Spark-SQL核心编程

简介

Hadoop与Spark-SQL的对比

        Hadoop在处理结构化数据方面存在局限性，无法有效处理某些类型的数据。

        Spark应运而生，特别设计了处理结构化数据的模块，称为Spark SQL（原称Shark）。

SparkSQL的发展历程：

        SparkSQL的前身Shark，它是伯克利实验室Spark生态组件之一，基于Hive 所开发的工具。Shark 的出现，使得 SQL-on-Hadoop 的性能比 Hive 有了 10-100 倍的提高。

随着Spark的发展，Shark逐渐被Spark SQL取代，Spark SQL不再依赖Hive，兼容性更强。

Spark SQL与Hadoop的关系

        SparkSQL作为Spark生态的一员继续发展，不再受限于 Hive，只是兼容 Hive。 Spark 作为 Hive 的底层引擎之一，也就是说，Hive 将不再受限于一个引擎，可以采用 Map-Reduce、Tez、Spark 等引擎。

Spark-SQL的特点

整合性：无缝整合Spark查询和编程。

统一数据访问：使用相同方式连接不同数据源。

兼容性：兼容Hive，可在已有仓库上直接运行SQL和HQL。

标准数据连接：支持JDBC和ODBC连接。

DataFrame与DataSet

        DataFrame：类似于表格，包含列名和行索引，适合结构化数据。

        DataSet：强类型集合，必须指定数据类型。

        将 DataFrame 转换为 DataSet。Row 是一个类型，跟 Car、Person 这些的类型一样，所有的表结构信息都用 Row 来表示。获取数据时需要指定顺序

核心编程

解决类加载报错问题：

遇到类加载报错的解决方法:

        检查对象名和类名是否一致

        确认代码编辑器没有卡顿，并且新建类时选择正确

        设置代码为根目录

DataFrame

        Spark SQL 的 DataFrame API 允许我们使用 DataFrame 而不用必须去注册临时表或者生成 SQL 表达式。DataFrame API 既有 transformation 操作也有 action 操作。

        创建 DataFrame

        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。

        从 Spark 数据源进行创建

        Spark-SQL支持的数据类型：

在 spark 的 bin/data 目录中创建 user.json 文件

        {"username":"zhangsan","age":20}

        {"username":"lisi","age":17}

 读取 json 文件创建 DataFrame

val df = spark.read.json("data/user.json")（进入的是自己放入的目录）

需要先进入这个里面：

 注意：如果从内存中获取数据，spark 可以知道数据类型具体是什么。如果是数字，默认作为 Int 处理；但是从文件中读取的数字，不能确定是什么类型，所以用 bigint 接收，可以和 Long 类型转换，但是和 Int 不能进行转换。

SQL 语法

SQL 语法风格是指我们查询数据的时候使用 SQL 语句来查询，这种风格的查询必须要

有临时视图或者全局视图来辅助

        读取 JSON 文件创建 DataFrame

                val df1 = spark.read.json("data/user.json")

        对 DataFrame 创建一个临时表

                df1.createOrReplaceTempView("people")

        通过 SQL 语句实现查询全表

                val sqlDF = spark.sql("select * from people")

        结果展示

                sqlDF.show

        对于 DataFrame 创建一个全局表

                df1.createGlobalTempView("people1")

（全局不要随便弄，怕跟自己之前弄过的名称重了，到时会报错）

第一次运行全局表会出现这个错误，需要将虚拟中的hive-site.xml文件复制到spark的conf路径下（最好能将整个hive目录放在本地文件系统中） 

 

配置完成之后再执行语句：

df1.createGlobalTempView("people1")

通过 SQL 语句实现查询全表

        spark.sql("SELECT * FROM global_temp.people1").show()

        spark.newSession().sql("SELECT * FROM global_temp.people1").show()

DSL 语法

DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。 可以在 Scala, Java, Python 和 R 中使用 DSL，使用 DSL 语法风格不必去创建临时视图了

        创建一个 DataFrame

                val df = spark.read.json("data/user.json")

        查看 DataFrame 的 Schema 信息

                df.printSchema

        只查看"username"列数据

                df.select("username").show()

        查看"username"列数据以及"age+1"数据

                注意:涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式：单引号+字段名

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

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

        查看"age"大于"18"的数据

                df.filter($"age">18).show

        按照"age"分组，查看数据条数

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

RDD 转换为 DataFrame

val idRDD = sc.textFile("data/id.txt")

idRDD.toDF("id").show

DataSet

创建 DataSet

使用样例类序列创建 DataSet

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

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

        caseClassDS.show

使用基本类型的序列创建 DataSet

        val ds = Seq(1,2,3,4,5).toDS

        ds.show

        注意：在实际使用的时候，很少用到把序列转换成DataSet，更多的是通过RDD来得到DataSet

RDD 转换为 DataSet

        SparkSQL 能够自动将包含有 case 类的 RDD 转换成 DataSet，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 Seq 或者 Array 等复杂的结构。

case class User(name:String, age:Int)

sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS

DataSet 转换为 RDD

DataSet 其实也是对 RDD 的封装，所以可以直接获取内部的 RDD

        case class User(name:String, age:Int)

         sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS

        val rdd = res3.rdd（这个res后面跟的数是根据上一个代码出来的结果里的）

        rdd.collect

DataFrame 转换为 DataSet

case class User(name:String, age:Int)

val df = sc.makeRDD(List(("zhangsan",30), ("lisi",49))).toDF("name","age")

val ds = df.as[User]

创建和转换数据集

使用样例类创建数据集：通过 case class 定义类和字段类型。

添加数据后，默认是 RDD，需转换为数据集。

使用基本类型创建数据集：直接使用 DataSet 创建数据集。

RDD 和数据集的转换：RDD 转数据集：使用 toDS() 方法。

数据集转 RDD：使用 rdd 属性。

RDD、DataFrame 和 DataSet 的关系

        共性:

                都是 Spark 平台下的分布式弹性数据集。

                都有惰性机制，只有在行动算子触发时才执行。

                都支持自动缓存和分区概念。

               都可以使用模式匹配获取字段值和类型。

        区别：

                RDD 支持 MLLIB，常用于机器学习。

                DataFrame 和 DataSet 支持 Spark SQL 操作。

                DataFrame 每行类型固定为 ROW，不支持直接访问字段值。

                DataSet 是强类型的，每行数据类型明确。
 

RDD、DataFrame 和 DataSet 的相互转换

        RDD 转 DataFrame：使用 toDF() 方法。

        DataFrame 转 RDD：使用 rdd 属性。

        DataFrame 转 DataSet：使用 as[Type] 方法。

        DataSet 转 DataFrame：使用 toDF() 方法。

        RDD 转 DataSet：使用 toDS() 方法。