第2章 SparkSQL編程

1、SparkSession新的起始點

在老的版本中，SparkSQL提供兩種SQL查詢起始點：一個叫SQLContext，用於Spark自己提供的SQL查詢；一個叫HiveContext，用於連接Hive的查詢。
SparkSession是Spark最新的SQL查詢起始點，實質上是SQLContext和HiveContext的組合，所以在SQLContext和HiveContext上可用的API在SparkSession上同樣是可以使用的。SparkSession內部封裝了sparkContext，所以計算實際上是由sparkContext完成的。

2、DataFrame

創建

在Spark SQL中SparkSession是創建DataFrame和執行SQL的入口，創建DataFrame有三種方式：通過Spark的數據源進行創建；從一個存在的RDD進行轉換；還可以從Hive Table進行查詢返回。

從Spark數據源進行創建
（1）查看Spark數據源進行創建的文件格式

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

準備數據

2.json編輯內容：

[root@hadoop105 datas]# vim 2.json 

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

（2）讀取json文件創建DataFrame

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

//創建一個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）結果展示

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

由於我們當前沒有數據表，但我們可以這樣執行：

//創建一張student表的視圖（對DataFrame創建一個臨時表）
scala> df.createTempView("student")

//即可直接查詢student數據表（數據是通過SQL語句實現查詢全表）
scala> spark.sql("select * from student").show
+---+--------+
|age|    name|
+---+--------+
| 20|zhangsan|
| 24|    lisi|
| 27|  wangwu|
+---+--------+

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

//查詢年齡取平均值
scala> spark.sql("select avg(age) from  student").show
+------------------+
|          avg(age)|
+------------------+
|23.666666666666668|
+------------------+

2.2、SQL風格語法(主要)

（1）創建一個會話注意事項

//創建一個會話sql
scala> spark.newSession.sql("select age from student").show

報錯信息：

嘗試再次執行：

//回車鍵查看
scala> df
res32: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

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

//對於DataFrame創建一個全局表
scala> df.createGlobalTempView("emp")

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

報錯信息：

正確寫法，執行如下：

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

注意：
臨時表是Session範圍內的，Session退出後，表就失效了。如果想應用範圍內有效，可以使用全局表。注意使用全局表時需要全路徑訪問，如：global_temp.emp

若遵守以上規則，我們嘗試換另一種寫法，照樣可以獲取：

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

2.3、 DSL風格語法(次要)

（1）查看DataFrame的Schema信息

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

（2）只查看”name”列數據

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

（3）查看”name”列數據以及”age+1”數據

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

//若查看年齡都加1，這樣執行會報錯
scala> df.select("age"+1).show()

報錯信息：

正確執行：

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

（3）查看”age”大於”21”的數據

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

（4）按照”age”分組，查看數據條數

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

2.4、RDD轉換爲DateFrame

注意：如果需要RDD與DF或者DS之間操作，那麼都需要引入 import spark.implicits._ 【spark不是包名，而是sparkSession對象的名稱】
前置條件：導入隱式轉換並創建一個RDD

通過手動確定轉換

//導入隱式轉換
scala> import spark.implicits._
import spark.implicits._

//創建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

//創建DataFrame（結構） 
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]

//主鍵（將普通數據增加結構化信息，有了含義就靈活查詢sql）
scala> df.show
+---+
| id|
+---+
|  1|
|  2|
|  3|
|  4|
+---+

案例：

//創建一個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

//把剛纔創建的指定一下結構（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]

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

如這張圖：

RDD可以轉換DataFrame

2.5、DataSet

通過反射確定（需要用到樣例類）

//創建一個樣例類
scala> case class People(name:String, age:Int)
defined class People

//創建一個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

//根據樣例類將RDD轉換爲對象類型
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

//根據樣例類將RDD轉換爲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轉換爲RDD

把有結構的數據轉化爲無結構

直接調用rdd即可

//將DataFrame轉換爲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是具有強類型的數據集合，需要提供對應的類型信息。

//創建一個樣例類
scala> case class Person(name: String, age: Long)
defined class Person

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

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

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

DataFrame與Dataset結構不同

RDD轉換爲DataSet

SparkSQL能夠自動將包含有case類的RDD轉換成DataFrame，case類定義了table的結構，case類屬性通過反射變成了表的列名。

//查看是否有創建過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))

//   創建一個樣例類
scala> case class Person(name: String, age: Long)
defined class Person

//將RDD轉化爲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]

//打印還是有數據
scala> mapRDD.toDS.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 23|
|    lisi| 27|
|  wangwu| 29|
+--------+---+

DataSet轉換爲RDD

調用rdd方法即可。

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

//調用rdd方法，就轉化爲rdd
scala> ds.rdd
res62: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[124] at rdd at <console>:36

