SparkSQL 学习笔记----Hive数据源实战

1、什么是HiveContext

• Spark SQL支持对Hive中存储的数据进行读写
  操作Hive中的数据时，必须创建HiveContext（HiveContext也是已经过时的不推荐使用，嘤嘤嘤~还没学好就已经过时了）。HiveContext继承自SQLContext，但是增加了在Hive元数据库中查找表，以及HiveSQL语法编写SQL的功能。除了sql()方法，HiveContext还提供了hql()方法，从而用Hive语法来编辑sql。
• Spark SQL允许将数据保存到Hive表中
  调用DataFrame的saveAsTable命令，即可将DataFrame中的数据保存到Hive表中。与registerTempTable不同，saveAsTable是会将DataFrame中的数据物化到Hive表中的，而且还会在Hive元数据库中创建表的元数据。
  默认情况下，saveAsTable会创建一张Hive Managed Table，也就是说数据的位置都是由元数据库中的信息控制的。当Managed Table被删除时，表中的数据也会一并被物理剔除。
  registerTempTable只是注册一个临时的表，只要Spark Application重启或者停止了，那么表就没了。而saveAsTable创建的是物化的表，无论Spark Application重启或者停止，表都会一直存在。
  调用HiveContext.table(）方法，还可以直接针对Hive中的表，创建一个DataFrame。

2、如何使用HiveContext

使用HiveContext，可以执行Hive的大部分功能，包括创建表、向表中导入数据以及用SQL语句查询表中的数据。查询出来的数据是一个Row数组。
将hive-site.xml拷贝到spark/conf目录下，将mysql connector拷贝到spark/lib目录下

HiveContext sqlContext = new HiveContext(sc);
sqlContext.sql("CREATE TABLE IF NOT EXISTS students (name STRING,age INT)");
sqlContext.sql("LOAD DATA LOCAL INPATH '/usr/local/spark-study/resources/students.txt' INTO TABLE students");
Row[] teenagers = sqlContext.sql("SELECT name,age FROM students WHERE age<=18").collect();

3、案例：查询分数大于80分的学生的信息

• java版

package pz.spark.study.sql;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.hive.HiveContext;

public class HiveDataSource {
    public static void main(String[] args) {
        //创建SparkConf
        SparkConf conf = new SparkConf().setAppName("HiveDataSource");
        //创建JavaSparkContext
        JavaSparkContext sc = new JavaSparkContext(conf);
        //创建hiveContext,注意这里接收的是SparkContext作为参数，而不是JavaSparkContext
        HiveContext hiveContext = new HiveContext(sc.sc());

        //第一个功能，使用HiveContext的sql()/hql()方法，可以执行hive中能够执行的HiveSQL语句
        //将学生基本信息数据导入student_infos表
        //判断是否存在student_infos，如果存在则删除
        hiveContext.sql("DROP TABLE IF EXISTS TABLE student_infos");
        //判断student_infos表是否不存在，如果不存在则创建该表
        hiveContext.sql("CREATE TABLE IF NOT EXISTS student_infos (name STRING,age INT)");

        //将学生基本信息数据导入student_infos表
        hiveContext.sql("LOAD DATA LOCAL INPATH '/usr/local/spark-study/student_infos.txt' INTO TABLE student_infos");

        //用同样的方式给student_scores导入数据
        hiveContext.sql("DROP TABLE IF EXISTS TABLE student_scores");
        hiveContext.sql("CREATE TABLE IF NOT EXISTS  student_scores (name STRING,score INT)");
        hiveContext.sql("LOAD DATA LOCAL INPATH '/usr/local/spark-study/student_scores.txt' INTO TABLE student_scores");

        //第二个功能，执行sql还可以返回DataFrame，用于查询
        //执行sql查询，关联两张表，查询成绩大于80分的学生信息
        Dataset<Row> goodStrudentsDF = hiveContext.sql("SELECT si.name name,si.age age,ss.score" +
                "FROM student_infos si" +
                "JOIN studnet_scores ss " +
                "ON si.name=ss.name" +
                "WHERE ss.score>=80");

        //第三个功能，可以将DataFrame中的数据，理论上说DataFrame对应的RDD的元素，是Row即可

        //将DataFrame中的数据保存到good_student_infos表中
        hiveContext.sql("DROP IF EXISTS TABLE good_student_infos");
        goodStrudentsDF.write().saveAsTable("good_student_infos");

        //第四个工程，可以用table()方法，针对hive表，直接创建DataFrame
        //然后针对good_student_infos表，直接创建DataFrame
        Row[] goodStudentRows = hiveContext.table("good_student_infos").collect();

        for (Row goodStudentRow :goodStudentRows) {
            System.out.println(goodStudentRow);
        }
        sc.close();
    }
}

• scala版

package pz.spark.study.sql

import org.apache.spark.SparkConf
import org.apache.spark.api.java.JavaSparkContext
import org.apache.spark.sql.hive.HiveContext

object HiveDataSource_scala {
  def main(args: Array[String]): Unit = {
    //创建SparkConf
    val conf = new SparkConf().setAppName("HiveDataSource")
    //创建JavaSparkContext
    val sc = new JavaSparkContext(conf)
    //创建hiveContext,注意这里接收的是SparkContext作为参数，而不是JavaSparkContext
    val hiveContext = new HiveContext(sc)

    //第一个功能，使用HiveContext的sql()/hql()方法，可以执行hive中能够执行的HiveSQL语句
    //将学生基本信息数据导入student_infos表
    //判断是否存在student_infos，如果存在则删除
    hiveContext.sql("DROP TABLE IF EXISTS TABLE student_infos")
    //判断student_infos表是否不存在，如果不存在则创建该表
    hiveContext.sql("CREATE TABLE IF NOT EXISTS student_infos (name STRING,age INT)")


    hiveContext.sql("LOAD DATA LOCAL INPATH '/usr/local/spark-study/student_infos.txt' INTO TABLE student_infos")

    //用同样的方式给student_scores导入数据
    hiveContext.sql("DROP TABLE IF EXISTS TABLE student_scores")
    hiveContext.sql("CREATE TABLE IF NOT EXISTS  student_scores (name STRING,score INT)")
    hiveContext.sql("LOAD DATA LOCAL INPATH '/usr/local/spark-study/student_scores.txt' INTO TABLE student_scores")

    //第二个功能，执行sql还可以返回DataFrame，用于查询
    //执行sql查询，关联两张表，查询成绩大于80分的学生信息
    val goodStrudentsDF = hiveContext.sql("SELECT si.name name,si.age age,ss.score" + "FROM student_infos si" + "JOIN studnet_scores ss " + "ON si.name=ss.name" + "WHERE ss.score>=80")

    //第三个功能，可以将DataFrame中的数据，理论上说DataFrame对应的RDD的元素，是Row即可

    //将DataFrame中的数据保存到good_student_infos表中
    hiveContext.sql("DROP IF EXISTS TABLE good_student_infos")
    goodStrudentsDF.write.saveAsTable("good_student_infos")

    //第四个工程，可以用table()方法，针对hive表，直接创建DataFrame
    //然后针对good_student_infos表，直接创建DataFrame
    val goodStudentRows = hiveContext.table("good_student_infos").collect

    for (goodStudentRow <- goodStudentRows) {
      System.out.println(goodStudentRow)
    }
    sc.close()
  }
}