Spark SQL是Spark用来处理结构化数据的一个模块,它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。为什么要学习Spark SQL?如果大家了解Hive的话,应该知道它是将Hive SQL转换成MapReduce然后提交到集群上执行,大大简化了编写MapReduce的程序的复杂性,由于MapReduce这种计算模型执行效率比较慢。所以Spark SQL的应运而生,它是将Spark SQL转换成RDD,然后提交到集群执行,执行效率非常快!同时Spark SQL也支持从Hive中读取数据。
Spark SQL也能自动解析JSON数据集的Schema,读取JSON数据集为DataFrame格式。读取JSON数据集方法为SQLContext.read().json()。该方法将String格式的RDD或JSON文件转换为DataFrame。
需要注意的是,这里的JSON文件不是常规的JSON格式。JSON文件每一行必须包含一个独立的、自满足有效的JSON对象。如果用多行描述一个JSON对象,会导致读取出错。
- 需要用到的测试数据:people.json
{"name":"Michael"}{"name":"Andy", "age":30}{"name":"Justin", "age":19}
- 定义路径
val path ="/root/temp/people.json"
- 读取Json文件,生成DataFrame:
val peopleDF = spark.read.json(path)
- 打印Schema结构信息
peopleDF.printSchema()
- 创建临时视图
peopleDF.createOrReplaceTempView("people")
- 执行查询
spark.sql("SELECT name FROM people WHERE age=19").show