Spark 之 SparkSQL

---

前言

本文介绍SparkSQL的相关知识；

---

Spark 知识系列文章

   此处罗列了有关Spark相关知识的其他文章，有需要的可以进行点击查阅。

   Spark 之 Spark框架及部署

   Spark 之Spark三大数据结构

   Spark 之 RDD转换算子

   Spark 之 RDD行动算子

   Spark 之 SparkStreaming

一、SparkSQL 概述

   SparkSQL是Spark用来处理结构化数据的一个模块，它提供了两个编程抽象：DataFrame，DataSet，并且作为分布式Sql查询引擎的作用。

1.1 DataFrame

   DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。同时，与Hive类似，DataFrame也支持嵌套数据类型（struct、array和map）。DataFrame是为数据提供了Schema的视图。可以把它当做数据库中的一张表来对待，DataFrame也是懒执行的。性能上比RDD要高，主要原因：
   优化的执行计划：查询计划通过Spark catalyst optimiser进行优化。

1.2 DataSet

   RDD中的数据是没有结构的 + 数据结构 -> DataFrame + 类和属性 –> DataSet

1.3 RDD、DataFrame和DataSet三者的关系

二、SparkSQL的编程

2.1 DataFrame

   在Spark SQL中SparkSession是创建DataFrame和执行SQL的入口，创建DataFrame有三种方式：通过Spark的数据源进行创建；从一个存在的RDD进行转换；还可以从Hive Table进行查询返回。

2.1.1 通过Spark的数据源进行创建

（1）通过SQL语法实现：
代码如下：

val df = Spark.read.json(“file:///opt/module/data/input/2.json”)   #读取Json文件内  
df.show
df.creatTempView(“student”)  #将DataFrame对象转化成一个临时视图，方便用Sql查询
spark.sql(“select *  from student”).show   #就可以写SQL了

注意：临时表是Session范围内的，Session退出后，表就失效了。如果想应用范围内有效，可以使用全局表。注意使用全局表时需要全路径访问，如：global_temp.people

代码如下：

df.createGlobalTempView("emp")
spark.sql("SELECT * FROM global_temp.emp").show()

（2）DSL语法风格：

1、只查看”name”列数据：
   df.select(“name”).show()

2、查看”name”列数据以及”age+1”数据：
   df.select($“name”, $“age” + 1).show()

3、查看”age”大于”21”的数据 ：
   df.filter($“age” > 21).show()

4、按照”age”分组，查看数据条数:
   df.groupBy(“age”).count().show()

2.1.2 RDD转换为DataFrame

2.1.2.1 手动转换

代码如下：

import spark.implicits._ //导入隐式转换
val rdd = sc.makeRDD(List((1,"zhangsan",20),(2,"lisi",12),(3,"wangwu",52)))
val df = rdd.toDF("id","name","age")

2.1.2.2 通过样例类

代码如下：

case class people(id:Int,name:String,age:Int) //构造样例类
val rdd = sc.makeRDD(List((1,"zhangsan",20),(2,"lisi",12),(3,"wangwu",52)))
val peopleRDD = rdd.map(t=>{people(t._1,t._2,t._3)})
val df = peopleRDD .toDF()

2.1.3 将DataFrame转化为RDD

直接调用RDD即可；

代码如下：

val dfToRDD = df.rdd

2.2 DataSet

Dataset是具有强类型的数据集合，需要提供对应的类型信息。

2.2.1 通过样例类创建

代码如下：

case class people(name:String,age:Int) //构造样例类
val caseclassDS = Seq(people("andy",12)).toDS //创建DataSet

2.2.2 RDD转换为DataSet

转化过程：RDD + 结构 -> DataFrame + 类型 -> DataSet

代码如下：

case class people(name:String,age:Int) //构造样例类
val peopleRDD = rdd.map(t=>{people(t._1,t._2)})//将RDD加上结构就是person
val peopleDS = peopleRDD.toDS //转化成DataSet，注意转化成DataFrame是.toDF

2.2.3 DataSet转化为RDD、DataFrame

直接用ds.rdd即可；

DataFrame -> DataSet: df.as[person],即加上类型就会自动转换了；

DataSet -> DataFrame: ds.toDF

2.3 RDD，DataFrame，DataSet相互转换示意图

2.4 IDEA实现三者相互转换

创建样例类：

实现三者转换：

实现由RDD直接转化成DataSet：

2.5 用户自定义函数

2.5.1 用户自定义UDF函数

代码如下：

val df = Spark.read.json(“file:///opt/module/data/input/2.json”) #读取数据构建DataFrame对象
//自定义函数：在传过来的字符串前面加上“name”字符串：
spark.udf.register("addName",(x:String)=>"Name:"+x)
df.createTempView("users")//建立临时视图
spark.sql("select addName(name) from users").show //调用函数查看效果

2.5.2 用户自定义聚合函数

自定义求年龄的平均值的聚合函数

2.5.2.1 弱类型

调用函数：

2.5.2.2 强类型

设置泛型 -> 增加样例类

自定义类型转码就用这个(红框标注的)，double等类型转码就用这个，是固定的；

调用函数：

三、SparkSQL 的数据源

   Spark SQL的默认数据源为Parquet格式。数据源为Parquet文件时，Spark SQL可以方便的执行所有的操作。修改配置项spark.sql.sources.default可修改默认数据源格式。

   当数据源格式不是parquet格式文件时，需要手动指定数据源的格式。数据源格式需要指定全名（例如：org.apache.spark.sql.parquet），如果数据源格式为内置格式，则只需要指定简称定json, parquet, jdbc, orc, libsvm, csv, text来指定数据的格式。

文件保存，默认保存格式parquet：

保存为目标格式（json）：

设置文件写入模式-追加：

文件写入的其他模式：
（1）error（默认） 如果文件存在就报错
（2）append 追加
（3）overwrite 覆写
（4）ignore 数据存在则忽略

---

总结

本文介绍了SparkSQL的相关知识；如果有不足之处或者表述不当的地方欢迎大家指正。