spark中write算子和format算子详解

在spark中,想要往数据库或者某sink路径里面写数据,存到外部存储系统,如文件系统、数据库或数据仓库,经常会用到write算子。

具体来说,write算子通常与DataFrameDataset API一起使用,用于将数据写入持久化存储。

以下是一些常见的write算子的用途和示例:

1. 写入文件系统(例如,HDFS、S3等):

Scala 复制代码
// 将DataFrame写入Parquet格式的文件
dataframe.write.parquet("/path/to/destination/folder")

2. 写入关系型数据库

Scala 复制代码
// 将DataFrame写入关系型数据库(例如,MySQL)
dataframe.write
  .format("jdbc")
  .option("url", "jdbc:mysql://hostname:port/database")
  .option("dbtable", "table_name")
  .option("user", "username")
  .option("password", "password")
  .save()

3. 写入列式数据库

Scala 复制代码
// 将DataFrame写入列式数据库(例如,Cassandra)
dataframe.write
  .format("org.apache.spark.sql.cassandra")
  .option("keyspace", "keyspace_name")
  .option("table", "table_name")
  .mode("append")
  .save()

4. 写入其他数据格式

Scala 复制代码
// 将DataFrame写入JSON格式的文件
dataframe.write.json("/path/to/destination/folder")

// 将DataFrame写入CSV格式的文件
dataframe.write.csv("/path/to/destination/folder")

这只是一小部分 write算子的示例。实际上,write算子支持多种格式和配置选项,以满足不同存储系统和需求的要求。具体的用法取决于你要写入的目标存储系统和数据格式。


那么wirte后面的format算子,这里面的参数一般有哪些常用的呢?

1. Parquet格式

Scala 复制代码
dataframe.write.format("parquet").save("/path/to/destination/folder")

2. JSON格式

Scala 复制代码
dataframe.write.format("json").save("/path/to/destination/folder")

3. CSV格式

Scala 复制代码
dataframe.write.format("csv").save("/path/to/destination/folder")

4. 关系型数据库(JDBC)

Scala 复制代码
dataframe.write.format("jdbc")
  .option("url", "jdbc:mysql://hostname:port/database")
  .option("dbtable", "table_name")
  .option("user", "username")
  .option("password", "password")
  .save()

5. 列式数据库(Cassandra)

Scala 复制代码
dataframe.write.format("org.apache.spark.sql.cassandra")
  .option("keyspace", "keyspace_name")
  .option("table", "table_name")
  .mode("append")
  .save()

6. Elasticsearch

Scala 复制代码
dataframe.write.format("org.elasticsearch.spark.sql")
  .option("es.nodes", "elasticsearch_host")
  .option("es.port", "9200")
  .option("es.resource", "index_name/document_type")
  .mode("append")
  .save()

每个存储系统或数据格式都有自己的一组特定选项,用于配置连接信息、目标路径、写入模式等。这些选项可以通过option方法进行设置,具体的选项取决于所使用的format。查阅相关文档可以帮助了解特定存储系统或数据格式所支持的选项。

相关推荐
prince0523 分钟前
Kafka 生产者和消费者高级用法
分布式·kafka·linq
诗旸的技术记录与分享1 小时前
Flink-1.19.0源码详解-番外补充3-StreamGraph图
大数据·flink
资讯分享周1 小时前
Alpha系统联结大数据、GPT两大功能,助力律所管理降本增效
大数据·gpt
菜萝卜子1 小时前
【Project】基于kafka的高可用分布式日志监控与告警系统
分布式·kafka
G皮T3 小时前
【Elasticsearch】深度分页及其替代方案
大数据·elasticsearch·搜索引擎·scroll·检索·深度分页·search_after
TDengine (老段)3 小时前
TDengine STMT2 API 使用指南
java·大数据·物联网·时序数据库·iot·tdengine·涛思数据
华子w9089258594 小时前
基于 Python Django 和 Spark 的电力能耗数据分析系统设计与实现7000字论文实现
python·spark·django
用户Taobaoapi20145 小时前
母婴用品社媒种草效果量化:淘宝详情API+私域转化追踪案例
大数据·数据挖掘·数据分析
G皮T5 小时前
【Elasticsearch】检索排序 & 分页
大数据·elasticsearch·搜索引擎·排序·分页·检索·深度分页
幼稚园的山代王9 小时前
RabbitMQ 4.1.1初体验-队列和交换机
分布式·rabbitmq·ruby