通过DF，Spark可以跟大量各型的数据源（文件/数据库/大数据）进行交互。前面我们已经看到DF可以生成视图，这就是一个非常使用的功能。
简单的读写流程如下：
通过read方法拿到DataFrameReader对象，与之类似的就有DataFrameWriter对象，通过DF的write方法拿到，通过其save方法将数据保存到文件或数据库。
Spark官方列出的支持的数据格式有：
- parquet，这是Apache的一种序列化格式，我没有用过
- json
- text
- csv，逗号或其他分隔符分割的text
- orc，也是apache的一种数据格式，没有用过
- avro，也是apache的一种数据格式，没有用过
- JDBC，spark也是Java的，支持jdbc数据源天经地义
- Hive，它本来就干这个的
我们来尝试几个例子。
JSON
我们的json文件还是之前那种不规范格式，我期望读到DF后能变成规范的格式：
- Dataset
- json.show();
- json.write().save(“spark-core/src/main/resources/people.json”);
此执行将报告一个错误，指出该文件已存在。
[En]
This execution will report an error saying that the file already exists.
于是换一个文件people1.json，这样会生成一个文件夹people1.json，而任务报错：
到https://github.com/steveloughran/winutils/blob/master/hadoop-3.0.0/bin 下载hadoop.dll到hadoop的bin目录，执行了一下倒是没报错（看来只是win系统的原因，linux应该不报错吧），产生了一个文件夹：
真奇怪，为什么spark非要使用parquet呢？可这样保存了该咋用呢？
parquet
根据 Parquet Files – Spark 3.2.0 Documentation (apache.org) 的说明，Parquet是apache的一款列式存储数据文件。spark会自动解析它的格式（有哪些字段），并把每一列都作为可空的。主要还是在hadoop相关的环境下使用。
上面生成的parquet文件时可以直接读取的。和读取json文件一样，spark提供了parquet()方法：
除了save方法，spark也支持通过parquet方法直接保存：
JDBC
对于我们来说，这种方法可能是最常用的。从数据库中读取数据，对其进行处理，然后写回数据库。
[En]
This approach is probably the most frequently used for us. The data is read from the database, processed and then written back to the database.
使用JDBC连接有两种方法，第一种方法是通过option传入连接参数：
- DataFrameReader jdbc = session.read().format(“jdbc”);
- jdbc.option(“url”, “jdbc:mysql://localhost:3306/enn”);
- jdbc.option(“dbtable”, “config_info”);
- jdbc.option(“user”, “root”);
- jdbc.option(“password”, “123456”);
- Dataset
- jdbcDf.show();
直接执行将报告错误，因为找不到数据库驱动程序
[En]
Direct execution will report an error because the database driver cannot be found
通过maven引入驱动（实际开发中如果不是使用maven项目，需要把驱动jar包放到服务器上指定classpath）即可成功
除了option参数，spark还提供了通过Jdbc方法来生成DF，这样没有load的显式过程：
您可以看到，代码更短，更面向对象，因此推荐使用第二个。
[En]
You can see that the code is shorter and more object-oriented, so the second one is recommended.
另外库名可以放到url中也可以放到表名前面。下面这样也可以，这是驱动提供的能力，和编码无关
现在要把一个DF保存到数据库，使用write即可：
注意要保存的表不能提前存在，不然会说表已经有了。那spark自己怎么创建表呢？它会根据推断的类型创建一个字段都可空的表：
如果想追加数据呢？总不能每次都创建新表吧。可以使用mode方法指定，可以看到插入了两遍：
另一个问题是汉字的编码，我们需要具体说明：
[En]
Another problem is the coding of Chinese characters, which we need to specify:
此处使用的是现有表，表定义是复制的原始表：
[En]
An existing table is used here, and the table definition is the original table that is copied:
Original: https://www.cnblogs.com/somefuture/p/15682410.html
Author: 老魏去东
Title: Spark3 学习【基于Java】4. Spark-Sql数据源
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/522645/
转载文章受原作者版权保护。转载请注明原作者出处！