SparkSQL 核心编程

SparkSQL 核心编程

学习如何使用 Spark SQL 提供的 DataFrame 和 DataSet 模型进行编程，以及了解他们之间的关系和转换，关于具体的SQL书写不是我们的重点。

1、新的起点

Spark Core 中，如果想要执行应用程序，需要首先构建上下文环境对象，SparkContext，Spark SQL 其实可以理解为对 Spark Core的一种封装，不仅仅在模型上进行了封装，上下文环境对象也进行了封装。
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 查询。
SparkSession 是 Spark 最新的 SQL 查询起点，实质是上 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，所以实际上是由sparkContext 完成的。当我们使用 spark-shell 的时候，spark 框架会自动创建一个名称叫做spark的SparkSession对象，就像我们以前可以自动获取到一个sc来表示SparkContext对象一样。
这下面是在终端命令行简单的演示，是怎么用spark 执行sql语句执行的。
读取json文件创建DataFrame：
val df = spark.read.json("input/user.json")


注意：
从内存中获取数据，spark 可以知道数据具体是什么。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(大整形) 接收，可以和 Long 类型转换，但是和 Int 不能进行转换。

2、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。

1) 读取 json 文件创建 DataFrame

2) 对 DataFrame 创建一个临时表

要想用sql语句，那肯定首先就要有个表，所以将DataFrame转换为一个临时表，就可以用sql语句了。创建临时表使用 createReplaceTempView("pepole")，创建临时视图使用 createTempView("pepole")

注意：普通临时表是Session范围内的，如果想应用范围内有效，可以使用全局临时表。使用全局临时表时需要全路径访问。
比如下面这里就是newSession 开启了一个新的会话，之前那个临时表就用不了了，找不到。

3) 通过SQL语句实现查询全表

spark 查询语句：spark.sql("select * from user") 这个user就是上面创建的临时视图，必须要创建个这样的对象，才能进行sql 语句查询。

这个就是查询的结果

3、DSL 语法

DataFrame 提供一个特定领域语言（domain-specific language，DSL）去管理结构化数据。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。

1) 创建一个DataFrame

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

2) 查看DataFrame的Schema信息

df.printSchema 用这个看到看信息，说明spark的那些方法都是可以用的。


这里可以看到，这种DSL 不需要创建什么表，这个是可以直接用 DataFrame对象直接进行select的查询

3) 只查看"username"列数据

df.select("username").show

4) 查看"username"列以及"age"+1数据

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

或者不要双引号，在每个字段的前面加上一个单引号也是可以的。

5) 查看"age"大于"20"的数据

就不是select了，使用filter进行筛选过滤。
df.filter($"age">20).show
注意：这里这个大于20，上面那个20+1那个是不算的。

6) 按照"age"分组，查看数据条数

使用groupBy，分组完还必要要用count统计
df.groupBy("age").count.show

4、RDD 转换为 DataFrame

在 IDEA 开发程序时，如果需要 RDD 与 DF 或者 DS 之间互相操作，那么需要引入import spark.implicits._
这里的 spark 不是 Scala 中的包名，而是创建的sparkSession 对象的变量名称，所以必须先创建 SparkSession 对象再导入。这里的 spark 对象那个不能那个使用 var 声明，因为Scala 只支持 val 修饰的对象的引入。
spark-shell 中无需导入，自动完成此操作。
首先创建一个rdd
val rdd = sc.makeRDD(List(1,2,3,4)) 然后可以看到下面有很多的方法，其中有一个toDF方法，就是 RDD 转换为 DataFrame的。

val df = rdd.toDF("id") 我们将数据转换为DataFrame 那我们得让他知道我们的数据是什么意思，所以给他一个列字段名，“id”。

要是想从DataFrame转换回RDD的话，那么直接 df.rdd 就转换回去了。

5、DataSet

DataSet 是具有强类型的数据集合，需要提供对应的类型信息。

1) 创建 DataSet

使用样例类序列创建DataSet

上面创建了一个样例类的列表的数据 ，然后直接使用toDS 方法之间转换为DataSet

转换好之后，数据就可以直接看了。

2) DataFrame 转换为 DataSet

首先从RDD转换为DataFrame使用rdd.toDF，然后我们要创建一个样例类，注意样例类里面这个列字段名要和那个DataFrame里面的那个字段名是一样的，比如这里这个是value，然后用df.as[fengz] 有了类型他就变成DataSet了。

3）RDD 直接转换为 DataSet

直接先创建一个样例类，把他的类型先确定好，然后创建一个RDD，RDD里面的数据直接使用这个样例类创建，然后直接使用rdd.toDS直接就从RDD转换为DataSet了。