文章目录

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 的查询。

​​SparkSession​​ 是 Spark 最新的 SQL 查询起始点，​​实质上是 SQLContext 和 HiveContext的组合​​，所以在 SQLContex 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，所以计算实际上是由 sparkContext 完成的​​。当我们使用 spark-shell 的时候, spark 框架会自动的创建一个名称叫做 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。

【回顾】SparkSQL 核心编程_sql

​​返回顶部​​

2、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。

2.1 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。

1) 从 Spark 数据源进行创建

➢ 查看 Spark 支持创建文件的数据源格式

scala> spark.read.
    // 可选文件类型

➢ 在 虚拟机 的 ​​/home/data/spark​​ 目录中创建 ​​user.json​​ 文件

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

【回顾】SparkSQL 核心编程_scala_02

➢ 读取 json 文件创建 DataFrame

scala> val df = spark.read.json("/home/data/spark/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， username: string]

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。

➢ 展示结果

scala> df.show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
+---+--------+

2) 从 RDD 进行转换

3) 从 Hive Table 进行查询返回

此处后续补充~

​​返回顶部​​

3、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

scala> val df = spark.read.json("/home/data/spark/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， username: string]

2) 对 DataFrame 创建一个临时表

scala> df.createOrReplaceTempView("people")  // (支持多次创建)
scala> df.createTempView("people")  // (支持一次创建)

3) 通过 SQL 语句实现查询全表

scala> val sqlDF = spark.sql("SELECT * FROM people")
sqlDF: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

4) 结果展示

scala> sqlDF.show
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|

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，如:
​​global_temp.people​​

5) 对于 DataFrame 创建一个全局表

scala> df.createGlobalTempView("people")

6) 通过 SQL 语句实现查询全表

scala> spark.sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|
+---+--------+

scala> spark.newSession().sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|

​​返回顶部​​

4、DSL语法（DataFrame）

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。

4.1 创建DataFrame

1) 创建一个 DataFrame

scala> val df = spark.read.json("/home/data/spark/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

2) 查看 DataFrame 的 Schema 信息

scala> df.printSchema
root
|-- age: Long (nullable = true)
|-- username: string (nullable = true)

3) 只查看"username"列数据，

scala> df.select("username").show()
+--------+
|username|
+--------+
|zhangsan|
| lisi|
| wangwu|
+--------+

4) 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$​​, 或者采用引号表达式：单引号+字段名
scala> df.select($"username",$"age" + 1).show
+--------+---------+
|username|(age + 1)|
+--------+---------+
|zhangsan|       21|
|    lisi|       31|
|  wangwu|       41|
+--------+---------+

scala> df.select('username, 'age + 1).show()
+--------+---------+
|username|(age + 1)|
+--------+---------+
|zhangsan|       21|
|    lisi|       31|
|  wangwu|       41|
+--------+---------+

scala> df.select('username, 'age + 1 as "newage").show()
+--------+------+
|username|newage|
+--------+------+
|zhangsan|    21|
|    lisi|    31|
|  wangwu|    41|
+--------+------+
```***********
**5) 查看"age"大于"30"的数据**

```shell
scala> df.filter($"age">30).show
+---+---------+
|age| username|
+---+---------+
| 40| wangwu|
+---+---------+

6) 按照"age"分组，查看数据条数

scala> df.groupBy("age").count.show
+---+-----+                                                                     
|age|count|
+---+-----+
| 30|    1|
| 20|    1|
| 40|    1|

​​返回顶部​​


4.2 RDD 转为 DataFrame

在 IDEA 中开发程序时，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 对象不能使用 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。

scala> val idRDD = sc.textFile("/home/data/spark/id.txt")
scala> idRDD.toDF("id").show
+---+
| id|
+---+
| 1|
| 2|
| 3|
| 4|

实际开发中，一般通过样例类将 RDD 转换为 DataFrame

scala> case class User(name:String, age:Int)
defined class User
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, t._2)).toDF.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 30|
|    lisi| 40|

​​返回顶部​​

4.3 DataFrame 转换为 RDD

DataFrame 其实就是对 RDD 的封装，所以可以直接获取内部的 RDD

scala> val df = sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, t._2)).toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[46] 
at rdd at <console>:25

scala> val array = rdd.collect
array: Array[org.apache.spark.sql.Row] = Array([zhangsan,30], [lisi,40])

