首页 > 数据库技术 > 详细

SparkSQL 编程

时间：2019-07-08 09:28:53      阅读：106      评论：0      收藏：0      [点我收藏+]

第 2 章 SparkSQL 编程

2.1 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。
 
 

2.2 DataFrame

2.2.1 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。
 
1）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

 

（2）读取 json 文件创建 DataFrame
scala> val df = spark.read.json("/opt/module/spark/examples/src/main/resources/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

 

（3）展示结果
scala> df.show
+----+-------+
| age| name|
+----+-------+
|null|Michael|
| 30| Andy|
| 19| Justin|
+----+-------+

 

2）从 RDD 进行转换
2.5 节我们专门讨论
3）从 Hive Table 进行查询返回
3.3 节我们专门讨论
 
 
 

2.2.2 SQL 风格语法(主要)

1）创建一个 DataFrame
scala> val df = spark.read.json("/opt/module/spark/examples/src/main/resources/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

 

2）对 DataFrame 创建一个临时表
scala> df.createOrReplaceTempView("people")

 

3）通过 SQL 语句实现查询全表
scala> val sqlDF = spark.sql("SELECT * FROM people")
sqlDF: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

 

4）结果展示
scala> sqlDF.show
+----+-------+
| age| name|
+----+-------+
|null|Michael|
| 30| Andy|
| 19| Justin|
+----+-------+
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.people
 
 
5）对于 DataFrame 创建一个全局表
scala> df.createGlobalTempView("people")

 

6）通过 SQL 语句实现查询全表
scala> spark.sql("SELECT * FROM global_temp.people").show()
+----+-------+
| age| name|
+----+-------+
|null|Michael|
| 30| Andy|
| 19| Justin|
scala> spark.newSession().sql("SELECT * FROM global_temp.people").show()
+----+-------+
| age| name|
+----+-------+
|null|Michael|
| 30| Andy|
| 19| Justin|
+----+-------+

 

 

2.2.3 DSL 风格语法(次要)

1）创建一个 DataFrame
scala> val df = spark.read.json("/opt/module/spark/examples/src/main/resources/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

 

2）查看 DataFrame 的 Schema 信息
scala> df.printSchema
root
|-- age: long (nullable = true)
|-- name: string (nullable = true)

 

3）只查看”name”列数据
scala> df.select("name").show()
+-------+
| name|
+-------+
|Michael|
| Andy|
| Justin|
+-------+

 

4）查看”name”列数据以及”age+1”数据
scala> df.select($"name", $"age" + 1).show()
+-------+---------+
| name|(age + 1)|
+-------+---------+
|Michael| null|
| Andy| 31|
| Justin| 20|
+-------+---------+

 

5）查看”age”大于”21”的数据
scala> df.filter($"age" > 21).show()
+---+----+
|age|name|
+---+----+
| 30|Andy|
+---+----+

 

6）按照”age”分组，查看数据条数
scala> df.groupBy("age").count().show()
+----+-----+
| age|count|
+----+-----+
| 19| 1|
|null| 1|
| 30| 1|
+----+-----+

 

测试：

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

scala> spark.read.json("./examples/src/main/resources/people.json")
res0: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

scala> res0.collect
res1: Array[org.apache.spark.sql.Row] = Array([null,Michael], [30,Andy], [19,Justin])

scala> res0.show
+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+


scala> res0.select("name").show
+-------+
|   name|
+-------+
|Michael|
|   Andy|
| Justin|
+-------+


scala> res0.select("age","name").show
+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+


scala> res0.select($"age"+1).show
+---------+
|(age + 1)|
+---------+
|     null|
|       31|
|       20|
+---------+


scala> res0.select($"age"+1,$"name").show
+---------+-------+
|(age + 1)|   name|
+---------+-------+
|     null|Michael|
|       31|   Andy|
|       20| Justin|
+---------+-------+


scala> res0.select($"name").show
+-------+
|   name|
+-------+
|Michael|
|   Andy|
| Justin|
+-------+


scala> res0.first
res9: org.apache.spark.sql.Row = [null,Michael]

scala> res0.filter($"age">20).show
+---+----+
|age|name|
+---+----+
| 30|Andy|
+---+----+


scala> res0.create
createGlobalTempView   createOrReplaceTempView   createTempView

scala> res0.createTempView("people")

scala> spark.sql("select * from people").show
+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+


scala> spark.sql("select * from people where age > 20").show
+---+----+
|age|name|
+---+----+
| 30|Andy|
+---+----+

