2.5　R语言操作数据库

在实际的工作中，数据往往集中存储在数据库中，因此需要对数据库进行读取操作。R语言可以与市面上的所有数据集进行链接、操作，本节将介绍如何链接数据库，并进行操作。下面列举R语言操作各类数据库的相关资料链接。

●　RODBC：R中ODBC数据库范围。官网网址为http://cran.r-project.org/web/packages/RODBC/。

●　DBI：在R和数据库管理系统之间定义一个公共的接口。官网网址为https://github.com/rstats-db/DBI。

●　Elastic：Elasticsearch HTTP API的包装器。官网网址为https://github.com/ropensci/elastic。

●　Mongolite：R中Mongo客户端。官网网址为https://github.com/jeroenooms/mongolite。

●　RMySQL：R语言的MySQL数据库接口。官网网址为http://cran.r-project.org/web/packages/RMySQL/。

●　ROracle：R中Oracle数据库的接口。官网网址为http://cran.r-project.org/web/packages/ROracle/index.html。

●　RPostgreSQL：R语言的PostgreSQL数据库系统接口。官网网址为https://code.google.com/p/rpostgresql/。

●　RSQLite：R语言SQLite数据库接口。官网网址为http://cran.r-project.org/web/packages/RSQLite/。

●　RJDBC：通过JDBC接口访问数据库。官网网址为http://cran.r-project.org/web/packages/RJDBC/。

●　RMongoDB：R中MongoDB驱动。官网网址为https://github.com/mongosoup/rmongodb。

●　RRedis：R中Redis驱动。官网网址为http://cran.r-project.org/web/packages/rredis/。

●　RCassandra：Apache Cassandra直接接口（不是Java），提供了最多的基本功能。官网网址为http://cran.r-project.org/web/packages/RCassandra/index.html。

●　RHive：通过Apache Hive的R扩展促进分布式计算。官网网址为https://github.com/nexr/RHive。

●　RNeo4j：Neo4j图形数据库驱动。官网网址为https://github.com/nicolewhite/Rneo4j。

本章节以Redshift数据库为例，使用两种方法进行链接。

1． RJDBC

下面介绍使用RJDBC包来对数据库进行链接。下面的代码就是使用RJDBC包来链接Redshift数据库的。只需要修改对应的数据库链接、数据库的账号密码、端口号等内容，运行即可链接对应的数据库。首先，通过install.packages("RJDBC")下载对应包；然后，通过library加载需要的包。第一步是下载亚马逊Redshift的JDBC驱动，使用download.file进行下载。下载完成之后运行驱动（使用JDBC函数，传入之前下载好的驱动的路径作为参数）。完成之后，输入数据库的地址、端口、数据库名、用户名、密码。将这些信息按照对应的格式赋值给一个字符串，然后就可以链接数据库了（使用dbConnect( )函数，这个函数的第一个参数是JDBC的返回值，另一个参数是之前生成的关于数据库地址、账号、密码等信息的字符串）。

本章节的代码都可以直接运行，其中，需要修改URL，输入所使用的数据库的名称、端口、用户名和密码，然后通过dbConnect进行链接，链接好后即可对数据进行操作。操作数据库用到的函数是dbGetTables( )。使用dbGetTables( )传入链接的数据库，会显示数据库里面的所有表格名称。通过SQL代码操作数据同样使用dbGetTables( )函数，dbGetTables( )函数在传入链接的数据库之后，第二个参数可以是一个SQL代码，返回结果就是SQL代码的运行结果。最后使用dbDisconnect( )函数来关闭数据库。

需要注意的是，dbGetQuery( )会将SQL代码的结果全部返回给R，并且以数据框的方式进行保存，如果数据量比较大，则这种方式会很慢，因此最好不要轻易地将结果返回给R，最好的方式是用SQL进行数据操作，然后将最终的结果返回给R，这样效率会更高一些。

2．dplyr

dplyr是一个用于数据分析的包，这个包依然可以用于操作数据库，使用这个包的好处是可以像处理R的数据一样，去处理数据库中的数据。这意味着并不需要写SQL去操作数据，因为dplyr可以将R函数直接转化成SQL代码，然后在数据库中运行。首先还是下载相应的包，然后需要加载dplyr和RPostgreSQL包，最后要链接数据库。使用dplyr链接数据库的方法与RJDBC不一样。dplyr使用src_postgres( )函数链接数据库，函数的第一个参数是数据库的名称，第二个参数host是数据库的链接，第三个参数port是数据库对应的端口，第四个参数user是数据的用户名，第五个参数password是用户名对应的密码。运行src_postgres( )即可链接数据库。

在上面的代码中，修改src_postgres( )函数中的数据库名称、数据库链接、端口号、用户名、用户名密码，就可以创建数据库的链接。链接数据库之后，即可对数据库进行数据操作（通过tbl( )函数进行操作，操作的方式很多，可以直接通过表名调用数据，也可以通过SQL代码调用数据。如果tbl( )直接传入链接好的数据库，则会返回数据库中的所有表名称。使用tbl( )传入链接好的数据库和对应的表名，则会返回对应表名称的数据）。同样地，也可以通过SQL操作数据，这个时候需要使用dplyr中的SQL函数。

创建好数据库的链接之后，需要获取表的数据（可以采用上面4种方式获取数据）。将获取的结果在R的终端进行输出，会返回数据库中数据的结果，但这并不意味着数据库的结果已经保存在R环境中了，返回的数据只是输出的这张表的部分结果，并没有保存到R环境中，因此，速度比较快。如果想将数据库中的结果保存到R环境，则需要主动地指定这样的操作，使用collect( )函数将数据保存到R环境中。需要注意的是，这样的操作会很耗费时间，因此有必要避免返回大量的结果，只将最终的结果返回到R环境。

remote_df %>% select(var1,var2)的作用是选取abc.mytable1这张表中的两行数据，这样的写法完全是R的数据操作的写法。其背后的原理是，这行代码会被翻译成SQL代码：

同样，其他的数据操作也会被转变成SQL代码，然后传递到数据库进行操作，最后将结果返回给终端。