本文的开头，咱们正式给该系列取个名字了，就叫数据分析EPHS系列，EPHS分别是Excel、Python、Hive和SparkSQL的简称。本篇是该系列的第二篇，我们来讲一讲SparkSQL中DataFrame创建的相关知识。

说到DataFrame，你一定会联想到Python Pandas中的DataFrame，你别说，还真有点相似。这个在后面的文章中咱们在慢慢体会，本文咱们先来学习一下如何创建一个DataFrame对象。通体来说有三种方法，分别是使用toDF方法，使用createDataFrame方法和通过读文件的直接创建DataFrame。

本文中所使用的都是scala语言，对此感兴趣的同学可以看一下网上的教程，不过挺简单的，慢慢熟悉就好：https://www.runoob.com/scala/scala-tutorial.html

DataFrame(以下简称DF)的生成方式有很多,我们一一道来，不过在生成之前，我们首先要创建一个SparkSession：

val spark = SparkSession
      .builder()
      .appName("Spark SQL basic example")
      .enableHiveSupport()
      .getOrCreate()

1、使用toDF方法创建DataFrame对象

使用toDF方法，我们可以将本地序列(Seq), 列表或者RDD转为DataFrame。只要这些数据的内容能指定数据类型即可。

这里先讲一下什么是本地序列(Seq)，Seq对应于Java中的java.util.List，可以参考：。

比如，我们可以将如下的Seq转换为DF：

def createDFByToDF(spark:SparkSession) = {

模型输出为：

java 类中大括号是啥_sql

这里注意两点咱们再继续讲：

1)先导入spark.implicits._

import

在对 DataFrame 进行许多操作都需要这个包进行支持。这是scala中隐式语法，感兴趣的同学可以参考：，如果比较难理解的话，那就记得每次都导入这个就好了，或者一旦发现代码中有如下的红色错误的话，首先想到导入这个包：

java 类中大括号是啥_sql_02

2)run的时候还是要指定master url，否则报错：

java 类中大括号是啥_hive_03

这里还是要指定运行的参数：

java 类中大括号是啥_sql_04

好了，继续往下讲。同样，我们可以将一个RDD转化为DF：

1,

结果如下：

java 类中大括号是啥_spark_05

最后，我们还可以将一个Scala的列表转化为DF：

List((

输出为：

java 类中大括号是啥_json最后一个大括号出错_06

2、使用createDataFrame方法创建DataFrame对象

这一种方法比较繁琐，通过row+schema创建DataFrame：

def createDFBySchema(spark:SparkSession) = {

输出为：

java 类中大括号是啥_sql_07

由于比较繁琐，所以感觉实际工作中基本没有用到过，大家了解一下就好。

3、通过文件直接创建DataFrame对象

我们介绍几种常见的通过文件创建DataFrame。包括通过JSON、CSV文件、MySQl和Hive表。

3.1 通过JSON创建

假设我们的JSON文件内容如下：

java 类中大括号是啥_spark_08

通过其创建DataFrame代码如下：

def createDFByJson(spark:SparkSession) = {

结果为：

java 类中大括号是啥_java 类中大括号是啥_09

3.2 通过CSV文件创建

这里，首先需要导入一个包，可以在：https://www.mvnjar.com/com.databricks/spark-csv_2.11/1.5.0/detail.html 进行下载。下载完成后导入：

java 类中大括号是啥_sql_10

随后，我们准备一份鸢尾花的数据集：

java 类中大括号是啥_sql_11

通过代码进行读入：

def createDFByCSV(spark:SparkSession) = {

结果如下：

java 类中大括号是啥_spark_12

3.3 通过Mysql创建

咱们先简单的创建一个数据表：

java 类中大括号是啥_json最后一个大括号出错_13

建表语句如下：

`runoob_tbl`(

插入语句如下：

insert into runoob_tbl(runoob_id,runoob_title,runoob_author) values(10,'hhaha','ac');

接下来通过spark进行读取：

def createDFByMysql(spark:SparkSession) = {

读取成功，结果如下：

java 类中大括号是啥_spark_14

3.4 通过Hive创建

这是咱们最常用的方式了，假设咱们已经把鸢尾花数据导入到hive中了：

"com.databricks.spark.csv")

先在hive下查看数据：

java 类中大括号是啥_hive_15

接下来，在spark中同样写sql就好了：

val df = spark.sql(
"""
        |select
        | *
        |from
        | iris
        |limit
        | 10
      """.stripMargin)

    df.show()

成功！

java 类中大括号是啥_json最后一个大括号出错_16

4、总结

今天咱们总结了一下创建Spark的DataFrame的几种方式，在实际的工作中，大概最为常用的就是从Hive中读取数据，其次就可能是把RDD通过toDF的方法转换为DataFrame。

spark.sql()函数中的sql语句，大部分时候是和hive sql一致的，但在工作中也发现过一些不同的地方，比如解析json类型的字段，hive中可以解析层级的json，但是spark的话只能解析一级的json(这是我在工作中的发现，也可能不太对，大家可以自己尝试一下)。

这些我们在后面会继续讲到。后面的话，咱们先介绍一点hive的基础知识，如数据类型和常用的函数等等。期待一下吧。