一、 Spark SQL

1． Spark SQL概述

1.1． 什么是Spark SQL

Spark SQL是Spark用來處理結(jié)構(gòu)化數(shù)據(jù)的一個(gè)模塊，它提供了一個(gè)編程抽象叫做DataFrame并且作為分布式SQL查詢引擎的作用。
1.2． 為什么要學(xué)習(xí)Spark SQL
我們已經(jīng)學(xué)習(xí)了Hive，它是將Hive SQL轉(zhuǎn)換成MapReduce然后提交到集群上執(zhí)行，大大簡化了編寫MapReduce的程序的復(fù)雜性，由于MapReduce這種計(jì)算模型執(zhí)行效率比較慢。所有Spark SQL的應(yīng)運(yùn)而生，它是將Spark SQL轉(zhuǎn)換成RDD，然后提交到集群執(zhí)行，執(zhí)行效率非常快！
1.易整合

2.統(tǒng)一的數(shù)據(jù)訪問方式

3.兼容Hive

4.標(biāo)準(zhǔn)的數(shù)據(jù)連接

2． DataFrames

2.1． 什么是DataFrames

與RDD類似，DataFrame也是一個(gè)分布式數(shù)據(jù)容器。然而DataFrame更像傳統(tǒng)數(shù)據(jù)庫的二維表格，除了數(shù)據(jù)以外，還記錄數(shù)據(jù)的結(jié)構(gòu)信息，即schema。同時(shí)，與Hive類似，DataFrame也支持嵌套數(shù)據(jù)類型（struct、array和map）。從API易用性的角度上 看，DataFrame API提供的是一套高層的關(guān)系操作，比函數(shù)式的RDD API要更加友好，門檻更低。由于與R和Pandas的DataFrame類似，Spark DataFrame很好地繼承了傳統(tǒng)單機(jī)數(shù)據(jù)分析的開發(fā)體驗(yàn)。

2.2． 創(chuàng)建DataFrames

連接spark-shell:

[root@hadoop1 spark-2.1.1-bin-hadoop2.7]# bin/spark-shell --master spark://hadoop1:7077,hadoop2:7077

在Spark SQL中SQLContext是創(chuàng)建DataFrames和執(zhí)行SQL的入口，在spark-1.5.2中已經(jīng)內(nèi)置了一個(gè)sqlContext

1.在本地創(chuàng)建一個(gè)文件，有三列，分別是id、name、age，用空格分隔，然后上傳到hdfs上
hdfs dfs -put person.txt /

person.txt的內(nèi)容如下：

1 zhangsan 19 2 lisi 20 3 wangwu 28 4 zhaoliu 26 5 tianqi 24 6 chengnong 55 7 zhouxingchi 58 8 mayun 50 9 yangliying 30 10 lilianjie 51 11 zhanghuimei 35 12 lian 53 13 zhangyimou 54

2.在spark shell執(zhí)行下面命令，讀取數(shù)據(jù)，將每一行的數(shù)據(jù)使用列分隔符分割

scala> val lineRDD = sc.textFile("hdfs://mycluster/person.txt").map(_.split(" ")) lineRDD: org.apache.spark.rdd.RDD[Array[String]] = MapPartitionsRDD[2] at map at <console>:24

3.定義case class（相當(dāng)于表的schema）

scala> case class Person(id:Int, name:String, age:Int) defined class Person

4.將RDD和case class關(guān)聯(lián)

scala> val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt)) personRDD: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[3] at map at <console>:28

5.將RDD轉(zhuǎn)換成DataFrame

scala> val personDF = personRDD.toDF personDF: org.apache.spark.sql.DataFrame = [id: int, name: string ... 1 more field]

6.對(duì)DataFrame進(jìn)行處理

scala> personDF.show +---+-----------+---+ | id| name|age| +---+-----------+---+ | 1| zhangsan| 19| | 2| lisi| 20| | 3| wangwu| 28| | 4| zhaoliu| 26| | 5| tianqi| 24| | 6| chengnong| 55| | 7|zhouxingchi| 58| | 8| mayun| 50| | 9| yangliying| 30| | 10| lilianjie| 51| | 11|zhanghuimei| 35| | 12| lian| 53| | 13| zhangyimou| 54| +---+-----------+---+

3.DataFrame常用操作

3.1 DSL風(fēng)格語法

1.查看DataFrame中的內(nèi)容

scala> personDF.show +---+-----------+---+ | id| name|age| +---+-----------+---+ | 1| zhangsan| 19| | 2| lisi| 20| | 3| wangwu| 28| | 4| zhaoliu| 26| | 5| tianqi| 24| | 6| chengnong| 55| | 7|zhouxingchi| 58| | 8| mayun| 50| | 9| yangliying| 30| | 10| lilianjie| 51| | 11|zhanghuimei| 35| | 12| lian| 53| | 13| zhangyimou| 54| +---+-----------+---+

