logo

小白学苑

让大数据学习更简单

构造DataFrame-加载外部数据源创建

Spark提供了一个接口，DataFrameReader，用来从众多的数据源读取数据到DataFrame，以各种格式，如JSON、CSV、Parquet、Text、Avro、ORC等。

在PySpark SQL中用于读写数据源数据的两个主要类分别是pyspark.sql.DataFrameReader和pyspark.sql.DataFrameWriter，它们的实例分别作为SparkSession类的read和write字段。

可通过DataFrameReader的load()方法，用来以各种格式（如JSON、CSV、Parquet、Text、Avro、ORC等）从众多的数据源读取数据到DataFrame。另外它还有五个快捷方法：text、csv、json、orc和parquet，相当于先调用format()方法再调用load()方法。

PySpark SQL提供的接口pyspark.sql.DataFrameWriter，用来将DataFrame以特定格式写回数据源。它的实例作为SparkSession类的write字段。

读取文本文件创建DataFrame

文本文件是最常见的数据存储文件。Spark DataFrame API允许开发者将文本文件的内容转换成DataFrame。

让我们仔细看看下面的例子，以便更好地理解（这里我们使用Spark自带的数据文件）：

file = "file:///home/hduser/data/spark/resources/people.txt"
txtDF = spark.read.format("text").load(file)		# 加载文本文件
# txtDF = spark.read.text(file)				# 等价上一句，快捷方法

txtDF.printSchema()						# 打印schema
txtDF.show()							# 输出

执行过程和结果如下：

Spark会自动推断出模式，并相应地创建一个单列的DataFrame。因此，没有必要为文本数据定义模式。不过，当加载大数据文件时，定义一个schema要比让Spark来进行推断效率更高。

读取CSV文件创建DataFrame

在Spark 3.x中，加载CSV文件是非常简单的。请看下面的示例。

// 数据源文件
file = "file:///home/hduser/data/spark/resources/people.csv"
people_df = spark.read.load(file, format="csv", sep=";", inferSchema="true", header="true")

people_df.printSchema()
people_df.show()

执行过程和结果如下：

或者，也可以使用快捷方法csv，如下所示：

file = "file:///home/hduser/data/spark/resources/people.csv"
people_df = spark.read.options(sep=";",inferSchema="true",header="true").csv(file)

people_df.printSchema()
people_df.show()

执行过程和结果如下：

在上面的示例中，使用了模式推断。对于大型的数据源，指定一个schema要比让Spark来进行推断效率更高。

在下面的代码中，我们提供一个schema：

from pyspark.sql.types import *

file = "file:///home/hduser/data/spark/resources/people.csv"

# 指定一个Schema(模式)
fields = [
    StructField("p_name", StringType(), True), 
    StructField("p_age", IntegerType(), True),
    StructField("p_job", StringType(), True)
] 
schema = StructType(fields)

# 加载CSV文件到DataFrame，并指定schema
people_df2 = spark.read.options(sep=";",header="true").schema(schema).csv(file)

people_df2.printSchema()
people_df2.show()

执行过程和结果如下：

可以看出，它返回了由行和命名列组成的DataFrame，该DataFrame具有模式中指定的类型。

也可以使用csv格式读取tsv文件。所谓tsv文件，指的是以制表符（tab）作为字段分隔符的文件。在下面的示例中，加载tsv文件到DataFrame中：

file = "file:///home/hduser/data/spark/resources/people.tsv"

people_df3 = spark.read.options(sep="\t",inferSchema="true",header="true").csv(file)

people_df3.printSchema()
people_df3.show()

执行过程和结果如下：

读取JSON文件创建DataFrame

Spark SQL可以自动推断JSON Dataset的模式，并将其加载为Dataset[Row]。这种转换可以在Dataset[String]或JSON文件上使用SparkSession.read.json()完成。

注意，作为json文件提供的文件实际上并不是典型的JSON文件。每一行必须包含一个单独的、自包含的有效JSON对象。对于常规的多行JSON文件，将multiLine选项设置为true。

读取JSON数据源文件时，Spark会自动从key中自动推断模式，并相应地创建一个DataFrame。因此，没有必要为JSON数据定义模式。此外，Spark极大地简化了访问复杂JSON数据结构中的字段所需的查询语法。

请看下面的示例。

// 数据源文件
file = "file:///home/hduser/data/spark/resources/people.json"

# json解析；列名和数据类型隐式地推断
people_df4 = spark.read.load(file, format="json")

# people_df4 = spark.read.json(file)     # 简洁方法

people_df4.printSchema()
people_df4.show()

执行过程和结果如下：

当然，也可以明确指定一个schema，覆盖Spark的推断schema。如下面的代码所示：

from pyspark.sql.types import *

file = "file:///home/hduser/data/spark/resources/people.json"

