SparkSQL
第1章 Spark SQL概述
1.1 什么是Spark SQL
1.2 为什么要有Spark SQL
1.3 Spark SQL原理
1.3.1 什么是DataFrame
1)DataFrame是一种以RDD为基础的分布式数据集,类似于传统数据库中的二维表格。
2)DataFrame与RDD的主要区别在于,前者带有schema元信息,即DataFrame所表示的二维表数据集的每一列都带有名称和类型。
左侧的RDD[Person]虽然以Person为类型参数,但Spark框架本身不了解Person类的内部结构。而右侧的DataFrame却提供了详细的结构信息,使得Spark SQL可以清楚地知道该数据集中包含哪些列,每列的名称和类型各是什么。
3)Spark SQL性能上比RDD要高。因为Spark SQL了解数据内部结构,从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化,最终达到大幅提升运行时效率的目标。反观RDD,由于无从得知所存数据元素的具体内部结构,Spark Core只能在Stage层面进行简单、通用的流水线优化。
1.3.2 什么是DataSet
DataSet是分布式数据集合。
DataSet是强类型的。比如可以有DataSet[Car],DataSet[User]。具有类型安全检查
DataFrame是DataSet的特例,type DataFrame = DataSet[Row] ,Row是一个类型,跟Car、User这些的类型一样,所有的表结构信息都用Row来表示。
1.3.3 RDD、DataFrame和DataSet之间关系
1)发展历史
RDD(Spark1.0)=》Dataframe(Spark1.3)=》Dataset(Spark1.6)
如果同样的数据都给到这三个数据结构,他们分别计算之后,都会给出相同的结果。不同是的他们的执行效率和执行方式。在后期的Spark版本中,DataSet有可能会逐步取代RDD和DataFrame成为唯一的API接口。
2)三者的共性
(1)RDD、DataFrame、DataSet全都是Spark平台下的分布式弹性数据集,为处理超大型数据提供便利
(2)三者都有惰性机制,在进行创建、转换,如map方法时,不会立即执行,只有在遇到Action行动算子如foreach时,三者才会开始遍历运算
(3)三者有许多共同的函数,如filter,排序等
(4)三者都会根据Spark的内存情况自动缓存运算
(5)三者都有分区的概念
1.4 Spark SQL的特点
1)易整合
无缝的整合了SQL查询和Spark编程。
2)统一的数据访问方式
使用相同的方式连接不同的数据源。
3)兼容Hive
在已有的仓库上直接运行SQL或者HiveQL。
4)标准的数据连接
通过JDBC或者ODBC来连接
第2章 Spark SQL编程
本章重点学习如何使用DataFrame和DataSet进行编程,以及他们之间的关系和转换,关于具体的SQL书写不是本章的重点。
2.1 SparkSession新的起始点
在老的版本中,SparkSQL提供两种SQL查询起始点:
一个叫SQLContext,用于Spark自己提供的SQL查询;
一个叫HiveContext,用于连接Hive的查询。
SparkSession是Spark最新的SQL查询起始点,实质上是SQLContext和HiveContext的组合,所以在SQLContext和HiveContext上可用的API在SparkSession上同样是可以使用的。
SparkSession内部封装了SparkContext,所以计算实际上是由SparkContext完成的。当我们使用spark-shell的时候,Spark框架会自动的创建一个名称叫做Spark的SparkSession,就像我们以前可以自动获取到一个sc来表示SparkContext。
[atguigu@hadoop102 spark-local]$ bin/spark-shell
20/09/12 11:16:35 WARN NativeCodeLoader: Unable to load native-hadoop library for your platform… using builtin-java classes where applicable
Using Spark’s default log4j profile: org/apache/spark/log4j-defaults.properties
Setting default log level to “WARN”.
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://hadoop102:4040
Spark context available as ‘sc’ (master = local[*], app id = local-1599880621394).
Spark session available as ‘spark’.
Welcome to
____ __
/ / ___ / /
\ / _ / _ `/ __/ '/
// .__/_,// //_\ version 3.0.0
//
Using Scala version 2.12.10 (Java HotSpot™ 64-Bit Server VM, Java 1.8.0_212)
Type in expressions to have them evaluated.
Type :help for more information.