 

 

2.2.4 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
scala> import spark.implicits._
import spark.implicits._

scala> val peopleRDD = sc.textFile("examples/src/main/resources/people.txt")
peopleRDD: org.apache.spark.rdd.RDD[String] = examples/src/main/resources/people.txt MapPartitionsRDD[3] at textFile at <console>:27

 

1）通过手动确定转换
scala> peopleRDD.map{x=>val para = x.split(",");(para(0),para(1).trim.toInt)}.toDF("name","age")
res1: org.apache.spark.sql.DataFrame = [name: string, age: int]

 

2）通过反射确定（需要用到样例类）
（1）创建一个样例类
scala> case class People(name:String, age:Int)

 

（2）根据样例类将 RDD 转换为 DataFrame
scala> peopleRDD.map{ x => val para = x.split(",");People(para(0),para(1).trim.toInt)}.toDF
res2: org.apache.spark.sql.DataFrame = [name: string, age: int]

 

3）通过编程的方式（了解）
（1）导入所需的类型
scala> import org.apache.spark.sql.types._
import org.apache.spark.sql.types._

 

（2）创建 Schema
scala> val structType: StructType = StructType(StructField("name", 
StringType) :: StructField("age", IntegerType) :: Nil)
structType: org.apache.spark.sql.types.StructType = 
StructType(StructField(name,StringType,true), 
StructField(age,IntegerType,true))

 

（3）导入所需的类型
scala> import org.apache.spark.sql.Row
import org.apache.spark.sql.Row

 

（4）根据给定的类型创建二元组 RDD
scala> val data = peopleRDD.map{ x => val para = x.split(",");Row(para(0),para(1).trim.toInt)}
data: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[6] at map at <console>:33

 

（5）根据数据及给定的 schema 创建 DataFrame
scala> val dataFrame = spark.createDataFrame(data, structType)
dataFrame: org.apache.spark.sql.DataFrame = [name: string, age: int]

 

 

 

2.2.5 DateFrame 转换为 RDD

直接调用 rdd 即可
1）创建一个 DataFrame
scala> val df = 
spark.read.json("/opt/module/spark/examples/src/main/resources/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string] 

 

2）将 DataFrame 转换为 RDD
scala> val dfToRDD = df.rdd
dfToRDD: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[19] at rdd at <console>:29

 

3）打印 RDD
scala> dfToRDD.collect
res13: Array[org.apache.spark.sql.Row] = Array([Michael, 29], [Andy, 30], [Justin, 19])

 

 
 
 

2.3 DataSet

Dataset 是具有强类型的数据集合，需要提供对应的类型信息。
 
 

2.3.1 创建

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

 

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

 

 

2.3.2 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。Case 类可以包含诸如 Seqs 或者 Array 等复杂的结构。
 
1）创建一个 RDD
scala> val peopleRDD = sc.textFile("examples/src/main/resources/people.txt")
peopleRDD: org.apache.spark.rdd.RDD[String] = examples/src/main/resources/people.txt MapPartitionsRDD[3] at textFile at <console>:27

 

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

 

3）将 RDD 转化为 DataSet
scala> peopleRDD.map(line => {val para = line.split(",");Person(para(0),para(1).trim.toInt)}).toDS
res8: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

 

 

2.3.3 DataSet 转换为 RDD

调用 rdd 方法即可。
1）创建一个 DataSet
scala> val DS = Seq(Person("Andy", 32)).toDS()
DS: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

 

2）将 DataSet 转换为 RDD
scala> DS.rdd
res11: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[15] at rdd at <console>:28

 

 
 

