第2章 SparkSQL编程

上篇：第1章 Spark SQL概述

---

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。

---

2、DataFrame

创建

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。

从Spark数据源进行创建
（1）查看Spark数据源进行创建的文件格式

scala> spark.read.
csv   format   jdbc   json   load   option   options   orc   parquet   schema   table   text   textFile

准备数据

2.json编辑内容：

[root@hadoop105 datas]# vim 2.json 

{"name":"zhangsan","age":20}
{"name":"lisi","age":24}
{"name":"wangwu","age":27}

（2）读取json文件创建DataFrame

//读取json文件创建DataFrame
scala> spark.read.json("file:///usr/local/hadoop/module/datas/2.json")
res24: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

//创建一个DataFrame
scala> val df=spark.read.json("file:///usr/local/hadoop/module/datas/2.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

（3）结果展示

scala> df.show
+---+--------+
|age|    name|
+---+--------+
| 20|zhangsan|
| 24|    lisi|
| 27|  wangwu|
+---+--------+

由于我们当前没有数据表，但我们可以这样执行：

//创建一张student表的视图（对DataFrame创建一个临时表）
scala> df.createTempView("student")

//即可直接查询student数据表（数据是通过SQL语句实现查询全表）
scala> spark.sql("select * from student").show
+---+--------+
|age|    name|
+---+--------+
| 20|zhangsan|
| 24|    lisi|
| 27|  wangwu|
+---+--------+

//条件查询
scala> spark.sql("select age from  student").show
+---+
|age|
+---+
| 20|
| 24|
| 27|
+---+

//查询年龄取平均值
scala> spark.sql("select avg(age) from  student").show
+------------------+
|          avg(age)|
+------------------+
|23.666666666666668|
+------------------+

---

2.2、SQL风格语法(主要)

（1）创建一个会话注意事项

//创建一个会话sql
scala> spark.newSession.sql("select age from student").show

报错信息：

尝试再次执行：

//回车键查看
scala> df
res32: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

//Tab键查看
scala> df.create
createGlobalTempView   createOrReplaceTempView   createTempView

//对于DataFrame创建一个全局表
scala> df.createGlobalTempView("emp")

scala> spark.sql("select * from emp").show

报错信息：

正确写法，执行如下：

scala> spark.sql("select * from global_temp.emp").show
+---+--------+
|age|    name|
+---+--------+
| 20|zhangsan|
| 24|    lisi|
| 27|  wangwu|
+---+--------+

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.emp

若遵守以上规则，我们尝试换另一种写法，照样可以获取：

scala> spark.newSession.sql("select * from global_temp.emp").show
+---+--------+
|age|    name|
+---+--------+
| 20|zhangsan|
| 24|    lisi|
| 27|  wangwu|
+---+--------+

---

2.3、 DSL风格语法(次要)

（1）查看DataFrame的Schema信息

//回车键
scala> df.printSchema
root
 |-- age: long (nullable = true)
 |-- name: string (nullable = true)

（2）只查看”name”列数据

scala> df.select("name").show()
+--------+
|    name|
+--------+
|zhangsan|
|    lisi|
|  wangwu|
+--------+

（3）查看”name”列数据以及”age+1”数据

//只查看年龄
scala> df.select("age").show()
+---+
|age|
+---+
| 20|
| 24|
| 27|
+---+

//若查看年龄都加1，这样执行会报错
scala> df.select("age"+1).show()

报错信息：

正确执行：

//需要添加“$”符号
scala> df.select($"age"+1).show()
+---------+
|(age + 1)|
+---------+
|       21|
|       25|
|       28|
+---------+

（3）查看”age”大于”21”的数据

scala>  df.filter($"age" > 21).show()
+---+------+
|age|  name|
+---+------+
| 24|  lisi|
| 27|wangwu|
+---+------+

（4）按照”age”分组，查看数据条数

scala> df.groupBy("age").count().show()
+---+-----+                                                                     
|age|count|
+---+-----+
| 27|    1|
| 20|    1|
| 24|    1|
+---+-----+

---

2.4、RDD转换为DateFrame

注意：如果需要RDD与DF或者DS之间操作，那么都需要引入 import spark.implicits._ 【spark不是包名，而是sparkSession对象的名称】
前置条件：导入隐式转换并创建一个RDD

