06-SparkSQL

最新推荐文章于 2024-06-18 08:45:00 发布

被数据处理的蜗牛

最新推荐文章于 2024-06-18 08:45:00 发布

阅读量3.1k

点赞数

分类专栏： spark 文章标签： big data spark hive

本文链接：https://blog.csdn.net/weixin_39593321/article/details/123567950

版权

1.spark sql1.1.spark sql概述官网地址：http://spark.apache.org/sql/1.1.1.什么是spark sqlspark 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DataFrame，作为分布式SQL查询的引擎，它是将spark sql转换成RDD，然后提交到集群中去运行，执行效率非常快。支持多种使用方式：SQL、DataFrame API、DataSet API。相比于spark RDD API，spark sql包含了对结

摘要由CSDN通过智能技术生成

1.spark sql

1.1.spark sql概述

官网地址：http://spark.apache.org/sql/

在这里插入图片描述

1.1.1.什么是spark sql

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DataFrame，作为分布式SQL查询的引擎，它是将spark sql转换成RDD，然后提交到集群中去运行，执行效率非常快。支持多种使用方式：SQL、DataFrame API、DataSet API。

相比于spark RDD API，spark sql包含了对结构化数据和在其上运算的更多信息，spark sql使用这些信息进行了额外的优化，对结构化数据的操作更加高效和方便。

1.1.2.spark sql优点

易整合

将sql查询与spark程序无缝整合。可以使用java、scala、python、R等语言的API操作。
统一的数据访问方式

以相同的方式连接到任何数据源。
兼容Hive

支持hive SQL的语法。
标准的数据连接

可以使用行业标准的JDBC或ODBC进行连接

六字诀：易用、兼容、标准

1.2.DataFrame

1.2.1.什么是DataFrame

在spark中，DataFrame是一种以RDD为基础的分布式数据集，它的前身是SchemaRDD，类似于传统数据库的二维表格。

从Spark 1.3.0开始由SchemaRDD更名为DataFrame。它与SchemaRDD的主要区别：DataFrame不再直接继承自RDD，而是自己实现了RDD的绝大多数功能。可以在DataFrame上调用rdd方法将其转换为一个RDD。

DataFrame带有Schema元数据信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型，底层做了更多的优化。可以通过多种方式构建DataFrame：已经存在的RDD、结构化文件、外部数据库、Hive表。

dataframe记录了对应列的名称和类型

dataFrame引入schema和off-heap(使用操作系统层面上的内存)
- 1、解决了RDD的缺点
  - 序列化和反序列化开销大
  - 频繁的创建和销毁对象造成大量的GC
- 2、丢失了RDD的优点
  - RDD编译时进行类型检查
  - RDD具有面向对象编程的特性

1.2.2.DataFrame与RDD区别

RDD是分布式的对象的集合，Spark并不知道对象的详细模式信息
DataFrame是分布式的Row对象的集合，其提供了由列组成的详细模式信息
DataFrame还引入了off-heap,意味着JVM堆以外的内存, 这些内存直接受操作系统管理（而不是JVM）
DataFrame除了提供了比RDD更丰富的算子以外，更重要的特点是减少数据读取以及执行计划的优化，提升执行效率。易用性更好

1.2.3.DataFrame与RDD的优缺点

RDD优缺点
- 优点：
  - 编译时类型安全
  - 面向对象的编程风格
- 缺点：
  - 序列化和反序列化的性能开销大
  - GC的性能开销大
DataFrame优缺点
- 优点：
  - DataFrame引入了schema，存储了结构化数据的元数据信息，操作方便
  - DataFrame引入了off-heap（非堆内存），解决了RDD 中GC性能开销大的问题
- 缺点：
  - DataFrame不是类型安全的
  - DataFrame不是面向对象的

1.2.4.如何创建DataFrame

在spark2.0版本之前，spark sql中SqlContext是创建DataFrame和执行SQL的入口。利用hiveContext通过hive sql语句操作hive表数据，兼容hive操作，并且hiveContext继承自SQLContext。

在spark2.0之后，这些都统一于SparkSession，SparkSession 封装了SparkContext，SqlContext，通过SparkSession可以获取到SparkConetxt,SqlContext对象。

