Spark_读取小文件 数据写入MySQL并读取_spark-HadoopAPI SequenceFile对象文件 数据写入hbase并读取

RDD数据源

普通文本文件

sc.textFile("./dir/*.txt")

如果传递目录，则将目录下的所有文件读取作为RDD。文件路径支持通配符。

但是这样对于大量的小文件读取效率并不高，应该使用wholeTextFiles

def wholeTextFiles(path: String, minPartitions: Int = defaultMinPartitions): RDD[(String, String)])

返回值RDD[(String, String)]，其中Key是文件的名称，Value是文件的内容。

 def main(args: Array[String]): Unit = {
    val config = new SparkConf().setAppName("DataSourceTest").setMaster("local[*]")
    val sc = new SparkContext(config)
    sc.setLogLevel("WARN")
    println("读取小文件")
    val filesRDD: RDD[(String, String)] = sc.wholeTextFiles("D:\\data\\spark\\files", minPartitions = 3)
    val linesRDD: RDD[String] = filesRDD.flatMap(_._2.split("\\r\\n"))
    val wordsRDD: RDD[String] = linesRDD.flatMap(_.split(" "))
    wordsRDD.map((_, 1)).reduceByKey(_ + _).collect().foreach(println)
  }

JDBC

Spark支持通过Java JDBC访问关系型数据库。需要使用JdbcRDD

数据入MySQL表代码演示

   /**
   * 写入数据到mysql数据库
   */  
def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("JDBCDataSourceTest").setMaster("local[*]")
    val sc = new SparkContext(conf)
    sc.setLogLevel("warn")
    //读取数据
    val data = sc.textFile("file:////E:\\user.txt")
    val data29 = sc.textFile("input20200407/users.txt")
    data.foreachPartition{
      data1=>
        val connection = DriverManager.getConnection(
          "jdbc:mysql://localhost:3306/bigdata0407?characterEncoding=UTF-8",
          "root", "root")
        val sql = "INSERT INTO `user` values (NULL,?,?,?,?)"
        data1.foreach{
          data2=>{
            val datas = data2.split(" ")
            val statement = connection.prepareStatement(sql)
            statement.setString(1, datas(0))
            statement.setString(2, datas(1))
            statement.setString(3, datas(2))
            statement.setString(4, datas(3))
            statement.executeUpdate()
            statement.close()
          }
        }
    }
  }

读取MySQL数据库中表数据代码演示

 /**
   * 读取MySQL表数据
   */  
def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("JDBCDataSourceTest").setMaster("local[*]")
    val sc = new SparkContext(conf)
    sc.setLogLevel("warn")
    var sql = "select * from `user` where id between ? and ?"
    val user = new JdbcRDD(sc,
      () => {
        DriverManager.getConnection("jdbc:mysql://localhost:3306/bigdata0407?characterEncoding=UTF-8", "root", "root")
      },
      sql,
      0,
      8,
      2,
      result => {
        println("id=" + result.getInt(1) +
          ",username=" + result.getString(2) +
          ",birthday=" + result.getString(3) +
          ",sex=" + result.getString(4)
        )
      }
    )
    user.collect()
  }

HadoopAPI

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。

HadoopRDD、newAPIHadoopRDD、saveAsHadoopFile、saveAsNewAPIHadoopFile 是底层API

其他的API接口都是为了方便最终的Spark程序开发者而设置的，是这两个接口的高效实现版本.

代码演示：

def main(args: Array[String]): Unit = {
    val config = new SparkConf().setAppName("DataSourceTest").setMaster("local[*]")
    val sc = new SparkContext(config)
    sc.setLogLevel("WARN")
 
    System.setProperty("HADOOP_USER_NAME", "root")
 
    //1.HadoopAPI
    println("HadoopAPI")
    val dataRDD = sc.parallelize(Array((1,"hadoop"), (2,"hive"), (3,"spark")))
 
    dataRDD.saveAsNewAPIHadoopFile("hdfs://node01:8020/spark_hadoop/",
      classOf[LongWritable],
      classOf[Text],
      classOf[TextOutputFormat[LongWritable, Text]])
 
    val inputRDD: RDD[(LongWritable, Text)] = sc.newAPIHadoopFile(
      "hdfs://node01:8020/spark_hadoop/*",
      classOf[TextInputFormat],
      classOf[LongWritable],
      classOf[Text],
      conf = sc.hadoopConfiguration
    )
    inputRDD.map(_._2.toString).foreach(println)
  }
 

SequenceFile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)。

读sc.sequenceFile keyClass, valueClass

写RDD.saveAsSequenceFile(path)