2.2 DataFrame
DataFrame是一种以RDD为基础的分布式数据集,类似于传统数据库中的二维表格。
2.2.1 创建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。
1)从Spark数据源进行创建
(1)数据准备,在/opt/module/spark-local目录下创建一个user.json文件
{“age”:20,“name”:“qiaofeng”}
{“age”:19,“name”:“xuzhu”}
{“age”:18,“name”:“duanyu”}
(2)查看Spark支持创建文件的数据源格式,使用tab键查看
scala> spark.read.
csv format jdbc json load option options orc parquet schema table text textFile
(3)读取json文件创建DataFrame
scala> val df = spark.read.json(“/opt/module/spark-local/user.json”)
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
注意:如果从内存中获取数据,Spark可以知道数据类型具体是什么,如果是数字,默认作为Int处理;但是从文件中读取的数字,不能确定是什么类型,所以用BigInt接收,可以和Long类型转换,但是和Int不能进行转换。
(4)查看DataFrame算子
scala> df.
(5)展示结果
scala> df.show
±–±-------+
|age| name|
±–±-------+
| 20|qiaofeng|
| 19| xuzhu|
| 18| duanyu|
±–±-------+
2)从RDD进行转换
2.4节我们专门讨论
3)Hive Table进行查询返回
3.4节我们专门讨论
2.2.2 SQL风格语法
SQL语法风格是指我们查询数据的时候使用SQL语句来查询,这种风格的查询必须要有临时视图或者全局视图来辅助。
视图:对特定表的数据的查询结果重复使用。View只能查询,不能修改和插入。
select * from t_user where age > 30 的查询结果可以存储在临时表v_user_age中,方便在后面重复使用。例如:select * from v_user_age
1)临时视图
(1)创建一个DataFrame
scala> val df = spark.read.json(“/opt/module/spark-local/user.json”)
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
(2)对DataFrame创建一个临时视图
scala> df.createOrReplaceTempView(“user”)
(3)通过SQL语句实现查询全表
scala> val sqlDF = spark.sql(“SELECT * FROM user”)
sqlDF: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
(4)结果展示
scala> sqlDF.show
±–±-------+
|age| name|
±–±-------+
| 20|qiaofeng|
| 19| xuzhu|
| 18| duanyu|
±–±-------+
(5)求年龄的平均值
scala> val sqlDF = spark.sql(“SELECT avg(age) from user”)
sqlDF: org.apache.spark.sql.DataFrame = [avg(age): double]
(6)结果展示
scala> sqlDF.show
±-------+
|avg(age)|
±-------+
| 19.0|
±-------+
(7)创建一个新会话再执行,发现视图找不到
scala> spark.newSession().sql(“SELECT avg(age) from user “).show()
org.apache.spark.sql.AnalysisException: Table or view not found: user; line 1 pos 14;
注意:普通临时视图是Session范围内的,如果想全局有效,可以创建全局临时视图。
2)全局视图
(1)对于DataFrame创建一个全局视图
scala> df.createGlobalTempView(“user”)
(2)通过SQL语句实现查询全表
scala> spark.sql(“SELECT * FROM global_temp.user”).show()
±–±-------+
|age| name|
±–±-------+
| 20|qiaofeng|
| 19| xuzhu|
| 18| duanyu|
±–±-------+
(3)新建session,通过SQL语句实现查询全表
scala> spark.newSession().sql(“SELECT * FROM global_temp.user”).show()
±–±-------+
|age| name|
±–±-------+
| 20|qiaofeng|
| 19| xuzhu|
| 18| duanyu|
±–±-------+
2.2.3 DSL风格语法
DataFrame提供一个特定领域语言(domain-specific language,DSL)去管理结构化的数据,可以在Scala,Java,Python和R中使用DSL,使用DSL语法风格不必去创建临时视图了。
1)创建一个DataFrame
scala> val df = spark.read.json(”/opt/module/spark-local/user.json”)
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
2)查看DataFrame的Schema信息
scala> df.printSchema
root
|-- age: Long (nullable = true)
|-- name: string (nullable = true)
3)只查看“name”列数据
scala> df.select(“name”).show()
±-------+
| name|
±-------+
|qiaofeng|
| xuzhu|
| duanyu|
±-------+
4)查看年龄和姓名,且年龄大于18
scala> df.select(“age”,“name”).where(“age>18”).show
±–±-------+
|age| name|
±–±-------+
| 20|qiaofeng|
| 19| xuzhu|
±–±-------+
5)查看所有列
scala> df.select(“*”).show
±–±-------+
|age| name|
±–±-------+
| 20|qiaofeng|
| 19| xuzhu|
| 18| duanyu|
±–±-------+
6)查看“name”列数据以及“age+1”数据
注意:涉及到运算的时候,每列都必须使用
,
或
者
采
用
引
号
表
达
式
:
单
引
号
+
字
段
名
s
c
a
l
a
>
d
f
.