# 指定一个Schema(模式)
fields = [
    StructField("name", StringType(), True), 
    StructField("age", IntegerType(), True)
] 
schema = StructType(fields)

# 读取数据到DataFrame，并指定schema
people_df5 = spark.read.schema(schema).json(file) 

people_df5.printSchema()
people_df5.show()

执行过程和结果如下：

读取Parquet文件创建DataFrame

Apache Parquet文件是Spark SQL中直接支持的一种常见格式，它们非常节省空间，非常流行。Apache Parquet是一种高效的、压缩的、面向列的开源数据存储格式。它提供了多种存储优化，允许读取单独的列而非整个文件，这不仅节省了存储空间而且提升了读取效率。它是 Spark 默认的文件格式，支持非常有效的压缩和编码方案，也可用于Hadoop生态系统中的任何项目，可以大大提高这类应用程序的性能。

在下面的示例中，先读取Parquet文件内容到DataFrame中，然后打印其schema并输出数据：

file = "file:///home/hduser/data/spark/resources/users.parquet"

# 读取parquet文件
# Parquet文件是自描述的，因此模式得以保留
# 加载Parquet文件的结果也是一个DataFrame
parquet_df = spark.read.load(file,format="parquet")
# parquet_df = spark.read.parquet(file)     # 简洁写法

# 输出模式和内容
parquet_df.printSchema()
parquet_df.show()

执行过程和结果如下：

使用JDBC从数据库创建DataFrame

PySpark SQL还包括一个可以使用JDBC从其他关系型数据库读取数据的数据源。开发人员可以使用JDBC创建来自其他数据库的DataFrame，只要确保预定数据库的JDBC驱动程序是可访问的（需要在spark类路径中包含特定数据库的JDBC驱动程序）。

在下面的示例中，我们通过JDBC读取MySQL数据库中的一个peoples数据表，并创建DataFrame。首先，在MySQL中执行如下脚本，创建一外名为xueai8的数据和一个名为peoples的数据表，并向表中插入一些样本记录。

mysql> create database xueai8;
mysql> use xueai8;
mysql> create table peoples(id int not null primary key, name varchar(20), age int);
mysql> insert into peoples values(1,"张三",23),(2,"李四",18),(3,"王老五",35);
mysql> select * from peoples;

然后编写如下的代码，来读取peoples表中的数据到DataFrame中。

jdbc_df1 = spark.read \
    .format('jdbc') \
    .options(url = 'jdbc:mysql://localhost:3306/xueai8',
             dbtable = 'peoples',
             user = 'root',
             password = 'admin') \
    .load()

# 获取表数据作为一个DataFrame
jdbc_df1.show()

执行过程和结果如下：

也可以使用快捷方法jdbc(url, table, properties={"user": "username", "password": "password"})从关系型数据库中加载数据。例如，上面的示例可以改写为如下的代码：：

jdbc_df3 = spark.read \
    .jdbc("jdbc:mysql://localhost:3306/xueai8",
          "peoples",
          properties={"user": "root", "password": "admin"})

# 获取表数据作为一个DataFrame
jdbc_df3.show()

执行过程和结果如下：

在读取JDBC关系型数据库中的表数据时，也可以指定相应的DataFrame的列数据类型。

# 指定读取时的dataframe列数据类型
jdbc_df2 = spark.read \
    .format("jdbc") \
    .option("url", "jdbc:mysql://localhost:3306/xueai8") \
    .option("dbtable", "peoples") \
    .option("user", "root") \
    .option("password", "admin") \
    .option("customSchema", "id DECIMAL(38, 0), name STRING, age LONG") \
    .load()

jdbc_df2.printSchema()
jdbc_df2.show()

执行过程和结果如下：

还可以使用query选项指定用于将数据读入Spark的查询语句。指定的查询将被圆括号括起来，并在FROM子句中用作子查询。Spark还将为子查询子句分配一个别名。例如，Spark将向JDBC源发出如下形式的查询。

SELECT  FROM () spark_gen_alias

使用此选项时有一些限制。

  • 不允许同时指定“dbtable”和“query”选项。
  • 不允许同时指定“query”和“partitionColumn”选项。当需要指定“partitionColumn”选项时，可以使用“dbtable”选项指定子查询，分区列可以使用作为“dbtable”的一部分提供的子查询别名进行限定。

例如：

jdbc_df4 = spark.read \
    .format("jdbc") \
    .option("url", "jdbc:mysql://localhost:3306/xueai8") \
    .option("query", "select name,age from peoples") \
    .option("user", "root") \
    .option("password", "admin") \
    .load()

jdbc_df4.printSchema()
jdbc_df4.show()

执行过程和结果如下：

《PySpark原理深入与编程实战》