RDD数据读取与保存

1、文件读取与保存

1.1、Text 文件

1）数据读取：textFile(String)

2）数据保存：saveAsTextFile(String)

def main(args: Array[String]): Unit = {
 
        //1.创建SparkConf并设置App名称
        val conf: SparkConf = new SparkConf().setAppName("SparkCoreTest").setMaster("local[1]")
 
        //2.创建SparkContext，该对象是提交Spark App的入口
        val sc: SparkContext = new SparkContext(conf)
 
        //3.1 读取输入文件
        val inputRDD: RDD[String] = sc.textFile("input/1.txt")
 
        //3.2 保存数据
        inputRDD.saveAsTextFile("output")
 
        //4.关闭连接
        sc.stop()
    }

说明：如果是集群路径：hdfs://hadoop103:9000/input/1.txt

1.2、Json 文件

Json 文件准备

{"name": "linghc","age":29}
{"name": "yilin","age":18}
{"name": "renyy","age":25}

读取保存逻辑

import com.alibaba.fastjson.JSON
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

object Spark05_json {
  def main(args: Array[String]): Unit = {
    //获取 SparkConf 并设置应用名称*本地模式
    val conf: SparkConf = new SparkConf().setAppName("Spark").setMaster("local[*]")
    //获取 Spark 上下文对象
    val sc: SparkContext = new SparkContext(conf)
    val rdd: RDD[String] = sc.textFile("E:\\workspace_idea\\spark0520\\input\\user.json")
    val mapRDD: RDD[AnyRef] = rdd.map {
      str => {
        JSON.parse(str)
      }
    }
    mapRDD.collect().foreach(println)
    //释放 Spark 上下文对象
    sc.stop
  }
}

如果Json文件格式如下：

[{"name": "linghc","age":29}
{"name": "yilin","age":18}
{"name": "renyy","age":25}]

再次执行程序，发现解析失败。原因是Spark 读取Json 文件和读取Text文件是一样的，按行读取文件。

注意：使用RDD读取JSON文件处理很复杂，同时SparkSQL集成了很好的处理JSON文件的方式，所以应用中多是采用SparkSQL处理JSON文件。

1.3、Sequence文件

SequenceFile文件是Hadoop用来存储二进制形式的key-value对而设计的一种平面文件(Flat File)。在SparkContext中，可以调用sequenceFile[keyClass, valueClass](path)。

def main(args: Array[String]): Unit = {
 
        //1.创建SparkConf并设置App名称
        val conf: SparkConf = new SparkConf().setAppName("SparkCoreTest").setMaster("local[1]")
 
        //2.创建SparkContext，该对象是提交Spark App的入口
        val sc: SparkContext = new SparkContext(conf)
 
        //3.1 创建rdd
        val dataRDD: RDD[(Int, Int)] = sc.makeRDD(Array((1,2),(3,4),(5,6)))
 
        //3.2 保存数据为SequenceFile
        dataRDD.saveAsSequenceFile("output")
 
        //3.3 读取SequenceFile文件
        sc.sequenceFile[Int,Int]("output").collect().foreach(println)
 
        //4.关闭连接
        sc.stop()
    }

说明：SequenceFile文件只针对PairRDD

1.4、Object对象文件

对象文件是将对象序列化后保存的文件，采用Java的序列化机制。可以通过objectFile[k,v](path)函数接收一个路径，读取对象文件，返回对应的RDD，也可以通过调用saveAsObjectFile()实现对对象文件的输出。因为是序列化所以要指定类型。

def main(args: Array[String]): Unit = {
 
        //1.创建SparkConf并设置App名称
        val conf: SparkConf = new SparkConf().setAppName("SparkCoreTest").setMaster("local[1]")
 
        //2.创建SparkContext，该对象是提交Spark App的入口
        val sc: SparkContext = new SparkContext(conf)
 
        //3.1 创建RDD
        val dataRDD: RDD[Int] = sc.makeRDD(Array(1,2,3,4))
 
        //3.2 保存数据
        dataRDD.saveAsObjectFile("output")
 
        //3.3 读取数据
        sc.objectFile[(Int)]("output").collect().foreach(println)
 
        //4.关闭连接
        sc.stop()
    }

2、文件系统类数据读取与保存

2.1、HDFS

Spark的整个生态系统与Hadoop是完全兼容的，所以对于Hadoop所支持的文件类型或者数据库类型，Spark也同样支持。另外，由于Hadoop的API有新旧两个版本，所以Spark为了能够兼容Hadoop所有的版本，也提供了两套创建操作接口。对于外部存储创建操作而言，hadoopRDD和newHadoopRDD是最为抽象的两个函数接口

2.2、Mysql

添加依赖

dependency>
    <groupId>mysql</groupId>
    <artifactId>mysql-connector-java</artifactId>
    <version>5.1.6</version>
</dependency>

读数据

def main(args: Array[String]): Unit = {
  //获取 SparkConf 并设置应用名称*本地模式
  val conf: SparkConf = new SparkConf().setAppName("Spark").setMaster("local[*]")
  //获取 Spark 上下文对象
  val sc: SparkContext = new SparkContext(conf)

  // 通过 jdbRDD  交互Mysql
  /**
   * sc: SparkContext, 上下文
   * getConnection: () => Connection, 获取连接
   * sql: String, sql
   * lowerBound: Long,
   * upperBound: Long,
   * numPartitions: Int,分区数
   * mapRow: (ResultSet) => T = JdbcRDD.resultSetToObjectArray _) 结果姐
   */
  //3.定义连接mysql的参数
  val driver = "com.mysql.jdbc.Driver"
  val url = "jdbc:mysql://hadoop103:3306/db01"
  val userName = "user"
  val passWd = "pwd"
  var sql: String = "select * from user where  id >= ? and id <= ?"

  val jdbcRDD: JdbcRDD[(Int, String)] = new JdbcRDD(sc,
    () => {
      Class.forName(driver)
      DriverManager.getConnection(url, userName, passWd)
    },
    sql,
    0,
    1,
    2,
    rs => {
      (rs.getInt(1), rs.getString(2))
    }
  )

  jdbcRDD.collect().foreach(println)

  //释放 Spark 上下文对象
  sc.stop
}

写数据

def main(args: Array[String]): Unit = {
  //获取 SparkConf 并设置应用名称*本地模式
  val conf: SparkConf = new SparkConf().setAppName("Spark").setMaster("local[*]")
  //获取 Spark 上下文对象
  val sc: SparkContext = new SparkContext(conf)
  val rdd: RDD[(Int, String)] = sc.makeRDD(List((2, "linghc"), (3, "yilin")))
  val driver = "com.mysql.jdbc.Driver"
  val url = "jdbc:mysql://hadoop103:3306/db01"
  val userName = "user"
  val passWd = "pwd"
  //以分区为单位处理
  rdd.foreachPartition(datas => {
    Class.forName(driver)
    //创建链接
    val connection: Connection = DriverManager.getConnection(url, userName, passWd)
    //创建操作对象
    val ps: PreparedStatement = connection.prepareStatement("insert into user (id,name) values (?,?)")
    datas.foreach {
      case (id, name) => {
        //注册驱动
        //占位符 赋值
        ps.setInt(1, id)
        ps.setString(2, name)
        //exe
        ps.executeUpdate()
      }
    } //释放资源
    ps.close()
    connection.close()
  })
  //释放 Spark 上下文对象
  sc.stop
}