s
e
l
e
c
t
(
,或者采用引号表达式:单引号+字段名 scala> df.select(
,或者采用引号表达式:单引号+字段名scala>df.select(“name”,$“age” + 1).show
scala> df.select('name, 'age + 1).show()
scala> df.select('name, 'age + 1 as “newage”).show()
±-------±--------+
| name|(age + 1)|
±-------±--------+
|qiaofeng| 21|
| xuzhu| 20|
| duanyu| 19|
±-------±--------+
7)查看“age”大于“19”的数据
scala> df.filter(“age>19”).show
±–±-------+
|age| name|
±–±-------+
| 20|qiaofeng|
±–±-------+
8)按照“age”分组,查看数据条数
scala> df.groupBy(“age”).count.show
±–±----+
|age|count|
±–±----+
| 19| 1|
| 18| 1|
| 20| 1|
±–±----+
2.3 DataSet
DataSet是具有强类型的数据集合,需要提供对应的类型信息。
2.3.1 创建DataSet(基本类型序列)
使用基本类型的序列创建DataSet
(1)将集合转换为DataSet
scala> val ds = Seq(1,2,3,4,5,6).toDS
ds: org.apache.spark.sql.Dataset[Int] = [value: int]
(2)查看DataSet的值
scala> ds.show
±----+
|value|
±----+
| 1|
| 2|
| 3|
| 4|
| 5|
| 6|
±----+
2.3.2 创建DataSet(样例类序列)
使用样例类序列创建DataSet
(1)创建一个User的样例类
scala> case class User(name: String, age: Long)
defined class User
(2)将集合转换为DataSet
scala> val caseClassDS = Seq(User(“wangyuyan”,2)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[User] = [name: string, age: bigint]
(3)查看DataSet的值
scala> caseClassDS.show
±--------±–+
| name|age|
±--------±–+
|wangyuyan| 2|
±--------±–+
注意:在实际使用的时候,很少用到把序列转换成DataSet,更多是通过RDD来得到DataSet
2.4 RDD、DataFrame、DataSet相互转换
2.4.1 IDEA创建SparkSQL工程
1)创建一个maven工程SparkSQLTest
2)在项目SparkSQLTest上点击右键,Add Framework Support=》勾选scala
3)在main下创建scala文件夹,并右键Mark Directory as Sources Root=>在scala下创建包名为com.atguigu.sparksql
4)输入文件夹准备:在新建的SparkSQLTest项目名称上右键=》新建input文件夹=》在input文件夹上右键=》新建user.json。并输入如下内容:
{“age”:20,“name”:“qiaofeng”}
{“age”:19,“name”:“xuzhu”}
{“age”:18,“name”:“duanyu”}
5)在pom.xml文件中添加如下依赖
org.apache.spark
spark-sql_2.12
3.0.0
6)代码实现
package com.atguigu.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}
object SparkSQL01_input {
def main(args: Array[String]): Unit = {
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
// 3 读取数据
val df: DataFrame = spark.read.json("input/user.json")
// 4 可视化
df.show()
// 5 释放资源
spark.stop()
}
}
2.4.2 RDD与DataFrame相互转换
1)RDD转换为DataFrame
手动转换:RDD.toDF(“列名1”, “列名2”)
通过样例类反射转换:UserRDD.map{ x=>User(x._1,x._2) }.toDF()
2)DataFrame转换为RDD
DataFrame.rdd
3)在input/目录下准备user.txt
qiaofeng,20
xuzhu,19
duanyu,18
4)代码实现
package com.atguigu.sparksql
import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
object SparkSQL02_RDDAndDataFrame {
def main(args: Array[String]): Unit = {
//1.创建SparkConf并设置App名称
val conf: SparkConf = new SparkConf().setAppName("SparkCoreTest").setMaster("local[*]")
//2.创建SparkContext,该对象是提交Spark App的入口
val sc: SparkContext = new SparkContext(conf)
//3.1 获取数据
val LineRDD: RDD[String] = sc.textFile("input/user.txt")
//3.2 RDD准备完成
val UserRDD: RDD[(String, Int)] = LineRDD.map {
line =>
val fields = line.split(",")
(fields(0), fields(1).trim.toInt)
}
//4. 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
//5.1 RDD和DataFrame、DataSet转换必须要导的包
import spark.implicits._
//5.2 RDD转换为DataFrame(手动转)
UserRDD.toDF("name","age").show
//5.3 RDD转换为DataFrame(通过样例类反射转)
val userDataFrame: DataFrame = UserRDD.map {
case (name, age) => User(name, age)
}.toDF()
userDataFrame.show()
//5.4 DataFrame 转换为RDD
val userRDD: RDD[Row] = userDataFrame.rdd