2.查看DataFrame部分列中的內(nèi)容

scala> personDF.select(personDF.col("name")).show +-----------+ | name| +-----------+ | zhangsan| | lisi| | wangwu| | zhaoliu| | tianqi| | chengnong| |zhouxingchi| | mayun| | yangliying| | lilianjie| |zhanghuimei| | lian| | zhangyimou| +-----------+ scala> personDF.select(col("name"),col("age")).show +-----------+---+ | name|age| +-----------+---+ | zhangsan| 19| | lisi| 20| | wangwu| 28| | zhaoliu| 26| | tianqi| 24| | chengnong| 55| |zhouxingchi| 58| | mayun| 50| | yangliying| 30| | lilianjie| 51| |zhanghuimei| 35| | lian| 53| | zhangyimou| 54| +-----------+---+ scala> personDF.select("name").show +-----------+ | name| +-----------+ | zhangsan| | lisi| | wangwu| | zhaoliu| | tianqi| | chengnong| |zhouxingchi| | mayun| | yangliying| | lilianjie| |zhanghuimei| | lian| | zhangyimou| +-----------+

3.打印DataFrame的Schema信息

scala> personDF.printSchema root|-- id: integer (nullable = true)|-- name: string (nullable = true)|-- age: integer (nullable = true)

4. 查詢所有的name和age，并將age +1

scala> personDF.select(col("id"),col("name"),col("age") + 1).show +---+-----------+---------+ | id| name|(age + 1)| +---+-----------+---------+ | 1| zhangsan| 20| | 2| lisi| 21| | 3| wangwu| 29| | 4| zhaoliu| 27| | 5| tianqi| 25| | 6| chengnong| 56| | 7|zhouxingchi| 59| | 8| mayun| 51| | 9| yangliying| 31| | 10| lilianjie| 52| | 11|zhanghuimei| 36| | 12| lian| 54| | 13| zhangyimou| 55| +---+-----------+---------+ scala> personDF.select(personDF("id"),personDF("name"),personDF("age") + 1).show +---+-----------+---------+ | id| name|(age + 1)| +---+-----------+---------+ | 1| zhangsan| 20| | 2| lisi| 21| | 3| wangwu| 29| | 4| zhaoliu| 27| | 5| tianqi| 25| | 6| chengnong| 56| | 7|zhouxingchi| 59| | 8| mayun| 51| | 9| yangliying| 31| | 10| lilianjie| 52| | 11|zhanghuimei| 36| | 12| lian| 54| | 13| zhangyimou| 55| +---+-----------+---------+

5. 過濾age大于等于40的

scala> personDF.filter(col("age") >= 40).show

6. 按年齡進(jìn)行分組并統(tǒng)計(jì)相同年齡的人數(shù)

scala> personDF.groupBy("age").count.show() +---+-----+ |age|count| +---+-----+ | 53| 1| | 28| 1| | 26| 1| | 20| 1| | 54| 1| | 19| 1| | 35| 1| | 55| 1| | 51| 1| | 50| 1| | 24| 1| | 58| 1| | 30| 1| +---+-----+

3.2 SQL風(fēng)格語法：

在使用SQL的語法之前，需要先執(zhí)行（也就是或先創(chuàng)建一個(gè)sqlContext）：

scala> val sqlContext = new org.apache.spark.sql.SQLContext(sc) warning: there was one deprecation warning; re-run with -deprecation for details sqlContext: org.apache.spark.sql.SQLContext = org.apache.spark.sql.SQLContext@11fb9fc7

如果想使用SQL風(fēng)格的語法，需要將DataFrame注冊(cè)成表

scala> personDF.registerTempTable("t_person") warning: there was one deprecation warning; re-run with -deprecation for details

查詢年齡最大的前兩名

scala> sqlContext.sql("select * from t_person order by age desc limit 2").show +---+-----------+---+ | id| name|age| +---+-----------+---+ | 7|zhouxingchi| 58| | 6| chengnong| 55| +---+-----------+---+

顯示表的Schema信息

scala> sqlContext.sql("desc t_person").show +--------+---------+-------+ |col_name|data_type|comment| +--------+---------+-------+ | id| int| null| | name| string| null| | age| int| null| +--------+---------+-------+scala> 7.保存結(jié)果 result.save("hdfs://hadoop.itcast.cn:9000/sql/res1") result.save("hdfs://hadoop.itcast.cn:9000/sql/res2", "json")#以JSON文件格式覆寫HDFS上的JSON文件 import org.apache.spark.sql.SaveMode._ result.save("hdfs://hadoop.itcast.cn:9000/sql/res2", "json" , Overwrite)8.重新加載以前的處理結(jié)果（可選） sqlContext.load("hdfs://hadoop.itcast.cn:9000/sql/res1") sqlContext.load("hdfs://hadoop.itcast.cn:9000/sql/res2", "json")

總結(jié)

以上是生活随笔為你收集整理的Spark SQL概述，DataFrames,创建DataFrames的案例，DataFrame常用操作（DSL风格语法），sql风格语法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。