一.数据解释与杂项

1.External Data Source API 外部数据源

2.json也有些弊端

例如你第一次读的是
id:1,name:xxx
第二次
id:1,name:xxx,session:222  这样代码就要改
还有数据类型如果你是
id:"xxx"  根本不行

3.常用外部数据源

FileSystem:HDFS,Hbase,S3,OSS 等
HDFS 与 mysql join  你要用sqoop把 hdfs,mysql都要记载到hive中
但是用spark 一句话就可以

4.—packages

--packages  优点，灵活，给你都拉去过来本地有的，没有的才下载的   
缺点：生产中集群不能上网，maven没用
解决办法：有--jars    打成jar包传上去

5.内部内置与外部数据源

json.vsv,hdfs,hive,jdbc,s3,parquet,es,redis 等
分为两大类 build-in (内置) ， 3th-party(外部)
spark.read.load()  默认读的是parquet文件

6.外部添加jar包和使用实例

csv为例使用https://spark-packages.org 这个网址
点homepage

7.读写标准写法

8.自定义约束条件

9.支持数组等其他复杂类型像hive

二.JDBC读写问题

1.写入时文件存在问题（已经存在）

2.解决方式官网 加载文件数据

存在抛出异常
目标存在追加，但是重跑一次可能两份，有弊端（保证不了每次处理都是一样的）
目标表存在，已经存在的数据被清掉
忽略模式，有了就不会再往里加了

3.想看到你写的文件内容可以不压缩

user.select("name").write.format("json").option("compression","none").save("file:///root/test/json1/")
 user.select("name").write().format("json").save("/root/test/json1/")

4.mode源码展示 大写小写都一样

5.savemode是枚举类型 java类

6.效果一样

result.write.mode("default")
result.write.mode(SaveMode.ErrorIfExists)

7.append 重跑一次有两份了

8.官网读取JDBC数据注意一定要加driver属性

9.属性解释官网

10.读jdbc时候可以让多少条进一个分区，其余进那个分区可以设置

哪个字段分区
最少，最多多少条
几个分区
一次进去多少条

三.spark-sql的使用

1.jar包添加 注意如果报加不进去，你要加上最后面一句话，版本问题

2.spark-sql可以直接加载hive中的表

sparksession中有个table方法直接可以把表转化为DataFrame

3.加载jdbc 代码

4.join 注意

 三个等号，否则报错，注意条件

四.外部数据源的机制

1.PPD优化

2.实现三个接口或者子类

如何更有效的读取外部数据源  Table sCAN
加载外部数据源数据，定义数据的schema信息Base(抽象类必须有子类)
写必须实现RelationProvicer

3.TableScan对应PDD优化的位置

就是上图第一行什么都不管，读出什么是什么

裁剪对应第二个

裁剪过滤对应第三个
两个图就参数不同，功能一致

4. 其余两项源码

实现这三个接口
一个可以写schema信息
一个是过滤
一个可以写出去
带scan是查，insert 写， base加载数据源和schema信息

5.JDBC源码中实现了三个接口或者子类