userRDD.collect().foreach(println)
//6.关闭连接
sc.stop()
}
}
case class User(name:String, age:Long)
2.4.3 RDD与DataSet相互转换
1)RDD转换为DataSet
RDD.map { x => User(x._1, x._2) }.toDS()
SparkSQL能够自动将包含有样例类的RDD转换成DataSet,样例类定义了table的结构,样例类属性通过反射变成了表的列名。样例类可以包含诸如Seq或者Array等复杂的结构。
2)DataSet转换为RDD
DS.rdd
3)代码实现
package com.atguigu.sparksql
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{Dataset, SparkSession}
import org.apache.spark.{SparkConf, SparkContext}
object SparkSQL03_RDDAndDataSet {
def main(args: Array[String]): Unit = {
//1.创建SparkConf并设置App名称
val conf: SparkConf = new SparkConf().setAppName("SparkCoreTest").setMaster("local[*]")
//2.创建SparkContext,该对象是提交Spark App的入口
val sc: SparkContext = new SparkContext(conf)
//3.1 获取数据
val LineRDD: RDD[String] = sc.textFile("input/user.txt")
//4. 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
//5.1 RDD和DataFrame、DataSet转换必须要导的包
import spark.implicits._
//5.2 RDD转换为DataSet
val userDataSet: Dataset[User] = LineRDD.map {
line =>
val fields = line.split(",")
User(fields(0), fields(1).toInt)
}.toDS()
userDataSet.show()
//5.3 DataSet转换为RDD
val userRDD: RDD[User] = userDataSet.rdd
userRDD.collect().foreach(println)
//6.关闭连接
sc.stop()
}
}
case class User(name:String,age:Long)
2.4.4 DataFrame与DataSet相互转换
1)DataFrame转为DataSet
df.as[User]
2)Dataset转为DataFrame
ds.toDF
3)代码实现
package com.atguigu.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}
object SparkSQL04_DataFrameAndDataSet {
def main(args: Array[String]): Unit = {
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
// 3 读取数据
val df: DataFrame = spark.read.json("input/user.json")
//4.1 RDD和DataFrame、DataSet转换必须要导的包
import spark.implicits._
// 4.2 DataFrame 转换为DataSet
val userDataSet: Dataset[User] = df.as[User]
userDataSet.show()
// 4.3 DataSet转换为DataFrame
val userDataFrame: DataFrame = userDataSet.toDF()
userDataFrame.show()
// 5 释放资源
spark.stop()
}
}
case class User(name: String,age: Long)
2.5 用户自定义函数
2.5.1 UDF
1)UDF:一行进入,一行出
2)代码实现
package com.atguigu.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}
object SparkSQL05_UDF{
def main(args: Array[String]): Unit = {
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
// 3 读取数据
val df: DataFrame = spark.read.json("input/user.json")
// 4 创建DataFrame临时视图
df.createOrReplaceTempView("user")
// 5 注册UDF函数。功能:在数据前添加字符串“Name:”
spark.udf.register("addName", (x:String) => "Name:"+ x)
// 6 调用自定义UDF函数
spark.sql("select addName(name), age from user").show()
// 7 释放资源
spark.stop()
}
}
2.5.2 UDAF
1)UDAF:输入多行,返回一行。
2)Spark3.x推荐使用extends Aggregator自定义UDAF,属于强类型的Dataset方式。
3)Spark2.x使用extends UserDefinedAggregateFunction,属于弱类型的DataFrame
4)案例实操
需求:实现求平均年龄
(1)自定义聚合函数实现-强类型
package com.atguigu.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{DataFrame, Encoder, Encoders, SparkSession, functions}
object SparkSQL06_UDAF {
def main(args: Array[String]): Unit = {
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
// 3 读取数据
val df: DataFrame = spark.read.json("input/user.json")
// 4 创建DataFrame临时视图
df.createOrReplaceTempView("user")
// 5 注册UDAF
spark.udf.register("myAvg", functions.udaf(new MyAvgUDAF()))
// 6 调用自定义UDAF函数
spark.sql("select myAvg(age) from user").show()
// 7 释放资源
spark.stop()
}
}
//输入数据类型
case class Buff(var sum: Long, var count: Long)
