SparkSQL的简介

SparkSQL

        

       SparkSQL是一个处理结构化数据的Spark模型，不像基本的Spark RDD的API，通过SparkSQL提供的接口可以提供更多的信息关于结构化的数据和计算，SparkSQL使用这些额外的信息进行额外的优化，有很多和SparkSQL进行交互的方式，包括：SparkSQL,SQL,the DataFrames API and the Datasets API，不论你使用的是哪种API，在计算的时候使用的都是相同的执行引擎，这种统一性意味着开发者可以更容易的在各种API之间来回切换，在此基础上提供最自然的方式来表示给定的转换。

DataFrames

         DataFrame是一个以命名列的方式的一个分布式的数据集。它类似于关系型数据库里面的一张表，或者是R/Python语言里面的DataFrame，但是Spark的这个DataFrame的功能要更强大，DataFrame的数据来源可以是结构化的文件（Json），Hive表（非常重要的数据源），外部的数据库（MySQL），也可以是已经存在的RDD。

DataFrame的API可以使用Scala，Java,Python和R进行编写。

下面这个例子就是读取结构化的json数据来创建DataFrame：

val sc: SparkContext 
// An existing SparkContext.
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
val df = sqlContext.read.json("examples/src/main/resources/people.json")
// Displays the content of the DataFrame to stdout
df.show()