DataFrame與DataSet的互操作

DataFrame轉換爲DataSet：

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

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

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

Dataset轉換爲DataFrame

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

//Dataset轉換爲DataFrame類型
scala> df.toDF
res66: org.apache.spark.sql.DataFrame = [name: string, age: int]

這種方法就是在給出每一列的類型後，使用as方法，轉成Dataset，這在數據類型是DataFrame又需要針對各個字段處理時極爲方便。在使用一些特殊的操作時，一定要加上 import spark.implicits._ 不然toDF、toDS無法使用。

RDD、DataFrame、DataSet

在SparkSQL中Spark爲我們提供了兩個新的抽象，分別是DataFrame和DataSet。他們和RDD有什麼區別呢？首先從版本的產生上來看：
RDD (Spark1.0) —> Dataframe(Spark1.3) —> Dataset(Spark1.6)
如果同樣的數據都給到這三個數據結構，他們分別計算之後，都會給出相同的結果。不同是的他們的執行效率和執行方式。
在後期的Spark版本中，DataSet會逐步取代RDD和DataFrame成爲唯一的API接口。

三者的共性

1、RDD、DataFrame、Dataset全都是spark平臺下的分佈式彈性數據集，爲處理超大型數據提供便利

2、三者都有惰性機制，在進行創建、轉換，如map方法時，不會立即執行，只有在遇到Action如foreach時，三者纔會開始遍歷運算。

3、三者都會根據spark的內存情況自動緩存運算，這樣即使數據量很大，也不用擔心會內存溢出。

4、三者都有partition的概念

5、三者有許多共同的函數，如filter，排序等

6、在對DataFrame和Dataset進行操作許多操作都需要這個包進行支持import spark.implicits._

7、DataFrame和Dataset均可使用模式匹配獲取各個字段的值和類型
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 //定義字段名和類型
    testDS.map{
      case Coltest(col1:String,col2:Int)=>
        println(col1);println(col2)
        col1
      case _=>
        ""
    }

三者的區別

1、RDD:

（1）RDD一般和spark mlib同時使用

（2）RDD不支持sparksql操作

2、 DataFrame:

（1）與RDD和Dataset不同，DataFrame每一行的類型固定爲Row，每一列的值沒法直接訪問，只有通過解析才能獲取各個字段的值，如：

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

（2）DataFrame與Dataset一般不與spark mlib同時使用

（3）DataFrame與Dataset均支持sparksql的操作，比如select，groupby之類，還能註冊臨時表/視窗，進行sql語句操作，如：

（4）DataFrame與Dataset支持一些特別方便的保存方式，比如保存成csv，可以帶上表頭，這樣每一列的字段名一目瞭然

//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()
//讀取
val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://hadoop105:9000/test")
val datarDF= spark.read.options(options).format("com.atguigu.spark.csv").load()

利用這樣的保存方式，可以方便的獲得字段名和列的對應，而且分隔符（delimiter）可以自由指定。

3、 Dataset:

（1）Dataset和DataFrame擁有完全相同的成員函數，區別只是每一行的數據類型不同。

（2）DataFrame也可以叫Dataset[Row],每一行的類型是Row，不解析，每一行究竟有哪些字段，各個字段又是什麼類型都無從得知，只能用上面提到的getAS方法或者共性中的第七條提到的模式匹配拿出特定字段。而Dataset中，每一行是什麼類型是不一定的，在自定義了case class之後可以很自由的獲得每一行的信息

case class Coltest(col1:String,col2:Int)extends Serializable //定義字段名和類型
/**
 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在需要訪問列中的某個字段時是非常方便的，然而，如果要寫一些適配性很強的函數時，如果使用Dataset，行的類型又不確定，可能是各種case class，無法實現適配，這時候用DataFrame即Dataset[Row]就能比較好的解決問題

江湖俠客

發佈了182 篇原創文章 · 獲贊 20 · 訪問量 9675

私信關注

第2章 SparkSQL編程

1、SparkSession新的起始點

2、DataFrame

創建

2.2、SQL風格語法(主要)

2.3、 DSL風格語法(次要)

2.4、RDD轉換爲DateFrame

2.5、DataSet

2.6、DateFrame轉換爲RDD

2.7、DataSet

RDD轉換爲DataSet

DataSet轉換爲RDD

DataFrame與DataSet的互操作

RDD、DataFrame、DataSet

三者的共性

三者的區別

1、RDD:

2、 DataFrame:

3、 Dataset:

Nginx R31 doc 官方文檔-01-nginx 如何安裝

挑戰程序設計競賽 2.2章習題 POJ - 3617 Best Cow Line 貪心

golang開發環境搭建(win10)

電信客服綜合項目第1天項目背景介紹

第 26 節 Flink Kafka-Connector詳解

第 23 節 State Backend(狀態的後端存儲)之重啓策略

第 22 節　Flink 狀態、恢復、快照

第 21 節　Flink Distributed Cache(分佈式緩存)

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結