启动spark-shell：（node03）

#cd /export/servers/spark-2.0.2-bin-hadoop2.7/bin
spark-shell --master local[2]

在这里插入图片描述

1.2.4.1.读取文本文件创建DataFrame

1.准备数据文件

people.txt：文件内容有三列（id、name、age）

1 zhangsan 20
2 lisi 29
3 wangwu 25
4 zhaoliu 30
5 tianqi 35
6 kobe 40

2.加载数据文件、关联样例类

#在spark-shell中加载数据文件
val lineRDD= sc.textFile("file:///export/servers/testdata/people.txt").map(_.split(" "))

#定义People样例类
case class People(id:Int,name:String,age:Int)

#将lineRDD和样例类People关联
val peopleRDD=lineRDD.map(x=>People(x(0).toInt,x(1),x(2).toInt))

在这里插入图片描述

3.将peopleRDD转换成DataFrame

val peopleDF=peopleRDD.toDF

在这里插入图片描述

4.显示DataFrame中数据：

peopleDF.show

在这里插入图片描述

5.显示DataFrame中schema信息：

peopleDF.printSchema

在这里插入图片描述

6.直接通过SparkSession创建DataFrame

val dataFrame=spark.read.text("file:///export/servers/testdata/people.txt")

在这里插入图片描述

1.2.4.2.读取json文件创建DataFrame

1.准备数据文件

使用spark安装包下提供了数据文件：

#文件路径
$SPARK_HOME/examples/src/main/resources/people.json

#加载数据文件
val jsonDF=spark.read.json("file:///export/servers/spark-2.0.2-bin-hadoop2.7/examples/src/main/resources/people.json")

在这里插入图片描述

1.2.4.3.读取parquet列式存储格式文件创建DataFrame

1.准备数据文件

使用spark安装包下提供了数据文件：

#文件路径
$SPARK_HOME/examples/src/main/resources/users.parquet
#加载数据文件
val parquetDF= spark.read.parquet("file:///export/servers/spark-2.0.2-bin-hadoop2.7/examples/src/main/resources/users.parquet")

在这里插入图片描述

细节：关于SparkSession读取文件的相关方法

输入**spark.read.**按tab键，自动提示

在这里插入图片描述

1.3.DataFrame常用操作

1.3.1.DSL风格语法

说明：DSL（Domain Specific Language）特定领域语言，是一种为了特定任务而设计的开发语言。比如XSLT、Html等。

1.3.1.1.启动spark-shell

spark-shell --master local[2]

在这里插入图片描述

1.3.1.2.查看DataFrame完整内容

#加载数据文件
val rdd1= sc.textFile("file:///export/servers/testdata/people.txt").map(_.split(" "))
#定义样例类
case class People(id:Int,name:String,age:Int)
#将rdd与样例类进行关联
val rdd2=rdd1.map(x=>People(x(0).toInt,x(1),x(2).toInt))
#将rdd2转换成DataFrame
val peopleDF=rdd2.toDF

在这里插入图片描述

#查看peopleDF中的完整内容
peopleDF.show

在这里插入图片描述

1.3.1.3.查看DataFrame部分列内容

peopleDF.select("name").show

peopleDF.select(col("name")).show

peopleDF.select($"name").show

peopleDF.select(peopleDF.col("name")).show

在这里插入图片描述

1.3.1.4.查看DataFrame部分列内容，在列上执行操作

peopleDF.select("name","age").show

peopleDF.select(col("name"),col("age")).show

在这里插入图片描述

#取出年龄列数据，并且执行+1操作
peopleDF.select(col("name"),col("age"),col("age")+1).show

在这里插入图片描述

1.3.1.5查看DataFrame满足条件的内容

#查看年龄大于等于30的用户
peopleDF.filter(col("age")>=30).show

在这里插入图片描述

1.3.1.6.执行统计操作

#统计用户记录数
peopleDF.count

在这里插入图片描述

1.3.1.7.执行分组统计操作

#按照年龄列进行分组统计
peopleDF.groupBy("age").count.show

在这里插入图片描述

1.3.1.8.打印DataFrame的schema信息

peopleDF.printSchema

在这里插入图片描述

1.3.2.SQL风格语法

说明：DataFrame的一个强大之处就是我们可以将它看作是一个关系型数据表，可以通过在程序中使用spark.sql() 来执行SQL语句查询，结果返回一个DataFrame。