通过手动确定转换

//导入隐式转换
scala> import spark.implicits._
import spark.implicits._

//创建RDD
scala> val rdd =sc.makeRDD(List(1,2,3,4))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[98] at makeRDD at <console>:27

//创建DataFrame（结构） 
scala> rdd.toDF("id")
res45: org.apache.spark.sql.DataFrame = [id: int]

//修改一下DataFrame
scala> val df= rdd.toDF("id")
df: org.apache.spark.sql.DataFrame = [id: int]

//主键（将普通数据增加结构化信息，有了含义就灵活查询sql）
scala> df.show
+---+
| id|
+---+
|  1|
|  2|
|  3|
|  4|
+---+

案例：

//创建一个RDD
scala> val rdd = sc.makeRDD(List((1,"zhangsan",20),(2,"lisi",25),(3,"wangwu",28)))
rdd: org.apache.spark.rdd.RDD[(Int, String, Int)] = ParallelCollectionRDD[102] at makeRDD at <console>:27

//把刚才创建的指定一下结构（字段）
scala> rdd.toDF("id","name","age")
res47: org.apache.spark.sql.DataFrame = [id: int, name: string ... 1 more field]

//取名
scala> val df = rdd.toDF("id","name","age")
df: org.apache.spark.sql.DataFrame = [id: int, name: string ... 1 more field]

//展现
scala> df.show
+---+--------+---+
| id|    name|age|
+---+--------+---+
|  1|zhangsan| 20|
|  2|    lisi| 25|
|  3|  wangwu| 28|
+---+--------+---+

如这张图：

RDD可以转换DataFrame

---

2.5、DataSet

通过反射确定（需要用到样例类）

//创建一个样例类
scala> case class People(name:String, age:Int)
defined class People

//创建一个RDD
scala> val rdd = sc.makeRDD(List(("zhangsan",23),("lisi",27),("wangwu",29)))
rdd: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[106] at makeRDD at <console>:27

//根据样例类将RDD转换为对象类型
scala> val people =rdd.map(t => {People(t._1,t._2)}  )
people: org.apache.spark.rdd.RDD[People] = MapPartitionsRDD[107] at map at <console>:31

//根据样例类将RDD转换为DataFrame
scala> val df = people.toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

//展示
scala> df.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 23|
|    lisi| 27|
|  wangwu| 29|
+--------+---+

---

2.6、DateFrame转换为RDD

把有结构的数据转化为无结构

直接调用rdd即可

//将DataFrame转换为RDD
scala> df.rdd
res50: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[114] at rdd at <console>:36

//打印RDD
scala> df.collect
res51: Array[org.apache.spark.sql.Row] = Array([zhangsan,23], [lisi,27], [wangwu,29])

---

2.7、DataSet

Dataset是具有强类型的数据集合，需要提供对应的类型信息。

//创建一个样例类
scala> case class Person(name: String, age: Long)
defined class Person

//创建DataSet
scala> val caseClassDS = Seq(Person("Andy", 32)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

//显示
scala> caseClassDS.show
+----+---+
|name|age|
+----+---+
|Andy| 32|
+----+---+

//DataSet
scala> caseClassDS.createTempView("xxx")
scala> spark.sql("select * from xxx").show
+----+---+
|name|age|
+----+---+
|Andy| 32|
+----+---+

DataFrame与Dataset结构不同

---

RDD转换为DataSet

SparkSQL能够自动将包含有case类的RDD转换成DataFrame，case类定义了table的结构，case类属性通过反射变成了表的列名。

//查看是否有创建过rdd
scala> rdd
res58: org.apache.spark.rdd.RDD[(String, Int)] = ParallelCollectionRDD[106] at makeRDD at <console>:27

//打印rdd信息
scala> rdd.collect
res59: Array[(String, Int)] = Array((zhangsan,23), (lisi,27), (wangwu,29))

//   创建一个样例类
scala> case class Person(name: String, age: Long)
defined class Person

//将RDD转化为DataSet
scala> val mapRDD =rdd.map(t => { Person(t._1,t._2) } )
mapRDD: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[119] at map at <console>:31

scala> mapRDD.toDS
res60: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

//打印还是有数据
scala> mapRDD.toDS.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 23|
|    lisi| 27|
|  wangwu| 29|
+--------+---+

