RDD转换为DataFrame
为什么要将RDD转换为DataFrame？因为这样的话，我们就可以直接针对HDFS等任何可以构建为RDD的数据，使用Spark SQL进行SQL查询了。
这个功能是无比强大的。想象一下，针对HDFS中的数据，直接就可以使用SQL进行查询。
Spark SQL支持两种方式来将RDD转换为DataFrame。
第一种方式，是使用反射来推断包含了特定数据类型的RDD的元数据。
这种基于反射的方式，代码比较简洁，当你已经知道你的RDD的元数据时，是一种非常不错的方式。
第二种方式，是通过编程接口来创建DataFrame，你可以在程序运行时动态构建一份元数据，然后将其应用到已经存在的RDD上。
这种方式的代码比较冗长，但是如果在编写程序时，还不知道RDD的元数据，只有在程序运行时，才能动态得知其元数据，那么只能通过这种动态构建元数据的方式。
Java版本：Spark SQL是支持将包含了JavaBean的RDD转换为DataFrame的。JavaBean的信息，就定义了元数据。
Spark SQL现在是不支持将包含了嵌套JavaBean或者List等复杂数据的JavaBean，作为元数据的。只支持一个包含简单数据类型的field的JavaBean。
创建数据文件
创建Student对象
package com.it19gong.sparkproject;
import java.io.Serializable;
public class Student implements Serializable {
private static final long serialVersionUID = 1L;
private int id;
private String name;
private int age;
public Student(){}
public Student(int id, String name, int age) {
super();
this.id = id;
this.name = name;
this.age = age;
}
public int getId() {
return id;
}
public void setId(int id) {
this.id = id;
}
public String getName() {
return name;
}
public void setName(String name) {
this.name = name;
}
public int getAge() {
return age;
}
public void setAge(int age) {
this.age = age;
}
@Override
public String toString() {
return "Student [id=" + id + ", name=" + name + ", age=" + age + "]";
}
}
创建RDD2DataFrameReflection类
package com.it19gong.sparkproject;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SQLContext;
public class RDD2DataFrameReflection {
public static void main(String[] args) {
// 创建普通的RDD
SparkConf conf = new SparkConf()
.setMaster("local")
.setAppName("RDD2DataFrameReflection");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
JavaRDD<String> lines = sc.textFile("E:\\Mycode\\dianshixiangmu\\sparkproject\\data\\Student.txt");
JavaRDD<Student> students = lines.map(new Function<String, Student>() {
private static final long serialVersionUID = 1L;
@Override
public Student call(String line) throws Exception {
String[] lineSplited = line.split(",");
Student stu = new Student();
stu.setId(Integer.valueOf(lineSplited[0].trim()));
stu.setName(lineSplited[1]);
stu.setAge(Integer.valueOf(lineSplited[2].trim()));
return stu;
}
});
// 使用反射方式，将RDD转换为DataFrame
// 将Student.class传入进去，其实就是用反射的方式来创建DataFrame
// 因为Student.class本身就是反射的一个应用
// 然后底层还得通过对Student Class进行反射，来获取其中的field
// 这里要求，JavaBean必须实现Serializable接口，是可序列化的
DataFrame studentDF = sqlContext.createDataFrame(students, Student.class);
// 拿到了一个DataFrame之后，就可以将其注册为一个临时表，然后针对其中的数据执行SQL语句
studentDF.registerTempTable("students");
// 针对students临时表执行SQL语句，查询年龄小于等于18岁的学生，就是teenageer
DataFrame teenagerDF = sqlContext.sql("select * from students where age<= 18");
// 将查询出来的DataFrame，再次转换为RDD
JavaRDD<Row> teenagerRDD = teenagerDF.javaRDD();
// 将RDD中的数据，进行映射，映射为Student
JavaRDD<Student> teenagerStudentRDD = teenagerRDD.map(new Function<Row, Student>() {
private static final long serialVersionUID = 1L;
@Override
public Student call(Row row) throws Exception {
// row中的数据的顺序，可能是跟我们期望的是不一样的！
Student stu = new Student();
stu.setAge(row.getInt(0));
stu.setId(row.getInt(1));
stu.setName(row.getString(2));
return stu;
}
});
// 将数据collect回来，打印出来
List<Student> studentList = teenagerStudentRDD.collect();
for(Student stu : studentList) {
System.out.println(stu);
}
}
}
运行代码
当JavaBean无法预先定义和知道的时候，比如要动态从一个文件中读取数据结构，那么就只能用编程方式动态指定元数据了。
首先要从原始RDD创建一个元素为Row的RDD；其次要创建一个StructType，来代表Row；最后将动态定义的元数据应用到RDD<Row>上。
创建RDD2DataFrameProgrammatically类
package com.it19gong.sparkproject;
import java.util.ArrayList;
import java.util.List;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
/**
* 以编程方式动态指定元数据，将RDD转换为DataFrame
* @author Administrator
*
*/
public class RDD2DataFrameProgrammatically {
public static void main(String[] args) {
// 创建SparkConf、JavaSparkContext、SQLContext
SparkConf conf = new SparkConf()
.setMaster("local")
.setAppName("RDD2DataFrameProgrammatically");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
// 第一步，创建一个普通的RDD，但是，必须将其转换为RDD<Row>的这种格式
JavaRDD<String> lines = sc.textFile("E:\\Mycode\\dianshixiangmu\\sparkproject\\data\\Student.txt");
// 分析一下
// 它报了一个，不能直接从String转换为Integer的一个类型转换的错误
// 就说明什么，说明有个数据，给定义成了String类型，结果使用的时候，要用Integer类型来使用
// 而且，错误报在sql相关的代码中
// 所以，基本可以断定，就是说，在sql中，用到age<=18的语法，所以就强行就将age转换为Integer来使用
// 但是，肯定是之前有些步骤，将age定义为了String
// 所以就往前找，就找到了这里
// 往Row中塞数据的时候，要注意，什么格式的数据，就用什么格式转换一下，再塞进去
JavaRDD<Row> studentRDD = lines.map(new Function<String, Row>() {
private static final long serialVersionUID = 1L;
@Override
public Row call(String line) throws Exception {
String[] lineSplited = line.split(",");
return RowFactory.create(
Integer.valueOf(lineSplited[0]),
lineSplited[1],
Integer.valueOf(lineSplited[2]));
}
});
// 第二步，动态构造元数据
// 比如说，id、name等，field的名称和类型，可能都是在程序运行过程中，动态从mysql db里
// 或者是配置文件中，加载出来的，是不固定的
// 所以特别适合用这种编程的方式，来构造元数据
List<StructField> structFields = new ArrayList<StructField>();
structFields.add(DataTypes.createStructField("id", DataTypes.IntegerType, true));
structFields.add(DataTypes.createStructField("name", DataTypes.StringType, true));
structFields.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));
StructType structType = DataTypes.createStructType(structFields);
// 第三步，使用动态构造的元数据，将RDD转换为DataFrame
DataFrame studentDF = sqlContext.createDataFrame(studentRDD, structType);
// 后面，就可以使用DataFrame了
studentDF.registerTempTable("students");
DataFrame teenagerDF = sqlContext.sql("select * from students where age<=18");
List<Row> rows = teenagerDF.javaRDD().collect();
for(Row row : rows) {
System.out.println(row);
}
}
}
运行代码
