SparkSQL学习记录之三

这次我们讲讲SparkSQL的数据源。

通过DataFrame接口，SparkSQL支持操作各种的数据源。DataFrame能够在普通的RDDs上被操作，也可被注册成一个临时表。将DataFrame注册成一个表，可以允许你使用SQL查询。下来我们讲讲如何使用一般的方法来加载和额保存数据，然后研究怎么指定要操作的数据源的选项。

为了简单说明，默认的数据源（parquet格式）将被用在所有的演示中。

val df = sqlContext.read.load("examples/src/main/resources/users.parquet")
df.select("name", "favorite_color").write.save("namesAndFavColors.parquet")

你也可以给数据源传递一个额外的参数，来手动的制定数据源。数据源被指定需要写它的全部修饰名称，但是在内置数据源，你可以写它的名称的简写。而类型之间可以互相转换。

val df = sqlContext.read.format("json").load("examples/src/main/resources/people.json")
df.select("name", "age").write.format("parquet").save("namesAndAges.parquet")

相比使用读取数据的API来加载数据到DataFrame去查询它，你也可以使用SQL直接查询该文件。

val df = sqlContext.sql("SELECT * FROM parquet.`examples/src/main/resources/users.parquet`")

保存操作可以使用SaveMode，来指定如何处理存在的，参与的数据。我们要知道保存模式没有利用任何的锁机制也不是一个原子操作，这一点很重要。此外，当执行一个overwrite，在写新数据之前，旧数据会被删除。

Scala/Java	Any Language	Meaning
SaveMode.ErrorIfExists(default)	"error"(default)	当保存dataframe到一个数据源时，如果该文件已存在，则一个异常会被抛出。
SaveMode.Append	"append"	当保存dataframe到一个数据源时，如果该文件已经存在，则会数据会追加到该数据之后。
SaveMode.Overwrite	"overwrite"	覆盖模式意味着当保存dataframe到一个数据源时，如果数据或者表已经存在了，存在的数据会被新来的dataframe数据所覆盖。
SaveMode.Ignore	"ignore"	忽略模式意味着当保存dataframe到一个数据源时，如果数据或者表已经存在了，新的dataframe数据不会保存，不会改变存在的数据。

当使用HiveContext来进行工作，DataFrame能够以saveAsTable命令来被保存到一个持久化的表中。与registerTempTable 命令不同，saveAsTable会持久化dataframe的数据，并且在HiveMetastore中创建数据的指针。当你的spark应用重启之后，只要你一直维持对元数据的连接，持久化的表依然存在。通过在SQLContext使用table方法，传递table的名字，那么dataframe所关联的持久化表会被创建。

默认情况下，saveAsTable会创建一个管理表，数据的位置将要被云存储所控制。当一个表被删除，管理表会自动删除里面的数据。