DataSet转换为RDD

调用rdd方法即可。

//查看是Dataset类型
scala> val ds = mapRDD.toDS
ds: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

//调用rdd方法，就转化为rdd
scala> ds.rdd
res62: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[124] at rdd at <console>:36

DataFrame与DataSet的互操作

DataFrame转换为DataSet：

//打印rdd的数据信息
scala> rdd.collect
res63: Array[(String, Int)] = Array((zhangsan,23), (lisi,27), (wangwu,29))

//把RDD转化为DataFrame 
scala> val df = rdd.toDF("name","age")
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

//DataFrame转化为Dataset
scala> df.as[Person]
res64: org.apache.spark.sql.Dataset[Person] = [name: string, age: int]

Dataset转换为DataFrame

//查看是Dataset类型
scala> val ds =df.as[Person]
ds: org.apache.spark.sql.Dataset[Person] = [name: string, age: int]

//Dataset转换为DataFrame类型
scala> df.toDF
res66: org.apache.spark.sql.DataFrame = [name: string, age: int]

这种方法就是在给出每一列的类型后，使用as方法，转成Dataset，这在数据类型是DataFrame又需要针对各个字段处理时极为方便。在使用一些特殊的操作时，一定要加上 import spark.implicits._ 不然toDF、toDS无法使用。

---

RDD、DataFrame、DataSet

在SparkSQL中Spark为我们提供了两个新的抽象，分别是DataFrame和DataSet。他们和RDD有什么区别呢？首先从版本的产生上来看：
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会逐步取代RDD和DataFrame成为唯一的API接口。

---

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如foreach时，三者才会开始遍历运算。

3、三者都会根据spark的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出。

4、三者都有partition的概念

5、三者有许多共同的函数，如filter，排序等

6、在对DataFrame和Dataset进行操作许多操作都需要这个包进行支持import spark.implicits._

7、DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型
DataFrame:

testDF.map{
      case Row(col1:String,col2:Int)=>
        println(col1);println(col2)
        col1
      case _=>
        ""
    }

Dataset:

case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
    testDS.map{
      case Coltest(col1:String,col2:Int)=>
        println(col1);println(col2)
        col1
      case _=>
        ""
    }

---

三者的区别

1、RDD:

（1）RDD一般和spark mlib同时使用

（2）RDD不支持sparksql操作

2、 DataFrame:

（1）与RDD和Dataset不同，DataFrame每一行的类型固定为Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值，如：

testDF.foreach{
  line =>
    val col1=line.getAs[String]("col1")
    val col2=line.getAs[String]("col2")
}

（2）DataFrame与Dataset一般不与spark mlib同时使用

（3）DataFrame与Dataset均支持sparksql的操作，比如select，groupby之类，还能注册临时表/视窗，进行sql语句操作，如：

（4）DataFrame与Dataset支持一些特别方便的保存方式，比如保存成csv，可以带上表头，这样每一列的字段名一目了然

//保存
val saveoptions = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://hadoop105:9000/test")
datawDF.write.format("com.atguigu.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save()
//读取
val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://hadoop105:9000/test")
val datarDF= spark.read.options(options).format("com.atguigu.spark.csv").load()

利用这样的保存方式，可以方便的获得字段名和列的对应，而且分隔符（delimiter）可以自由指定。

3、 Dataset:

（1）Dataset和DataFrame拥有完全相同的成员函数，区别只是每一行的数据类型不同。

（2）DataFrame也可以叫Dataset[Row],每一行的类型是Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的getAS方法或者共性中的第七条提到的模式匹配拿出特定字段。而Dataset中，每一行是什么类型是不一定的，在自定义了case class之后可以很自由的获得每一行的信息

case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
/**
 rdd
 ("a", 1)
 ("b", 1)
 ("a", 1)
**/
val test: Dataset[Coltest]=rdd.map{line=>
      Coltest(line._1,line._2)
    }.toDS
test.map{
      line=>
        println(line.col1)
        println(line.col2)
    }

可以看出，Dataset在需要访问列中的某个字段时是非常方便的，然而，如果要写一些适配性很强的函数时，如果使用Dataset，行的类型又不确定，可能是各种case class，无法实现适配，这时候用DataFrame即Dataset[Row]就能比较好的解决问题