInputFormat]("E:\\share\\spark\\test.json

").map { case (x, y) => (x.toString, y.toString) } input.foreach(println)

• 文件壓縮

對數據進行壓縮可以節省存儲空間和網路傳輸開銷，Spark原生的輸入方式（textFile和sequenFile）可以自動處理一些類型的壓縮。在讀取壓縮後的數據時，一些壓縮編解碼器可以推測壓縮類型。