一、创建SparkSession
Spark SQL中所有功能的入口点是SparkSession类。可以使用SparkSession.builder()直接创建一个SparkSession:
import org.apache.spark.sql.SparkSession;
SparkSession spark = SparkSession
.builder()
.appName("Java Spark SQL basic example")
.config("spark.some.config.option", "some-value")
.getOrCreate();
Spark 2.0 中,SparkSession
为 Hive 特性提供了内嵌的支持,包括使用 HiveQL 查询, 访问 Hive UDF,以及从 Hive 表中读取数据。
二、创建DataFrames
通过SparkSession,应用程序可以通过一个已经存在的RDD,Hive表,或者是Spark数据源创建DataFrams。下面以读取Json文件为例:
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
Dataset<Row> df = spark.read().json("examples/src/main/resources/people.json");
// Displays the content of the DataFrame to stdout
df.show();
// +----+-------+
// | age| name|
// +----+-------+
// |null|Michael|
// | 30| Andy|
// | 19| Justin|
// +----+-------+
三、无类型的Dataset操作
我们知道 DataFrames在Scala 和 Java API中,它仅仅是多个 Row
s的Dataset。这些操作也参考了与强类型的Scala/Java Datasets中的”类型转换” 对应的”无类型转换” 。
下面使用 Dataset 进行结构化数据处理的示例:
// col("...") is preferable to df.col("...")
import static org.apache.spark.sql.functions.col;
// Print the schema in a tree format
df.printSchema();
// root
// |-- age: long (nullable = true)
// |-- name: string (nullable = true)
// Select only the "name" column
df.select("name").show();
// +-------+
// | name|
// +-------+
// |Michael|
// | Andy|
// | Justin|
// +-------+
// Select everybody, but increment the age by 1
df.select(col("name"), col("age").plus(1)).show();
// +-------+---------+
// | name|(age + 1)|
// +-------+---------+
// |Michael| null|
// | Andy| 31|
// | Justin| 20|
// +-------+---------+
// Select people older than 21
df.filter(col("age").gt(21)).show();
// +---+----+
// |age|name|
// +---+----+
// | 30|Andy|
// +---+----+
// Count people by age
df.groupBy("age").count().show();
// +----+-----+
// | age|count|
// +----+-----+
// | 19| 1|
// |null| 1|
// | 30| 1|
// +----+-----+
DataFrame 执行操作的完整API可以参考 API 文档。
除了简单的列引用和表达式之外,DataFrame 也有丰富的函数库,比如 string 操作,date 算术,常见的 math 操作等等。完整API请参考 DataFrame 函数指南。