SparkSQL 基本使用

简介

• SparkSQL可以直接使用SQL的方式处理结构化数据，也可以通过DataFrame（spark1.3)和Dataset(spark1.6) API 使用编程的方式处理结构化数据，本文只介绍以DataFrame API的方式编程，至于DataFrame 和Daraset有何不同，我们暂时将二者先理解为一个概念，DataFrame API支持多种编程语言，如Java,Scala,Python,R,这就意味着开发人员可以采用自己熟悉的语言编程。

SparkSession

• Spark2.0中引入了SparkSession的概念，它为用户提供了一个统一的切入点来使用Spark的各项功能，用户可以使用DataFrame和Dataset的各种API，在Spark2.0版本之前，创建一个Spark应用程序就必须要使用一个SparkConf和SparkContext，SparkSession封装了SparkConf、SparkContext和SQLContext，因此创建一个以SparkSQL编程的应用程序，只需要创建一个SparkSession。

• 创建SparkSession

  import org.apache.spark.sql.SparkSession
  
  val spark = SparkSession
  .builder()
  .appName("Spark SQL basic example")
  .config("spark.some.config.option", "some-value")
  .enableHiveSupport() #支持hive的一些特性，如udf,序列化与反序列化
  .getOrCreate()
  
  // For implicit conversions like converting RDDs to DataFrames
  import spark.implicits._   #使用隐式转换
  

DataFrame

• DataFrame 可以理解为具有Schema结构的RDD，并采用列式存储，他相对于RDD，可以从数据中读取到更多信息，因此可以做更多的优化.
• 那么怎样将数据转成一个DataFrame呢？ DataFrame API 对具有Schema信息的数据提供了format()和load()方法可以将不同格式和内部数据源的数据加载为DataFrame；当然，对外部数据源，DataFrame也提供了很好的支持，并且可以将非结构化数据以RDD的方式进行转换成DataFrame。

eg:读取json文件

    val peopledf=spark.read.format("json").load("file:///data/people.json")
    peopledf.show #这里的show方法默认显示前20行数据
    +----+-------+
    | age|   name|
    +----+-------+
    |null|Michael|
    |  30|   Andy|
    |  19| Justin|
    +----+-------+
    第一句也可以简写为：val peopledf=spark.read.json("file:///data/people.json")

• printSchema()

   peopledf.printSchema()
  root
   |-- age: long (nullable = true)
   |-- name: string (nullable = true)
   列出了他的Schema结构（Tree）
  

• select()

   peopledf.select("name").show
  +-------+
  |   name|
  +-------+
  |Michael|
  |   Andy|
  | Justin|
  +-------+
  peopledf.select("name","age").show 
  +-------+----+
  |   name| age|
  +-------+----+
  |Michael|null|
  |   Andy|  30|
  | Justin|  19|
  +-------+----+
  peopledf.select(df.col("name")).show
  +-------+
  |   name|
  +-------+
  |Michael|
  |   Andy|
  | Justin|
  +-------+
  peopledf.select('name).show  # 此方式需要import spark.implicits_ 导入隐式转换
  +-------+
  |   name|
  +-------+
  |Michael|
  |   Andy|
  | Justin|
  +-------+
  peopledf.select($"name",$"age"+10).show
  +-------+----------+
  |   name|(age + 10)|
  +-------+----------+
  |Michael|      null|
  |   Andy|        40|
  | Justin|        29|
  +-------+----------+
  

• filter()

  peopledf.filter($"age">21).show
  +---+----+
  |age|name|
  +---+----+
  | 30|Andy|
  +---+----+
  

• groupBy()

  peopledf.groupBy("age").count().show 
  +----+-----+
  | age|count|
  +----+-----+
  |  19|    1|
  |null|    1|
  |  30|    1|
  +----+-----+
  

• show()

  show(num,truncate) 传入俩个参数，第一个控制显示行数，第二个控制是否显示全部信息
  

在DataFrame中使用SQL编程

• SparkSession中的sql()函数可以让应用程序以编程的方式运行SQL查询语句，让结果返回一个DataFrame。

  // Register the DataFrame as a SQL temporary view
  peopledf.createOrReplaceTempView("people")
  val sqldf = spark.sql("select * from people")
  sqlDF.show()
  // +----+-------+
  // | age|   name|
  // +----+-------+
  // |null|Michael|
  // |  30|   Andy|
  // |  19| Justin|
  // +----+-------+
  

RDD与DataFrame的转换

方式一：Using Reflection

    val spark = SparkSession.builder()
          .appName("transferRDD")
          .master("lccal[2]")
          .getOrCreate()
    import spark.implicits._   # 导入隐式转换
        val dfRDD = spark.sparkContext.textFile("")
          .map(x =>x.split(",")).map(x=>Person(x(0),x(1).trim.toInt))
          .toDF() # 将RDD每个元素作用为case class

        spark.stop()
      }

    }
    case class Person(name:String,age:Int) #定义一个case class,在scala 2.10及之前版本只支持22个字段

方式二：Programmatically Specifying the Schema

    val spark = SparkSession.builder()
          .appName("")
          .master("")
          .getOrCreate()
        step1: #定义schema信息
        val schemaString = "name,age"
        val schemaType = schemaString.split(",")
          .map(x=> StructField(x,StringType,nullable = true))
        val schema=StructType(schemaType)

        step2: #将RDD转为rowRDD
        val RDD = spark.sparkContext.textFile("")
        val rowRDD = RDD.map(_.split(","))
          .map(x=>Row(x(0),x(1).trim))

        step3: #使用rowRDD和schema信息创建dataFrame
        val RDDdf = spark.createDataFrame(rowRDD,schema)