使用SQL风格的语法，需要将DataFrame注册成表,采用如下的方式：

DataFrame.registerTempTable("表名称")

1.3.2.1.将DataFrame注册成表

peopleDF.registerTempTable("t_people")

在这里插入图片描述

1.3.2.2.查询年龄最大的前两名

spark.sql("select * from t_people order by age desc limit 2").show

在这里插入图片描述

1.3.2.3.查询年龄大于30的人信息

spark.sql("select * from t_people where age>30").show

在这里插入图片描述

1.3.2.4.显示表的schema信息

spark.sql("desc t_people").show

在这里插入图片描述

1.4.DataSet

1.4.1.什么是DataSet

DataSet是分布式的数据集合，提供了强类型支持，是在RDD的每行数据加了类型约束。DataSet是在spark1.6中添加的新的接口，它集中了RDD的优点和spark sql优化的执行引擎。

DataSet包含了DataFrame的功能，DataFrame表示为DataSet[Row]，即DataSet的子集。在spark2.0中两者已经统一。

1.4.2.RDD、DataFrame、DataSet区别

RDD：

在这里插入图片描述

DataFrame：

在这里插入图片描述

DataSet：

在这里插入图片描述

**细节：**DataSet融合了RDD和DataFrame两者的优点。

DataSet中，数据有类型信息（DataFrame的优点）
DataSet会在编译时检查类型（RDD的优点）
DataSet是面向对象编程的接口（RDD的优点）

1.4.3.DataFrame与DataSet转换

1.4.3.1.DataFrame转换为DataSet

DataFrame.as[ElementType]

1.4.3.2.DataSet转换为DataFrame

DataSet.toDF()

1.4.4.创建DataSet

1.4.4.1.DataFrame转换生成DataSet

#加载数据文件
val df1= spark.read.json("file:///export/servers/spark-2.0.2-bin-hadoop2.7/examples/src/main/resources/people.json")
#定义样例类
case class Person(age:BigInt,name:String)
#通过as[类型]转换成DataSet
val ds1=df1.as[Person]

在这里插入图片描述

1.4.4.2.通过toDS方法生成DataSet

#定义样例类
case class Person(id:Long,name:String,age:Long)
#定义集合数据
val data=List(Person(1,"zhangsan",18),Person(2,"lisi",28))
#通过toDs方法转换成DataSet
val ds2=data.toDS

在这里插入图片描述

1.4.4.3.spark.createDataSet方法创建DataSet

#从已经存在的scala集合中构建DataSet
val ds3=spark.createDataset(1 to 5)
#从已经存在的rdd构建DataSet
val rdd4=sc.textFile("file:///export/servers/testdata/people.txt")
val ds4=spark.createDataset(rdd4)

在这里插入图片描述

2.编程方式执行spark sql查询

2.1.编写spark sql程序将RDD转换成DataFrame

2.1.1.通过反射推断schema方式

scala支持使用case class类型导入RDD转换为DataFrame，通过case class创建schema，case class的参数名称会被利用反射机制作为列名。这种RDD可以高效的转换为DataFrame并注册为表。

2.1.1.1.创建项目

2.1.1.2.导入依赖

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <modelVersion>4.0.0</modelVersion>

    <groupId>cn.liny</groupId>
    <artifactId>spark-teach-day06-01project</artifactId>
    <version>1.0-SNAPSHOT</version>

    <packaging>jar</packaging>

    <properties>
        <scala.version>2.11.8</scala.version>
        <spark.version>2.0.2</spark.version>
    </properties>

    <!--配置依赖-->
    <dependencies>
        <!--scala依赖-->
        <dependency>
            <groupId>org.scala-lang</groupId>

最低0.47元/天解锁文章

被数据处理的蜗牛

关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
06-SparkSQL

1.spark sql1.1.spark sql概述官网地址：http://spark.apache.org/sql/1.1.1.什么是spark sqlspark 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DataFrame，作为分布式SQL查询的引擎，它是将spark sql转换成RDD，然后提交到集群中去运行，执行效率非常快。支持多种使用方式：SQL、DataFrame API、DataSet API。相比于spark RDD API，spark sql包含了对结
复制链接

扫一扫

专栏目录