SparkSQL系列-1、快速入门

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。

传送门:大数据系列文章目录

官方网址http://spark.apache.org/http://spark.apache.org/sql/
在这里插入图片描述

先来个介绍

Spark 2.0开始,应用程序入口为SparkSession,加载不同数据源的数据,封装到DataFrame/Dataset集合数据结构中,使得编程更加简单,程序运行更加快速高效。
在这里插入图片描述

SparkSession 应用入口

SparkSession:这是一个新入口,取代了原本的SQLContext与HiveContext。 对于DataFrameAPI的用户来说, Spark常见的混乱源头来自于使用哪个“context”。现在使用SparkSession,它作为单个入口可以兼容两者,注意原本的SQLContext与HiveContext仍然保留,以支持向下兼容。

文档: http://spark.apache.org/docs/2.4.5/sql-getting-started.html#starting-point-sparksession

1)SparkSession在SparkSQL模块中,添加MAVEN依赖

<dependency>
	<groupId>org.apache.spark</groupId>
	<artifactId>spark-sql_2.11</artifactId>
	<version>2.4.5</version>
</dependency>

2)SparkSession对象实例通过建造者模式构建,代码如下:
在这里插入图片描述
其中①表示导入SparkSession所在的包,②表示建造者模式构建对象和设置属性, ③表示导入SparkSession类中implicits对象object中隐式转换函数

3)范例演示:构建SparkSession实例,加载文本数据,统计条目数。

import org.apache.spark.sql.{Dataset, SparkSession}

/**
 * Spark 2.x开始,提供了SparkSession类,作为Spark Application程序入口,
 * 用于读取数据和调度Job,底层依然为SparkContext
 */
object SparkStartPoint {
  def main(args: Array[String]): Unit = {
    // TODO: 构建SparkSession实例对象,读取数据
    val spark = SparkSession.builder()
      // 设置应用名称和运行模式
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      .master("local[2]")
      // 通过装饰模式获取实例对象,此种方式为线程安全的
      .getOrCreate()
    // TODO: 2. 从文件系统读取数据,包含本地文件系统或HDFS文件系统
    val inputDS: Dataset[String] = spark.read.textFile("datas/wordcount/wordcount.data")
    println(s"Count = ${inputDS.count()}")
    inputDS.show(10)
    // TODO: 3. 应用运行结束,关闭资源
    spark.stop()
  }
}

使用SparkSession加载数据源数据,将其封装到DataFrame或Dataset中,直接使用show函数就可以显示样本数据(默认显示前20条)。

Spark2.0使用全新的SparkSession接口替代Spark1.6中的SQLContext及HiveContext接口来实现其对数据加载、转换、处理等功能。

词频统计 WordCount

前面使用RDD封装数据,实现词频统计WordCount功能,从Spark 1.0开始,一直到Spark 2.0,建立在RDD之上的一种新的数据结构DataFrame/Dataset发展而来,更好的实现数据处理分析。DataFrame 数据结构相当于给RDD加上约束Schema,知道数据内部结构(字段名称、字段类型),提供两种方式分析处理数据: DataFrame API(DSL编程) 和SQL(类似HiveQL编程), 下面以WordCount程序为例编程实现,体验DataFrame使用。

基于DSL编程

使用SparkSession加载文本数据,封装到Dataset/DataFrame中,调用API函数处理分析数据(类似RDD中API函数,如flatMap、 map、 filter等),编程步骤:
第一步、构建SparkSession实例对象,设置应用名称和运行本地模式;
第二步、读取HDFS上文本文件数据;
第三步、使用DSL(Dataset API),类似RDD API处理分析数据;
第四步、控制台打印结果数据和关闭SparkSession;

具体演示代码如下:

import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}

/**
 * 使用SparkSQL进行词频统计WordCount: SQL、 DSL
 */
object SparkDSLWordCount {
  def main(args: Array[String]): Unit = {
    // TODO: 1、构建SparkSession实例对象,通过建造者模式创建
    val spark: SparkSession = SparkSession.builder()
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      .master("local[3]")
      .getOrCreate()
    import spark.implicits._
    // TODO: 2、读取HDFS上文本文件数据
    val inputDS: Dataset[String] = spark.read.textFile("datas/wordcount/wordcount.data")
    // TODO: 3、使用DSL(Dataset API),类似RDD API
    val resultDF: DataFrame = inputDS
      // 过滤不合格的数据
      .filter(line => null != line && line.trim.length > 0)
      // 将每行数据进行分割
      .flatMap(line => line.split("\\s+"))
      // 按照单词分组统计: SELECT word, count(1) FROM tb_words GROUP BY word
      .groupBy("value")
      // 使用count函数,获取值类型Long类型 -> 数据库中就是BigInt类型
      .count()
    resultDF.show(10)
    // TODO: 关闭资源
    spark.stop()
  }
}

运行程序结果如下:
在这里插入图片描述

基于SQL编程

也可以实现类似HiveSQL方式进行词频统计,直接对单词分组group by,再进行count即可,步骤如下:

第一步、构建SparkSession对象,加载文件数据,分割每行数据为单词;
第二步、将DataFrame/Dataset注册为临时视图(Spark 1.x中为临时表);
第三步、编写SQL语句,使用SparkSession执行获取结果;
第四步、控制台打印结果数据和关闭SparkSession;

具体演示代码如下:

import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}

object SparkSQLWordCount {
  def main(args: Array[String]): Unit = {
    // TODO: 1、构建SparkSession实例对象,通过建造者模式创建
    val spark: SparkSession = SparkSession.builder()
      .appName(this.getClass.getSimpleName.stripSuffix("$"))
      .master("local[3]")
      .getOrCreate()
    import spark.implicits._
    // TODO: 2、读取HDFS上文本文件数据
    val inputDS: Dataset[String] = spark.read.textFile("datas/wordcount/wordcount.data")
    // TODO: 3、使用DSL(Dataset API),类似RDD API
    val wordsDS: Dataset[String] = inputDS
      // 过滤不合格的数据
      .filter(line => null != line && line.trim.length > 0)
      // 将每行数据分割单词
      .flatMap(line => line.trim.split("\\s+"))
    wordsDS.printSchema()
    wordsDS.show(20)
    // select value, count(1) as cnt from tb_words
    // TODO: 第一步,将Dataset注册为临时视图
    wordsDS.createOrReplaceTempView("view_tmp_words")
    // TODO: 第二步,编写SQL执行分析
    val resultDF: DataFrame = spark.sql(
      """
        |SELECT value, COUNT(1) AS cnt FROM view_tmp_words GROUP BY value ORDER BY cnt DESC
      """.stripMargin)
    resultDF.show(10)
    // TODO: 关闭资源
    spark.stop()
  }
}

运行程序结果如下:
在这里插入图片描述
无论使用DSL还是SQL编程方式,底层转换为RDD操作都是一样,性能一致,查看WEB UI监控中Job运行对应的DAG图如下
在这里插入图片描述
从上述的案例可以发现将数据封装到Dataset/DataFrame中,进行处理分析,更加方便简洁,这就是Spark框架中针对结构化数据处理模块: Spark SQL模块。

下回分解

下篇文章介绍下SparkSQL的前世今生。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

技术武器库

一句真诚的谢谢,胜过千言万语

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值