/**
-
1,20岁; 2,19岁; 3,18岁
-
IN:聚合函数的输入类型:Long
-
BUF:
-
OUT:聚合函数的输出类型:Double (18+19+20) / 3
*/
class MyAvgUDAF extends Aggregator[Long, Buff, Double] {// 初始化缓冲区
override def zero: Buff = Buff(0L, 0L)// 将输入的年龄和缓冲区的数据进行聚合
override def reduce(buff: Buff, age: Long): Buff = {
buff.sum = buff.sum + age
buff.count = buff.count + 1
buff
}// 多个缓冲区数据合并
override def merge(buff1: Buff, buff2: Buff): Buff = {
buff1.sum = buff1.sum + buff2.sum
buff1.count = buff1.count + buff2.count
buff1
}// 完成聚合操作,获取最终结果
override def finish(buff: Buff): Double = {
buff.sum.toDouble / buff.count
}// SparkSQL对传递的对象的序列化操作(编码)
// 自定义类型就是product 自带类型根据类型选择
override def bufferEncoder: Encoder[Buff] = Encoders.productoverride def outputEncoder: Encoder[Double] = Encoders.scalaDouble
}
(2)自定义聚合函数实现-弱类型(过时——了解)
package com.atguigu.sparksql
import com.atguigu.sparksql.SparkSQL06_UDAF.Buff
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.{Aggregator, MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql._
import org.apache.spark.sql.types.{DataType, DoubleType, LongType, StructField, StructType}
object SparkSQL07_UDAF{
def main(args: Array[String]): Unit = {
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
// 3 读取数据
val df: DataFrame = spark.read.json("input/user.json")
// 4 注册UDAF
spark.udf.register("myAvg",new MyAvgUDAF())
// 5 创建DataFrame临时视图
df.createOrReplaceTempView("user")
// 6 调用自定义UDAF函数
spark.sql("select myAvg(age) from user").show()
// 7 释放资源
spark.stop()
}
class MyAvgUDAF extends UserDefinedAggregateFunction {
// 聚合函数输入参数的数据类型:age(Long)
override def inputSchema: StructType = {
StructType(Array(
StructField("age",LongType)
))
}
// 聚合函数缓冲区中值的数据类型(age,count)
override def bufferSchema: StructType = {
StructType(Array(
StructField("sum",LongType),
StructField("count",LongType)
))
}
// 函数返回值的数据类型
override def dataType: DataType = DoubleType
// 稳定性:对于相同的输入是否一直返回相同的输出。
override def deterministic: Boolean = true
// 函数缓冲区初始化
override def initialize(buffer: MutableAggregationBuffer): Unit = {
// 存年龄的总和
buffer.update(0, 0L)
// 存年龄的个数
buffer.update(1, 0L)
}
// 更新缓冲区中的数据
override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
if (!input.isNullAt(0)) {
buffer(0) = buffer.getLong(0) + input.getLong(0)
buffer(1) = buffer.getLong(1) + 1
}
}
// 合并缓冲区
override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0)
buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
}
// 计算最终结果
override def evaluate(buffer: Row): Any = {
buffer.getLong(0).toDouble / buffer.getLong(1)
}
}
}
2.5.3 UDTF(没有)
输入一行,返回多行(Hive);
SparkSQL中没有UDTF,Spark中用flatMap即可实现该功能
第3章 SparkSQL数据的加载与保存
3.1 加载数据
1)加载数据通用方法
spark.read.load是加载数据的通用方法
2)代码实现
package com.atguigu.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.sql._
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types._
object SparkSQL08_Load{
def main(args: Array[String]): Unit = {
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
// 3.1 spark.read直接读取数据:csv format jdbc json load option
// options orc parquet schema table text textFile
// 注意:加载数据的相关参数需写到上述方法中,
// 如:textFile需传入加载数据的路径,jdbc需传入JDBC相关参数。
spark.read.json("input/user.json").show()
// 3.2 format指定加载数据类型
// spark.read.format("…")[.option("…")].load("…")