要求键和值能够自动转为Writable类型。

  def main(args: Array[String]): Unit = {
    val config = new SparkConf().setAppName("DataSourceTest").setMaster("local[*]")
    val sc = new SparkContext(config)
    sc.setLogLevel("WARN")
    //3.操作SequenceFile
    println("SequenceFile")
    val dataRDD2: RDD[(Int, String)] = sc.parallelize(List((2, "aa"), (3, "bb"), (4, "cc"), (5, "dd"), (6, "ee")))
    dataRDD2.saveAsSequenceFile("D:\\data\\spark\\SequenceFile")
    val sdata: RDD[(Int, String)] = sc.sequenceFile[Int, String]("D:\\data\\spark\\SequenceFile\\*")
    sdata.collect().foreach(println)
  }

对象文件

对象文件是将对象序列化后保存的文件

读sc.objectFilek,v //因为是序列化所以要指定类型

写RDD.saveAsObjectFile()

 def main(args: Array[String]): Unit = {
    val config = new SparkConf().setAppName("DataSourceTest").setMaster("local[*]")
    val sc = new SparkContext(config)
    sc.setLogLevel("WARN")
    println("ObjectFile")
    val dataRDD3 = sc.parallelize(List((2, "aa"), (3, "bb"), (4, "cc"), (5, "dd"), (6, "ee")))
    dataRDD3.saveAsObjectFile("D:\\data\\spark\\ObjectFile")
    val objRDD = sc.objectFile[(Int, String)]("D:\\data\\spark\\ObjectFile\\*")
    objRDD.collect().foreach(println)
  }

HBase

由于 org.apache.hadoop.hbase.mapreduce.TableInputFormat 类的实现，Spark 可以通过Hadoop输入格式访问HBase。

这个输入格式会返回键值对数据，

其中键的类型为org. apache.hadoop.hbase.io.ImmutableBytesWritable，

而值的类型为org.apache.hadoop.hbase.client.Result。

上代码：（创建hbase表，添加数据）

//创建SparkConf
val config = new SparkConf().setAppName("sp").setMaster("local[*]")
val sc = new SparkContext(config)
sc.setLogLevel("WARN")
//连接hbase
val conf = HBaseConfiguration.create()
conf.set("hbase.zookeeper.quorum", "node01:2181,node02:2181,node03:2181")
//创建animal表
val animaltable = TableName.valueOf("animal")
//设置表结构
val TableDesc = new HTableDescriptor(animaltable)
//设置列族
TableDesc.addFamily(new HColumnDescriptor("info".getBytes))
//创建hbase管理员
val admin = new HBaseAdmin(conf)
//判断是否存在表
if (admin.tableExists(animaltable)){
  //废除表
  admin.disableTable(animaltable)
  //删除表
  admin.deleteTable(animaltable)
}
//创建表
admin.createTable(TableDesc)
//插入数据
def convert(triple: (String, String, String))={
  //创建put对象，并指定rowkey
  val put = new Put(Bytes.toBytes(triple._1))
  //创建列族下列名
  put.addImmutable(Bytes.toBytes("info"),Bytes.toBytes("name"),Bytes.toBytes(triple._2))
  put.addImmutable(Bytes.toBytes("info"),Bytes.toBytes("food"),Bytes.toBytes(triple._3))
  //执行put
  (new ImmutableBytesWritable,put)
}
//创建数据
val dataRDD: RDD[(String, String, String)] = sc.parallelize(List(("1","老虎","肉"), ("2","斑马","草"), ("3","猪","饲料")))
//添加数据到方法
val targetRDD: RDD[(ImmutableBytesWritable, Put)] = dataRDD.map(convert)
//创建JobConf
val jobConf = new JobConf(conf)
//创建输出流
jobConf.setOutputFormat(classOf[TableOutputFormat])
//输入流名
jobConf.set(TableOutputFormat.OUTPUT_TABLE,"animal")
//写入数据
targetRDD.saveAsHadoopDataset(jobConf)
println("写入数据成功")

（读取hbase表数据）

//读取数据
//创建SparkConf
val config = new SparkConf().setAppName("sp").setMaster("local[*]")
val sc = new SparkContext(config)
sc.setLogLevel("WARN")
//连接hbase
val conf = HBaseConfiguration.create()
conf.set("hbase.zookeeper.quorum", "node01:2181,node02:2181,node03:2181")
//设置输入流，读取表
conf.set(TableInputFormat.INPUT_TABLE,"animal")
//
val hbaseRDD: RDD[(ImmutableBytesWritable, Result)] = sc.newAPIHadoopRDD(
  conf,
  classOf[TableInputFormat],  //table
  classOf[ImmutableBytesWritable], //table rowkey
  classOf[Result]  //resultset
)
//个数
val count = hbaseRDD.count()
println("hBaseRDD RDD Count:"+ count)
//便利
hbaseRDD.foreach {
  case (_, result) =>
    //获取rowkey
    val key = Bytes.toString(result.getRow)
    //获取name
    val name = Bytes.toString(result.getValue("info".getBytes, "name".getBytes))
    //获取food
    val food = Bytes.toString(result.getValue("info".getBytes, "food".getBytes))
    //拼接输出
    println("Row key:" + key + " Name:" + name + " food:" + food)
}
//关闭sc
sc.stop()