Spark-数据读取与保存（Scala版）

文件格式

Spark对文件的读取和保存方式都很简单，会根据文件的扩展名选择对应的处理方式

Spark支持的一些常见格式
格式名称	结构化	备注
文本文件	否	普通的文本文件，每行一条记录
JSON	半结构化	常见的基于文本的格式，半结构化，大多数库都要求每行一条记录
CSV	是	非常常见的基于文本的格式，通常在电子表格应用中使用
sequenceFiles	是	一种用于键值对数据常见的Hadoop文件格式
protocol buffers	是	一种快速、节约空间的跨语言格式
对象文件	是	用来将Spark作业中的数据存储下来以让共享的代码读取。改变类的时候会失效，因为他依赖于java序列化

文本文件

当我们将一个文本文件读取为RDD时，输入的每一行都会成为RDD的一个元素，也可以将多个完整的文本文件一次性读取为一个pair RDD,其中键是文件名，值是文件内容。

读取文本文件

只需要使用文件路径作为参数调用SparkContext中的textFile()函数，就可以读取一个文本文件

读取一个文本文件

val input = sc.textFile("file:///home/holden/repos/spark/README.md")

如果文件足够小，可以使用SparkContext，wholeTextFiles()方法，该方法会返回一个pair RDD,其中键是输入文件的文件名

val input = sc.wholeTextFiles("file:///home/holden/salesFiles")
val result = input.mapValues{y =>val nums = y.split(" ").map(x => x.toDouble)nums.sum / nums.size.toDouble
}

JSON

JSON是一种使用较广的半结构化数据格式，读取JSON数据的最简单的方法可以在所有支持的编程语言中使用。然后使用JSON解释器来对RDD中的值进行映射操作，Scala中也可以使用一个自定义Hadoop格式来操作JSON数据。

在scala中读取JSON

import com.fasterxml.jackson.moudle.scala.DefaultScalaMoudle
import com.fasterxml.jackson.moudle.scala.experimental.ScalaObjectMapper
import com.fasterxml.jackson.databind.ObjectMappr
import com.fasterxml.jackson.databind.DeserializationFeature
...
case class Person(name:String,lovesPandas:Boolean //必须是顶级类
...
//将其解析为特定的case class。使用flatMap，通过在遇到问题时返回空列表(None)
//来处理错误，而在没有问题时返回包含一个元素的列表(Some(_))
val result =input.flatMap(record =>{try{Some(mapper.readValue(record,classOf[Person]))}catch{case e:Exception => None}})

在scala中保存为JSON

result.filter(p => p.lovesPandas).map(mapper.writeValueAsString(_)).saveAsTextFile(outputFile)

逗号分隔值（CSV）与制表符分割值（TSV）

读取CSV

读取CSV/TSV数据和读取JSON数据相似，都需要先把文件当做普通文本文件来读取数据，再对数据进行处理。由于格式标准的缺失，同一个库的不同版本有时也会用不同的方式处理输入数据。

如果你的CSV的所有数据字段均没有包含换行符，你也可以使用textFile()读取并解析数据

import Java.io.StringReader
import au.com.bytecode.opencsv.CSVReader
...
val input = sc.textFile(inputFile)
val result = input.map{line => val reader = new CSVReader(new StringReader(line));reader.readNext();}

如果在字段中嵌有换行符，就需要完整读入每个文件，然后解析。

case class Person(name: String,favoriteAnimal:String)val input = sc.wholeTextFiles(inputFile)
val result = input.flatMap{case (_,txt) =>val reader = new CSVReader(new StringReader(txt));reader.readAll().map(x => Person(x(0),x(1)))
}

保存CSV

写出CSV/TSV数据很简单，可以通过重用输出编码器来加速

pandaLovers.map(persion => List(person.name,person.favoriteAnimal).toArray).mapPartitions{people => val stringWriter = new StringWriter();val csvWriter = new CSVWriter(stringWriter);csvWriter.writeAll(people.toList)Iterator(stringWriter.toString)}.saveAsTextFile(outFile)

上述的例子中只能在我们知道所有要输出的字段时使用，然而如果一些字段名是在运行时由用户输入决定的，就要使用别的方法了，最简单的方法是遍历所有的数据，提取不同的键，然后分别输出。

SequenceFile

SequenceFile是由没有相对关系结构的键值对文件组成常用的Hadoop格式，SequenceFile文件有同步标记，Spark可以用它来定位到文件中的某个点，然后再与记录的边界对其。这可以让Spark使用多个节点高效的并行读取SequenceFile文件。

读取SequenceFile

Spark有专门用来读取SequenceFile的接口。SparkContext中，可以调用sequenceFile(path,keyClass,valueClass,minPartitions)

val data = sc.sequenceFile(infile,classOf[Text],classOf[IntWritable]).map{case(x,y)=> (x.toString,y.get())}

保存SequenceFile

val data = sc.parallelize(List(("panda",3),("key",6),("Snail",2)))
data.saveAsSequenceFile(outputFile)