// format("…"):指定加载的数据类型,包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"
// load("…"):在"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"格式下需要传入加载数据路径
// option("…"):在"jdbc"格式下需要传入JDBC相应参数,url、user、password和dbtable
spark.read.format("json").load ("input/user.json").show
// 4 释放资源
spark.stop()
}
}
3.2 保存数据
1)保存数据通用方法
df.write.save是保存数据的通用方法
2)代码实现
package com.atguigu.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.sql._
object SparkSQL09_Save{
def main(args: Array[String]): Unit = {
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
// 3 获取数据
val df: DataFrame = spark.read.json("input/user.json")
// 4.1 df.write.保存数据:csv jdbc json orc parquet textFile… …
// 注意:保存数据的相关参数需写到上述方法中。如:textFile需传入加载数据的路径,JDBC需传入JDBC相关参数。
// 默认保存为parquet文件(可以修改conf.set("spark.sql.sources.default","json"))
df.write.save("output")
// 默认读取文件parquet
spark.read.load("output").show()
// 4.2 format指定保存数据类型
// df.write.format("…")[.option("…")].save("…")
// format("…"):指定保存的数据类型,包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"。
// save ("…"):在"csv"、"orc"、"parquet"和"textFile"格式下需要传入保存数据的路径。
// option("…"):在"jdbc"格式下需要传入JDBC相应参数,url、user、password和dbtable
df.write.format("json").save("output2")
// 4.3 可以指定为保存格式,直接保存,不需要再调用save了
df.write.json("output1")
// 4.4 如果文件已经存在则追加
df.write.mode("append").json("output2")
// 如果文件已经存在则忽略
df.write.mode("ignore").json("output2")
// 如果文件已经存在则覆盖
df.write.mode("overwrite").json("output2")
// 默认default:如果文件已经存在则抛出异常
// path file:/E:/ideaProject2/SparkSQLTest/output2 already exists.;
df.write.mode("error").json("output2")
// 5 释放资源
spark.stop()
}
}
3.3 与MySQL交互
1)导入依赖
mysql
mysql-connector-java
5.1.27
2)从MySQL读数据
package com.atguigu.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.sql._
object SparkSQL10_MySQL_Read{
def main(args: Array[String]): Unit = {
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
// 3.1 通用的load方法读取
val df: DataFrame = spark.read.format("jdbc")
.option("url", "jdbc:mysql://hadoop102:3306/gmall")
.option("driver", "com.mysql.jdbc.Driver")
.option("user", "root")
.option("password", "000000")
.option("dbtable", "user_info")
.load()
// 3.2 创建视图
df.createOrReplaceTempView("user")
// 3.3 查询想要的数据
spark.sql("select id, name from user").show()
// 4 释放资源
spark.stop()
}
}
3)向MySQL写数据
package com.atguigu.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql._
object SparkSQL11_MySQL_Write {
def main(args: Array[String]): Unit = {
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
// 3 准备数据
// 注意:id是主键,不能和MySQL数据库中的id重复
val rdd: RDD[User] = spark.sparkContext.makeRDD(List(User(3000, "zhangsan"), User(3001, "lisi")))
val ds: Dataset[User] = rdd.toDS
// 4 向MySQL中写入数据
ds.write
.format("jdbc")
.option("url", "jdbc:mysql://hadoop102:3306/gmall")
.option("user", "root")
.option("password", "000000")
.option("dbtable", "user_info")
.mode(SaveMode.Append)
.save()
// 5 释放资源
spark.stop()
}
case class User(id: Int, name: String)
}
3.4 与Hive交互
SparkSQL可以采用内嵌Hive,也可以采用外部Hive。企业开发中,通常采用外部Hive。
3.4.1 内嵌Hive应用
内嵌Hive,元数据存储在Derby数据库。
1)如果使用Spark内嵌的Hive,则什么都不用做,直接使用即可。
[atguigu@hadoop102 spark-local]$ bin/spark-shell
scala> spark.sql(“show tables”).show
注意:执行完后,发现多了
S
P
A
R
K
H
O
M
E
/
m
e
t
a
s
t
o
r
e
d
b
和
d
e
r
b
y
.
