spark-core之前操作的一直都是RDD这个对象,而spark-sql换成了DataFrame,使用sql语句进行大数据操作
本质上不同,dataframe有些类似数据库二维表
RDD
DataFrame
类似于二维表格式,除数据外保存数据结构信息
数据类型固定是Row,类型需要通过解析才能获得值
性能比RDD好,原因两点
定制化内存管理
数据以二进制的方式存在于非堆内存,节省了大量空间之外,还摆脱了GC的限制
优化的执行计划
查询计划通过Spark catalyst optimiser进行优化
DataSet
DataFrame扩展,最新的数据抽象
样例类被用来在Dataset中定义数据的结构信息,样例类中每个属性的名称直接映射到DataSet中的字段名称
相对于DataFrame,DataSet会记录字段的数据类型,并进行严格错误检查
读取csv文件数据
object SqlDemo {
def main(args: Array[String]): Unit = {
//创建spark对象
val sprak = SparkSession.builder()
.appName("sql")
.master("local")
.getOrCreate()
//option("header","true") 设置读取属性,这里指的是忽略首行
//csv("路径") 读取csv格式的数据
//read:读取多种数据 比如hive mysql数据库 json 扩充到多种数据源
val data = sprak.read.option("header","true").csv("data/address.csv")
data.select("店铺ID","公共交通").show()
}
}
不管是json数据 还是普通数据表 方法通用
读取json类型数据
创建user.json File文件
[{"name": "张三","age": "18"},{"name": "李四","age": "20"}]
//读取json数据
object SqlDemo {
def main(args: Array[String]): Unit = {
val sprak = SparkSession.builder()
.appName("sql")
.master("local")
.getOrCreate()
val json1 = sprak.read.json("data/user.json")
json1.show(10)
json1.select("name","age").show()//select(列名) 语句 指的是查询这一列的值 可加多个列名
json1.filter("age > 10").show()//过滤条件
//去执行sql的函数
json1.selectExpr("sum(age)").show()
}
}