Spark SQL之External DataSource外部数据源（一）示例

浏览数：27 / 时间：2015年06月12日

一、Spark SQL External DataSource简介

随着Spark1.2的发布，Spark SQL开始正式支持外部数据源。Spark SQL开放了一系列接入外部数据源的接口，来让开发者可以实现。

这使得Spark SQL支持了更多的类型数据源，如json, parquet, avro, csv格式。只要我们愿意，我们可以开发出任意的外部数据源来连接到Spark SQL。之前大家说的支持HBASE，Cassandra都可以用外部数据源的方式来实现无缝集成。

(Ps: 关于External Datasource源码解析篇请移步至：Spark SQL之External DataSource外部数据源（二）源码分析 http://blog.csdn.net/oopsoom/article/details/42064075)

二、External DataSource

拿Spark1.2的json为例，它支持已经改为了实现了外部数据源的接口方式。所以除了先前我们操作json的API，又多了一种DDL创建外部数据源的方式。

parquetFile的操作方式也如下类似，就不一一列举了。

2.1 SQL方式 CREATE TEMPORARY TABLE USING OPTIONS

在Spark1.2之后，支持了一种CREATE TEMPORARY TABLE USING OPTIONS的DDL语法来创建外部数据源的表。

CREATE TEMPORARY TABLE jsonTable
USING org.apache.spark.sql.json
OPTIONS (
  path ‘/path/to/data.json‘
)

1、操作示例：

我们拿example下people.json文件来做示例。

shengli-mac$ cat /Users/shengli/git_repos/spark/examples/src/main/resources/people.json
{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}

2、DDL创建外部数据源表jsonTable：

14/12/21 16:32:14 INFO repl.SparkILoop: Created spark context..
Spark context available as sc.

scala> import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.SQLContext

scala> val sqlContext  = new SQLContext(sc)
sqlContext: org.apache.spark.sql.SQLContext = org.apache.spark.sql.SQLContext@7be62956

scala> import sqlContext._
import sqlContext._
//创建jsonTable外部数据源表，并且指定其数数据源文件是people.json这个json文件，同时指定使用org.apache.spark.sql.json该类型的隐式转化类(这个后续文章会介绍)
scala> val jsonDDL = s"""
     | |CREATE TEMPORARY TABLE jsonTable
     | |USING org.apache.spark.sql.json
     | |OPTIONS (
     | | path  ‘file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json‘
     | |)""".stripMargin
jsonDDL: String = 
"
CREATE TEMPORARY TABLE jsonTable
USING org.apache.spark.sql.json
OPTIONS (
 path  ‘file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json‘
)"

scala> sqlContext.sql(jsonDDL).collect() //创建该外部数据源表jsonTable
14/12/21 16:44:27 INFO scheduler.DAGScheduler: Job 0 finished: reduce at JsonRDD.scala:57, took 0.204461 s
res0: Array[org.apache.spark.sql.Row] = Array()

我们来看下该schemaRDD:

scala> val jsonSchema = sqlContext.sql(jsonDDL)
jsonSchema: org.apache.spark.sql.SchemaRDD = 
SchemaRDD[7] at RDD at SchemaRDD.scala:108
== Query Plan ==
== Physical Plan ==
ExecutedCommand (CreateTableUsing jsonTable, org.apache.spark.sql.json, Map(path -> file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json))

ExecutedCommand来取把数据用spark.sql.json的方式从path加载到jsonTable中。涉及到得类是CreateTableUsing，后续源码分析会讲到。

各阶段执行计划情况：

scala> sqlContext.sql("select * from jsonTable").queryExecution
res6: org.apache.spark.sql.SQLContext#QueryExecution = 
== Parsed Logical Plan ==
‘Project [*]
 ‘UnresolvedRelation None, jsonTable, None

== Analyzed Logical Plan ==
Project [age#0,name#1]
 Relation[age#0,name#1] JSONRelation(file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json,1.0)

== Optimized Logical Plan ==
Relation[age#0,name#1] JSONRelation(file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json,1.0)

== Physical Plan ==
PhysicalRDD [age#0,name#1], MapPartitionsRDD[27] at map at JsonRDD.scala:47

Code Generation: false
== RDD ==

至此，创建加载外部数据源到Spark SQL已经完成。

我们可以使用任何我们希望的方式来查询：

3、SQL查询方式：

scala> sqlContext.sql("select * from jsonTable")
21 16:52:13 INFO spark.SparkContext: Created broadcast 6 from textFile at JSONRelation.scala:39
res2: org.apache.spark.sql.SchemaRDD = 
SchemaRDD[20] at RDD at SchemaRDD.scala:108
== Query Plan ==
== Physical Plan ==
PhysicalRDD [age#2,name#3], MapPartitionsRDD[24] at map at JsonRDD.scala:47

执行查询：

scala> sqlContext.sql("select * from jsonTable").collect()
res1: Array[org.apache.spark.sql.Row] = Array([null,Michael], [30,Andy], [19,Justin])

2.2 API方式

sqlContext.jsonFile

scala> val json = sqlContext.jsonFile("file:///Users/shengli/git_repos/spark/examples/src/main/resources/people.json")
scala> json.registerTempTable("jsonFile")

scala> sql("select * from jsonFile").collect()
res2: Array[org.apache.spark.sql.Row] = Array([null,Michael], [30,Andy], [19,Justin])