Java中的spark sql语句放到配置文件中 spark运行sql文件

1、Spark SQL

1.1、Spark SQL概述

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。

Hive它是将Hive SQL转换成MapReduce然后提交到集群上执行，大大简化了编写MapReduce的程序的复杂性，由于MapReduce这种计算模型执行效率比较慢。所有Spark SQL的应运而生，它是将Spark SQL转换成RDD，然后提交到集群执行，执行效率非常快！

官方文档：http://spark.apache.org/docs/latest/sql-getting-started.html

1.2、特点

1.2.1、集成

无缝地将SQL查询与Spark程序混合。

Spark SQL允许您使用SQL或熟悉的数据框架API在Spark程序中查询结构化数据。可用于Java、Scala、Python和R。

results = spark.sql(
  "SELECT * FROM people")
names = results.map(lambda p: p.name)
Apply functions to results of SQL queries.

1.2.2、统一数据访问

以同样的方式连接到任何数据源。

DataFrames和SQL提供了访问各种数据源的通用方法，包括hive、avro、parquet、orc、json和jdbc。您甚至可以跨这些源连接数据。

spark.read.json("s3n://...")
  .registerTempTable("json")
results = spark.sql(
  """SELECT * 
     FROM people
     JOIN json ...""")
Query and join different data sources.

1.2.3、Hive集成

对现有仓库运行SQL或hiveql查询。

spark sql支持hiveql语法以及Hive SerDes和UDF，允许您访问现有的Hive仓库。

1.2.4、标准连接

通过JDBC或ODBC连接。

服务器模式为商务智能工具提供行业标准JDBC和ODBC连接。

2、什么是DataFrames

与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。同时，与Hive类似，DataFrame也支持嵌套数据类型（struct、array和map）。从API易用性的角度上 看，DataFrame API提供的是一套高层的关系操作，比函数式的RDD API要更加友好，门槛更低。由于与R和Pandas的DataFrame类似，Spark DataFrame很好地继承了传统单机数据分析的开发体验。

2.1、创建DataFrames

进入spark-shell

这里的Spark session对象(Spark2新增)是对Spark context对象的进一步封装。也就是说Spark session对象（spark）中的SparkContext就是Spark context对象（sc）,从下面输出信息可以验证。

1.在本地创建一个person.txt文件，有三列，分别是id、name、age，用空格分隔。

1 张三 18
2 李四 25
3 王五 36
4 赵六 28

2.在spark shell执行下面命令，读取数据，将每一行的数据使用列分隔符分割

val lineRDD = sc.textFile("file:///person.txt").map(_.split(" "))

3.定义case class（相当于表的schema）

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

4.将RDD和case class关联

val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))

5.将RDD转换成DataFrame

val personDF = personRDD.toDF

6.对DataFrame进行处理

personDF.show

2.2、DataFrame常用操作

2.2.1、DSL风格语法

//查看DataFrame中的内容
personDF.show

//查看DataFrame部分列中的内容
personDF.select(personDF.col("name")).show
personDF.select(col("name"), col("age")).show
personDF.select("name").show

//打印DataFrame的Schema信息
personDF.printSchema

//查询所有的name和age，并将age+1
personDF.select(col("id"), col("name"), col("age") + 1).show
personDF.select(personDF("id"), personDF("name"), personDF("age") + 1).show

//过滤age大于等于20的
personDF.filter(col("age") >= 20).show

//按年龄进行分组并统计相同年龄的人数
personDF.groupBy("age").count().show()

2.2.2、SQL风格语法

如果想使用SQL风格的语法，需要将DataFrame注册成表。

personDF.registerTempTable("t_person")

//查询年龄最大的前两名
spark.sql("select * from t_person order by age desc limit 2").show

//显示表的Schema信息
spark.sql("desc t_person").show

3、以编程方式执行Spark SQL查询

前面我们学习了如何在Spark Shell中使用SQL完成查询，现在我们来实现在自定义的程序中编写Spark SQL查询程序。首先在maven项目的pom.xml中添加Spark SQL的依赖。

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.12</artifactId>
    <version>2.4.3</version>
</dependency>

3.1、通过反射推断Schema

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SQLContext

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

    //创建SparkConf()并设置App名称
    val conf = new SparkConf().setAppName("SQL-1")
    //SQLContext要依赖SparkContext
    val sc = new SparkContext(conf)
    //创建SQLContext
    val sqlContext = new SQLContext(sc)

    //从指定的地址创建RDD
    val lineRDD = sc.textFile(args(0)).map(_.split(" "))

    //创建case class
    //将RDD和case class关联
    val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
    //导入隐式转换，如果不到人无法将RDD转换成DataFrame
    //将RDD转换成DataFrame
    import sqlContext.implicits._
    val personDF = personRDD.toDF
    //注册表
    personDF.registerTempTable("t_person")
    //传入SQL
    val df = sqlContext.sql("select * from t_person order by age desc limit 2")
    //将结果以JSON的方式存储到指定位置
    df.write.json(args(1))
    //停止Spark Context
    sc.stop()
  }
}
//case class一定要放到外面
case class Person(id: Int, name: String, age: Int)

