SparkSQL 入门简介

在安装目录的bin目录打开spark-shell.cmd，输入如下，按tab健，查看可执行数据源

spark.read.

在安装目录D:\spark-3.0.0-bin-hadoop3.2\bin\input新建user.json

{"username":"chen","age":3}
{"username":"chen2","age":4}
{"username":"chen3","age":5}

SQL 语法

执行如下，获取json数据源

val df=spark.read.json("D:\\spark-3.0.0-bin-hadoop3.2\\bin\\input\\user.json")

回车，再输入

df.show

得到如下结果

创建临时视图

df.createTempView("user")

创建临时视图，替换原来表，防止重复

df.createOrReplaceTempView("user")

接下来就可以用sql语句查表了

spark.sql("select * from user").show

得到如下结果

查某个字段

spark.sql("select username from user").show

DSL 语法

查看 DataFrame 的 Schema 信息

df.printSchema

查看DataFrame里面的方法

df.

计算年龄加1

df.select('username, 'age + 1 as "age").show()

查看age大于30的数据

df.filter($"age">30).show

按照"age"分组，查看数据条数

df.groupBy("age").count.show

DataFrame 转换为 RDD

val rdd=sc.makeRDD(List(1,2))

查看rdd命令

val df= rdd.toDF("id")

df.show

创建 DataSe

case class Person(name: String, age: Long)

 val caseClassDS = Seq(Person("zhangsan",2)).toDS()
 caseClassDS.show

RDD、DataFrame、DataSet 三者的关系

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：

➢ Spark1.0 => RDD
➢ Spark1.3 => DataFrame
➢ Spark1.6 => Dataset

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 有可能会逐步取代 RDD和 DataFrame 成为唯一的 API 接口。

三者的共性

➢ 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;

➢ 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;

➢ 三者有许多共同的函数，如 filter，排序等;

➢ 在对 DataFrame 和 Dataset 进行操作许多操作都需要这个包:import spark.implicits._（在创建好 SparkSession 对象后尽量直接导入）

➢ 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

➢ 三者都有 partition 的概念

➢ DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型

三者的区别

1. RDD

➢ RDD 一般和 spark mllib 同时使用
➢ RDD 不支持 sparksql 操作

2. DataFrame

➢ 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

➢ DataFrame 与 DataSet 一般不与 spark mllib 同时使用

➢ 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

➢ 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(后面专门讲解)

3. DataSet

➢ 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。DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row]

➢ 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