注意：​​此时得到的 RDD 存储类型为 Row​​

scala> array(0)
res28: org.apache.spark.sql.Row = [zhangsan,30]

scala> array(0)(0)
res29: Any = zhangsan

scala> array(0).getAs[String]("name")
res30: String =

​​返回顶部​​

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。

5.1 创建 DataSet

1） 使用样例类序列创建 DataSet

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

scala> val caseClassDS = Seq(Person("zhangsan",2)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: Long]

scala> caseClassDS.show
+---------+---+
| name    |age|
+---------+---+
| zhangsan| 2 |

2） 使用基本类型的序列创建 DataSet

scala> val ds = Seq(1,2,3,4,5).toDS
ds: org.apache.spark.sql.Dataset[Int] = [value: int]

scala> ds.show
+-----+
|value|
+-----+
|  1  |
|  2  |
|  3  |
|  4  |
|  5  |

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

​​返回顶部​​

5.2 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。

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

scala> val ds = sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]

scala> ds.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 30|
|    lisi| 49|

​​返回顶部​​

5.3 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

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

scala> sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS
res11: org.apache.spark.sql.Dataset[User] = [name: string, age: int]

scala> val rdd = res11.rdd
rdd: org.apache.spark.rdd.RDD[User] = MapPartitionsRDD[51] at rdd at <console>:25

scala> rdd.collect
res12: Array[User] = Array(User(zhangsan,30), User(lisi,49))

​​返回顶部​​

6、 DataFrame 和 DataSet 转换

DataFrame 其实是 DataSet 的特例，所以它们之间是可以互相转换的。

➢ DataFrame 转换为 DataSet

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

scala> val df = sc.makeRDD(List(("zhangsan",30), ("lisi",49))).toDF("name","age")
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

scala> df.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 30|
|    lisi| 49|
+--------+---+

scala> val ds = df.as[User]
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]

scala> ds.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 30|
|    lisi| 49|

➢ DataSet 转换为 DataFrame

scala> val df = ds.toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

scala> df.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 30|
|    lisi| 49|

​​返回顶部​​

7、RDD、DataFrame、DataSet 三者的关系

在 SparkSQL 中 Spark 为我们提供了两个新的抽象，分别是 DataFrame 和 DataSet。他们和 RDD 有什么区别呢？首先从版本的产生上来看：
       ➢ ​​Spark1.0 => RDD​​​
       ➢ ​​Spark1.3 => DataFrame​​​
       ➢ ​​Spark1.6 => Dataset​​

如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。在后期的 Spark 版本中，DataSet 有可能会逐步取代 RDD和 DataFrame 成为唯一的 API 接口。

三者的转换关系：

【回顾】SparkSQL 核心编程_scala_03

7.1 三者的共性

       ➢ RDD、DataFrame、DataSet 全都是 spark 平台下的分布式弹性数据集，为处理超大型数据提供便利;
       ➢ 三者都有​​惰性机制​​，在进行创建、转换，如 map 方法时，不会立即执行，只有在遇到Action 如 foreach 时，三者才会开始遍历运算;
       ➢ 三者有许多共同的函数，如 filter，排序等;
       ➢ 在对DataFrame和Dataset进行操作许多操作都需要这个包:​​import spark.implicits._​​（在创建好 SparkSession 对象后尽量直接导入）
       ➢ 三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出
       ➢ 三者都有 partition 的概念
       ➢ DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型

​​返回顶部​​

7.2 三者的区别

1) RDD
       ➢ RDD 一般和 spark mllib 同时使用
       ➢ RDD 不支持 sparksql 操作

2) DataFrame
       ➢ 与 RDD 和 Dataset 不同，DataFrame 每一行的类型固定为 Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值
       ➢ DataFrame 与 DataSet 一般不与 spark mllib 同时使用
       ➢ DataFrame 与 DataSet 均支持 SparkSQL 的操作，比如 select，groupby 之类，还能注册临时表/视窗，进行 sql 语句操作
       ➢ DataFrame 与 DataSet 支持一些特别方便的保存方式，比如保存成 csv，可以带上表头，这样每一列的字段名一目了然(后面专门讲解)

3) DataSet
       ➢ Dataset 和 DataFrame 拥有完全相同的成员函数，区别只是每一行的数据类型不同。DataFrame 其实就是 DataSet 的一个特例
             ​​type DataFrame = Dataset[Row]​​​
       ➢ DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能
            用上面提到的 getAS 方法或者共性中的第七条提到的模式匹配拿出特定字段。而 Dataset 中，每一行是什么类型是不一定的，在自定
            义了 case class 之后可以很自由的获得每一行的信息

​​返回顶部​​