l
o
g
,
用
于
存
储
元
数
据
2
)
创
建
一
个
数
据
库
s
c
a
l
a
>
s
p
a
r
k
.
s
q
l
(
"
c
r
e
a
t
e
t
a
b
l
e
u
s
e
r
(
i
d
i
n
t
,
n
a
m
e
s
t
r
i
n
g
)
"
)
注
意
:
执
行
完
后
,
发
现
多
了
SPARK_HOME/metastore_db和derby.log,用于存储元数据 2)创建一个数据库 scala> spark.sql("create table user(id int, name string)") 注意:执行完后,发现多了
SPARKHOME/metastoredb和derby.log,用于存储元数据2)创建一个数据库scala>spark.sql("createtableuser(idint,namestring)")注意:执行完后,发现多了SPARK_HOME/spark-warehouse/user,用于存储数据库数据
3)查看数据库
scala> spark.sql(“show tables”).show
4)向表中插入数据
scala> spark.sql(“insert into user values(1,‘zs’)”)
5)查询数据
scala> spark.sql(“select * from user”).show
注意:然而在实际使用中,几乎没有任何人会使用内置的Hive,因为元数据存储在derby数据库,不支持多客户端访问。
3.4.2 外部Hive应用
如果Spark要接管Hive外部已经部署好的Hive,需要通过以下几个步骤。
0)为了说明内嵌Hive和外部Hive区别:删除内嵌Hive的metastore_db和spark-warehouse
[atguigu@hadoop102 spark-local]$ rm -rf metastore_db/ spark-warehouse/
1)确定原有Hive是正常工作的
[atguigu@hadoop102 hadoop-3.1.3]$ sbin/start-dfs.sh
[atguigu@hadoop103 hadoop-3.1.3]$ sbin/start-yarn.sh
[atguigu@hadoop102 hive]$ bin/hive
2)需要把hive-site.xml拷贝到spark的conf/目录下
[atguigu@hadoop102 conf]$ cp hive-site.xml /opt/module/spark-local/conf/
3)如果以前hive-site.xml文件中,配置过Tez相关信息,注释掉(不是必须)
4)把MySQL的驱动copy到Spark的jars/目录下
[atguigu@hadoop102 software]$ cp mysql-connector-java-5.1.48.jar /opt/module/spark-local/jars/
5)需要提前启动hive服务,/opt/module/hive/bin/hiveservices.sh start(不是必须)
6)如果访问不到HDFS,则需把core-site.xml和hdfs-site.xml拷贝到conf/目录(不是必须)
7)启动 spark-shell
[atguigu@hadoop102 spark-local]$ bin/spark-shell
8)查询表
scala> spark.sql(“show tables”).show
9)创建一个数据库
scala> spark.sql(“create table user(id int, name string)”)
10)向表中插入数据
scala> spark.sql(“insert into user values(1,‘zs’)”)
11)查询数据
scala> spark.sql(“select * from user”).show
3.4.3 运行Spark SQL CLI
Spark SQL CLI可以很方便的在本地运行Hive元数据服务以及从命令行执行查询任务。在Spark目录下执行如下命令启动Spark SQL CLI,直接执行SQL语句,类似Hive窗口。
[atguigu@hadoop102 spark-local]$ bin/spark-sql
spark-sql (default)> show tables;
3.4.4IDEA操作Hive
1)添加依赖
org.apache.spark
spark-sql_2.12
3.0.0
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.27</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.12</artifactId>
<version>3.0.0</version>
</dependency>
2)拷贝hive-site.xml到resources目录(如果需要操作Hadoop,需要拷贝hdfs-site.xml、core-site.xml、yarn-site.xml) 3)代码实现 package com.atguigu.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.sql._
object SparkSQL12_Hive {
def main(args: Array[String]): Unit = {
System.setProperty("HADOOP_USER_NAME","atguigu")
// 1 创建上下文环境配置对象
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")
// 2 创建SparkSession对象
val spark: SparkSession = SparkSession.builder().enableHiveSupport().config(conf).getOrCreate()
import spark.implicits._
// 3 连接外部Hive,并进行操作
spark.sql("show tables").show()
spark.sql("create table user3(id int, name string)")
spark.sql("insert into user3 values(1,'zs')")
spark.sql("select * from user3").show
// 4 释放资源
spark.stop()
}
}