一、創建DataFrame和Dataset
1.1 創建DataFrame
Spark 中所有功能的入口點是 SparkSession
,可以使用 SparkSession.builder()
創建。創建後應用程序就可以從現有 RDD,Hive 表或 Spark 數據源創建 DataFrame。示例如下:
val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
val df = spark.read.json("/usr/file/json/emp.json")
df.show()
// 建議在進行 spark SQL 編程前導入下面的隱式轉換,因爲 DataFrames 和 dataSets 中很多操作都依賴了隱式轉換
import spark.implicits._
可以使用 spark-shell
進行測試,需要注意的是 spark-shell
啓動後會自動創建一個名爲 spark
的 SparkSession
,在命令行中可以直接引用即可:
<br/>
1.2 創建Dataset
Spark 支持由內部數據集和外部數據集來創建 DataSet,其創建方式分別如下:
1. 由外部數據集創建
// 1.需要導入隱式轉換
import spark.implicits._
// 2.創建 case class,等價於 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long,
hiredate: String, job: String, mgr: Long, sal: Double)
// 3.由外部數據集創建 Datasets
val ds = spark.read.json("/usr/file/emp.json").as[Emp]
ds.show()
2. 由內部數據集創建
// 1.需要導入隱式轉換
import spark.implicits._
// 2.創建 case class,等價於 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long,
hiredate: String, job: String, mgr: Long, sal: Double)
// 3.由內部數據集創建 Datasets
val caseClassDS = Seq(Emp("ALLEN", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0),
Emp("JONES", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0))
.toDS()
caseClassDS.show()
<br/>
1.3 由RDD創建DataFrame
Spark 支持兩種方式把 RDD 轉換爲 DataFrame,分別是使用反射推斷和指定 Schema 轉換:
1. 使用反射推斷
// 1.導入隱式轉換
import spark.implicits._
// 2.創建部門類
case class Dept(deptno: Long, dname: String, loc: String)
// 3.創建 RDD 並轉換爲 dataSet
val rddToDS = spark.sparkContext
.textFile("/usr/file/dept.txt")
.map(_.split("\t"))
.map(line => Dept(line(0).trim.toLong, line(1), line(2)))
.toDS() // 如果調用 toDF() 則轉換爲 dataFrame
2. 以編程方式指定Schema
import org.apache.spark.sql.Row
import org.apache.spark.sql.types._
// 1.定義每個列的列類型
val fields = Array(StructField("deptno", LongType, nullable = true),
StructField("dname", StringType, nullable = true),
StructField("loc", StringType, nullable = true))
// 2.創建 schema
val schema = StructType(fields)
// 3.創建 RDD
val deptRDD = spark.sparkContext.textFile("/usr/file/dept.txt")
val rowRDD = deptRDD.map(_.split("\t")).map(line => Row(line(0).toLong, line(1), line(2)))
// 4.將 RDD 轉換爲 dataFrame
val deptDF = spark.createDataFrame(rowRDD, schema)
deptDF.show()
<br/>
1.4 DataFrames與Datasets互相轉換
Spark 提供了非常簡單的轉換方法用於 DataFrame 與 Dataset 間的互相轉換,示例如下:
# DataFrames轉Datasets
scala> df.as[Emp]
res1: org.apache.spark.sql.Dataset[Emp] = [COMM: double, DEPTNO: bigint ... 6 more fields]
# Datasets轉DataFrames
scala> ds.toDF()
res2: org.apache.spark.sql.DataFrame = [COMM: double, DEPTNO: bigint ... 6 more fields]
<br/>
二、Columns列操作
2.1 引用列
Spark 支持多種方法來構造和引用列,最簡單的是使用 col()
或 column()
函數。
col("colName")
column("colName")
// 對於 Scala 語言而言,還可以使用$"myColumn"和'myColumn 這兩種語法糖進行引用。
df.select($"ename", $"job").show()
df.select('ename, 'job).show()
2.2 新增列
// 基於已有列值新增列
df.withColumn("upSal",$"sal"+1000)
// 基於固定值新增列
df.withColumn("intCol",lit(1000))
2.3 刪除列
// 支持刪除多個列
df.drop("comm","job").show()
2.4 重命名列
df.withColumnRenamed("comm", "common").show()
需要說明的是新增,刪除,重命名列都會產生新的 DataFrame,原來的 DataFrame 不會被改變。
<br/>
三、使用Structured API進行基本查詢
// 1.查詢員工姓名及工作
df.select($"ename", $"job").show()
// 2.filter 查詢工資大於 2000 的員工信息
df.filter($"sal" > 2000).show()
// 3.orderBy 按照部門編號降序,工資升序進行查詢
df.orderBy(desc("deptno"), asc("sal")).show()
// 4.limit 查詢工資最高的 3 名員工的信息
df.orderBy(desc("sal")).limit(3).show()
// 5.distinct 查詢所有部門編號
df.select("deptno").distinct().show()
// 6.groupBy 分組統計部門人數
df.groupBy("deptno").count().show()
<br/>
四、使用Spark SQL進行基本查詢
4.1 Spark SQL基本使用
// 1.首先需要將 DataFrame 註冊爲臨時視圖
df.createOrReplaceTempView("emp")
// 2.查詢員工姓名及工作
spark.sql("SELECT ename,job FROM emp").show()
// 3.查詢工資大於 2000 的員工信息
spark.sql("SELECT * FROM emp where sal > 2000").show()
// 4.orderBy 按照部門編號降序,工資升序進行查詢
spark.sql("SELECT * FROM emp ORDER BY deptno DESC,sal ASC").show()
// 5.limit 查詢工資最高的 3 名員工的信息
spark.sql("SELECT * FROM emp ORDER BY sal DESC LIMIT 3").show()
// 6.distinct 查詢所有部門編號
spark.sql("SELECT DISTINCT(deptno) FROM emp").show()
// 7.分組統計部門人數
spark.sql("SELECT deptno,count(ename) FROM emp group by deptno").show()
4.2 全局臨時視圖
上面使用 createOrReplaceTempView
創建的是會話臨時視圖,它的生命週期僅限於會話範圍,會隨會話的結束而結束。
你也可以使用 createGlobalTempView
創建全局臨時視圖,全局臨時視圖可以在所有會話之間共享,並直到整個 Spark 應用程序終止後纔會消失。全局臨時視圖被定義在內置的 global_temp
數據庫下,需要使用限定名稱進行引用,如 SELECT * FROM global_temp.view1
。
// 註冊爲全局臨時視圖
df.createGlobalTempView("gemp")
// 使用限定名稱進行引用
spark.sql("SELECT ename,job FROM global_temp.gemp").show()
參考資料
Spark SQL, DataFrames and Datasets Guide > Getting Started
更多大數據系列文章可以參見 GitHub 開源項目: 大數據入門指南