Spark系列（四十二）Spark sql从文件中读取数据创建DataFrame

在spark sql中，我们知道操作的数据都是DataFrame，因此从这篇文章开始，我们介绍几种创建DataFrame的方式，这篇文章介绍从文件中读取数据创建DataFrame。

其实从文件中读取文件创建DataFrame的案例我们再签名已经演示过了，所以这里简单的介绍一下即可：

package org.example

import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
object StudentCal {

  def main(args: Array[String]): Unit = {


    val conf = new SparkConf()
    //这里的master模式，在提交的时候我们可以使用命令进行修改，但是在自动化部署提交的平台里面我们不能随意去添加各种命令，因此在这里设置即可。
    conf.set("spark.master", "local[*]")
    //这里是配置spark应用程序执行的cpu核数
    conf.set("spark.executor.cores", "2")
    //这里是配置spark应用程序执行的时候堆大小
    conf.set("spark.executor.memory", "4g")
    //这里是配置spark应用程序执行的时候需要多少个Executor进程来执行整个任务
    conf.set("spark.executor.instances", "6")
    //这里是设置spark应用程序数据本地化等待时长，这个意思代表数据本地化等待时长，spark driver对于application分配的task尽量在数据节点上，
    //这里补充一下，设置这个时间，也就是等待driver把task分配到数据所处的节点上，如果超过这个时长，则数据会被分配到就近的一个节点上。
    conf.set("spark.locality.wait", "0")
    //这里是spark的序列化信息设置
    conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");

    val session = SparkSession.builder()
      //把上面的conf设置进来
      .config(conf)
      .appName("demo")
      .getOrCreate()

    val sc = session.sparkContext

    // 数据源文件
    val file = "C:\\Users\\Administrator\\Desktop\\fsdownload\\users.txt"
    val usersDF = session.read.format("csv")
      .option("sep", ";") // 字段使用;分隔符
      .option("inferSchema", "true") // 指定自动推断模式
      .option("samplingRatio", 0.001) // 根据抽样进行模式推断
      .option("header", "true") // 说明有标题行
      .load(file)
    //打印dataframe的schema信息。
    usersDF.printSchema()
    //再打印下userDF的整个dataframe表信息
    usersDF.show()


  }


  case class User(name:String,age:Long,sex:String){

  }

}

备注：

1、spark对于文件中加载数据有非常完善的api

2、在遇到大文件的话，建议指定schema，同时关闭自动推荐的模式。