2.4 DataFrame 与 DataSet 的互操作

2.4.1 DataFrame 转 Dataset

1）创建一个 DateFrame
scala> val df = spark.read.json("examples/src/main/resources/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

 

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

 

3）将 DateFrame 转化为 DataSet
scala> df.as[Person]
res14: org.apache.spark.sql.Dataset[Person] = [age: bigint, name: string]
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。
 
 
 

2.4.2 Dataset 转 DataFrame

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

 

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

 

3）将 DataSet 转化为 DataFrame
scala> val df = ds.toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: bigint]

 

4）展示
scala> df.show
+----+---+
|name|age|
+----+---+
|Andy| 32|
+----+---+

 

 

 

2.5 RDD、DataFrame、DataSet

技术分享图片

 

　　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。 
 
 
 
 

2.5.1 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 _=>
        ""
}

 

 

2.5.2 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： 
dataDF.createOrReplaceTempView("tmp")
spark.sql("select ROW,DATE from tmp where DATE is not null order by DATE").show(100,false)

 

　　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://hadoop102:9000/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://hadoop102:9000/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 

 

 

 

2.6 IDEA 创建 SparkSQL 程序

IDEA 中程序的打包和运行方式都和 SparkCore 类似，Maven 依赖中需要添加新的依赖项：
<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.11</artifactId>
    <version>2.1.1</version>
</dependency>

 

程序如下：
  
package com.lxl.sparksql

import org.apache.spark.sql.SparkSession
import org.apache.spark.{SparkConf, SparkContext}
import org.slf4j.LoggerFactory

object HelloWorld {
  def main(args: Array[String]) {

    //创建 SparkConf()并设置 App 名称
    val spark = SparkSession
      .builder()
      .appName("Spark SQL basic example")
      //.config("spark.some.config.option", "some-value")
      .getOrCreate()

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

    //读取本地文件，创建 DataFrame
    val df = spark.read.json("examples/src/main/resources/people.json")

    //打印
    df.show()

    //DSL 风格：查询年龄在 21 岁以上的
    df.filter($"age" > 21).show()

    //创建临时表
    df.createOrReplaceTempView("persons")

    //SQL 风格：查询年龄在 21 岁以上的
    spark.sql("SELECT * FROM persons where age > 21").show()

    //关闭连接
    spark.stop()
  }
}

 

 
 
 
测试：
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SparkSession

object HelloWorld {

  def main(args: Array[String]): Unit = {

    //获取sparkConf
    val conf = new SparkConf().setAppName("HelloWorld").setMaster("local[*]")

    //创建sparkcontext对象
    val sc = new SparkContext(conf)

    //获取sparkSession
//    val spark = new SparkSession(sc)
    val spark = SparkSession.builder().config(conf).getOrCreate()

    //生成DataFrame
    val df = spark.read.json("D:\\Data\\Spark\\课堂\\people.json")

    //展示所有数据
    df.show()

    //DSL
    df.select("name").show()

    //SQL
    df.createTempView("people")
    spark.sql("select * from people").show()

    //关闭资源
    spark.close()
    sc.stop()

  }

}

 结果：

+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+

+-------+
|   name|
+-------+
|Michael|
|   Andy|
| Justin|
+-------+

+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+

 

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

SparkSQL 编程

原文：https://www.cnblogs.com/LXL616/p/11149053.html
踩
(0)
赞
(0)
   
举报
评论 一句话评论（0）
分享档案
更多>
2021年09月23日 (328)
2021年09月24日 (313)
2021年09月17日 (191)
2021年09月15日 (369)
2021年09月16日 (411)
2021年09月13日 (439)
2021年09月11日 (398)
2021年09月12日 (393)
2021年09月10日 (160)
2021年09月08日 (222)
最新文章
更多>
教程昨日排行
更多>
友情链接
汇智网   PHP教程   插件网  
关于我们 - 联系我们 - 留言反馈 - 联系我们:wmxa8@hotmail.com
© 2014 bubuko.com 版权所有
打开技术之扣，分享程序人生！