将程序打成jar包，上传到spark集群，提交Spark任务

/usr/local/spark-2.4.3-bin-hadoop2.7/bin/spark-submit \
--class com.learn.spark.sql.InferringSchema \
--master spark://node1.learn.com:7077 \
/root/spark-mvn-1.0-SNAPSHOT.jar \
hdfs://node1.learn.com:9000/person.txt \
hdfs://node1.learn.com:9000/out

查看运行结果

hdfs dfs -cat  hdfs://node1.learn.com:9000/out/part-r-*

3.2、通过StructType直接指定Schema

import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.sql.types._
import org.apache.spark.{SparkContext, SparkConf}

object SpecifyingSchema {
  def main(args: Array[String]) {
    //创建SparkConf()并设置App名称
    val conf = new SparkConf().setAppName("SQL-2")
    //SQLContext要依赖SparkContext
    val sc = new SparkContext(conf)
    //创建SQLContext
    val sqlContext = new SQLContext(sc)
    //从指定的地址创建RDD
    val personRDD = sc.textFile(args(0)).map(_.split(" "))
    //通过StructType直接指定每个字段的schema
    val schema = StructType(
      List(
        StructField("id", IntegerType, true),
        StructField("name", StringType, true),
        StructField("age", IntegerType, true)
      )
    )
    //将RDD映射到rowRDD
    val rowRDD = personRDD.map(p => Row(p(0).toInt, p(1).trim, p(2).toInt))
    //将schema信息应用到rowRDD上
    val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)
    //注册表
    personDataFrame.registerTempTable("t_person")
    //执行SQL
    val df = sqlContext.sql("select * from t_person order by age desc limit 4")
    //将结果以JSON的方式存储到指定位置
    df.write.json(args(1))
    //停止Spark Context
    sc.stop()
  }
}

将程序打成jar包，上传到spark集群，提交Spark任务

/usr/local/spark-2.4.3-bin-hadoop2.7/bin/spark-submit \
--class com.learn.spark.sql.InferringSchema \
--master spark://node1.learn.com:7077 \
/root/spark-mvn-1.0-SNAPSHOT.jar \
hdfs://node1.learn.com:9000/person.txt \
hdfs://node1.learn.com:9000/out1

查看结果

hdfs dfs -cat  hdfs://node1.learn.com:9000/out1/part-r-*

4、数据源

Spark SQL可以通过JDBC从关系型数据库中读取数据的方式创建DataFrame，通过对DataFrame一系列的计算后，还可以将数据再写回关系型数据库中。

4.1、从MySQL中加载数据（Spark Shell方式）

1.启动Spark Shell，必须指定mysql连接驱动jar包

/usr/local/spark-2.4.3-bin-hadoop2.7/bin/spark-shell \
--master spark://node1.learn.com:7077 \
--jars /usr/local/spark-2.4.3-bin-hadoop2.7/mysql-connector-java-5.1.35-bin.jar \
--driver-class-path /usr/local/spark-2.4.3-bin-hadoop2.7/mysql-connector-java-5.1.35-bin.jar

2.从mysql中加载数据

val jdbcDF = sqlContext.read.format("jdbc").options(Map("url" -> "jdbc:mysql://192.168.10.1:3306/bigdata", "driver" -> "com.mysql.jdbc.Driver", "dbtable" -> "person", "user" -> "root", "password" -> "123456")).load()

3.执行查询

jdbcDF.show()

4.2、将数据写入到MySQL中（打jar包方式）

1.编写Spark SQL程序

import java.util.Properties
import org.apache.spark.sql.{SQLContext, Row}
import org.apache.spark.sql.types.{StringType, IntegerType, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}

object JdbcRDD {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("MySQL-Demo")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)
    //通过并行化创建RDD
    val personRDD = sc.parallelize(Array("1 tom 5", "2 jerry 3", "3 kitty 6")).map(_.split(" "))
    //通过StructType直接指定每个字段的schema
    val schema = StructType(
      List(
        StructField("id", IntegerType, true),
        StructField("name", StringType, true),
        StructField("age", IntegerType, true)
      )
    )
    //将RDD映射到rowRDD
    val rowRDD = personRDD.map(p => Row(p(0).toInt, p(1).trim, p(2).toInt))
    //将schema信息应用到rowRDD上
    val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)
    //创建Properties存储数据库相关属性
    val prop = new Properties()
    prop.put("user", "root")
    prop.put("password", "123456")
    //将数据追加到数据库
    personDataFrame.write.mode("append").jdbc("jdbc:mysql://192.168.10.1:3306/bigdata", "bigdata.person", prop)
    //停止SparkContext
    sc.stop()
  }
}

2.用maven将程序打包

3.将Jar包提交到spark集群

/usr/local/spark-2.4.3-bin-hadoop2.7/bin/spark-submit \
--class com.learn.spark.sql.JdbcRDD \
--master spark://node1.learn.com:7077 \
--jars /usr/local/spark-2.4.3-bin-hadoop2.7/mysql-connector-java-5.1.35-bin.jar \
--driver-class-path /usr/local/spark-2.4.3-bin-hadoop2.7/mysql-connector-java-5.1.35-bin.jar \
/root/spark-mvn-1.0-SNAPSHOT.jar