==> 什么是 Spark SQL?
---> Spark SQL 是 Spark 用来处理结构化数据的一个模块
---> 作用:提供一个编程抽象(DataFrame) 并且作为分布式 SQL 查询引擎
---> 运行原理:将 Spark SQL 转化为 RDD, 然后提交到集群执行
---> 特点:
---- 容易整合
---- 统一的数据访问方式
兼容 Hive
标准的数据连接
==> SparkSession
---> 特点:(2.0引用 SparkSession)
---- 为用户提供一个统一的切入点使用Spark 各项功能
---- 允许用户通过它调用 DataFrame 和 Dataset 相关 API 来编写程序
---- 减少了用户需要了解的一些概念,可以很容易的与 Spark 进行交互
---- 与 Spark 交互之时不需要显示的创建 SparkConf, SparkContext 以及 SQlContext,这些对象已经封闭在 SparkSession 中
==> DataFrames 组织成命名列的数据集,等同于数据库中的表
---> 与 RDD 相比较:
是分布式的 Java 对象 的集合
是分布式 Row 对象的集合
---> 创建 DataFrames
通过 case class 创建 DataFrames
// 定义 case class (相当于表的结构)
case class Emp(Empno:Int, ename:String, job:String, mgr:String, hiredate:String, sal:Int, comm:String, deptno:Int)
// 将 HDFS 上的数据读入 RDD, 并将 RDD 与 case class 关联
val lines = sc.textFile("hdfs://bigdata0:9000/input/emp.csv").map(_.split(","))
val emp = lines.map(x=> Emp(x(0).toInt, x(1), x(2), x(3), x(4), x(5).toInt, x(6), x(7).toInt)) `
// 将RDD 转换成 DataFrames
val empDF = emp.toDF
// 通过 DataFrames 查询数据
empDF.show
通过 SparkSession 创建 DataFrames
// 创建 StructType 来定义结构,注意,需要先导入模块
import org.apache.spark.sql.types._
val myschema = StructType(List(
StructField("empno", DataTypes.IntegerType),
StructField("ename", DataTypes.StringType),
StructField("job", DataTypes.StringType),
StructField("mgr", DataTypes.StringType),
StructField("hiredate", DataTypes.StringType),
StructField("sal", DataTypes.IntegerType),
StructField("comm", DataTypes.StringType),
StructField("deptno", DataTypes.IntegerType)
))
// 读入数据且切分数据
val empcsvRDD = sc.textFile("hdfs://bigdata0:9000/input/emp.csv").map(_.split(","))
// 将 RDD 数据映射成 Row,需要 import org.apache.spark.sql.Row
import org.apache.spark.sql.Row
val rowRDD = empcsvRDD.map(line=> Row(line(0).toInt, line(1), line(2), line(3),line(4), line(5).toInt, line(6), line(7).toInt)
// 创建 DataFrames
val df = spark.createDataFrame(rowRDD, myschema)
// 查看表
df.show
使用 Json 文件来创建 DataFrame
val df = spark.read.json("Json 文件")
// 查看数据
df.show
---> DataFrame 操作 DataFrame 操作也称为无类型的 Dataset操作
查询所有员工姓名
df.select("ename").show
查询所有员工姓名和薪水,并给薪水加 100 元
df.select($"ename", $"sal", $"sal"+ 100).show
查询工资大于2000的员工
df.select($"sal" > 2000).show
求每个部门员工数
df.groupBy($"deptno").count.show
在 DataFrame 中使用 SQL 语句 注: 需要首先将 DataFrame 注册成表(视图)
df.createOrReplaceTempView("emp")
// 执行查询
spark.sql("select * from emp").show
---> 临时视图(2种):
---- 只在当前会话中有效 df.createOrReplaceTempView("emp1")
---- 在全局有效 df.createGlobalTempView("emp2")
==> Datasets
---> 数据的分布式集合
--->特点:
---- Spark1.6中添加的新接口,是DataFrame之上更高一级的抽象
---- 提供了 RDD的优点(强类型化,使用 lambda函数的能力)
---- Spark SQL 优化后的执行引擎
---- 可以从 JVM 对象构造,然后使用函数转换(map, flatMap, filter等)去操作
---- 支持 Scala 和 Java,不支持 Python
---> 创建 DataSet
---- 使用序列
// 定义 case class
case class MyData(a:String, b:String)
// 生成序列并创建 DataSet
val ds = Seq(MyData(1, "Tom"), MyData(2, "Mary")).toDS
// 查看结果
ds.show
---- 使用 Json 数据
// 定义 case class
case class Person(name:String, gender:String)
//通过 Json 数据生成 DataFrame
val df = spark.read.json(sc.parallelize("""{"gender":"Male", "name": "Tom"}""" ::Nil))
// 将 DataFrame 转成 DataSet
df.as[Person].show
df.as[Person].collect
---- 通过使用 DHFS 执行 WordCount 程序
// 读取 HDFS 数据,并创建 DataSet
val linesDS = spark.read.text("hdfs://bigdata0:9000/input/data.txt").as[String]
// 对DataSet 进行操作:分词后, 查询长度大于3 的单词
val words = linesDS.flatMap(_.split(" ")).filter(_.length > 3)
// 查看结果
words.show
words.collect
// 执行wordcount 程序
val result = linesDS.flatMap(_.split(" ").map((_.1)).groupByKey(x=> x._1).count)
result.show
// 排序
result.orderBy($"value").show
==> Datasets 操作
---> joinWith 和 join 的区别是连接后的新 Dataset 的 schema 会不一样
// 使用 emp.json 生成 DataFrame
val empDF = spark.read.json("/root/resources/emp.json")
// 查询工资大于 3000 的员工
empDF.where($"sal" > 3000).show
// 创建 case class
case class Emp(empno:Lone, ename:String, job:String, hiredate:String, mgr:String, sal:Long, comm:String, deptno:Long)
// 生成 DataSets,并查询数据
val empDS = empDF.as[Emp]
// 查询工资大于 3000 的员工
empDS.filter(_.sal > 3000).show
// 查看 10 号部门的员工
empDS.filter(_.deptno == 10)
// 多表查询
// 1.创建部门表
val deptRDD = sc.textFile("/test/dept.csv").map(_.split(","))
case class Dept(deptno:Int, dname:String, loc:String)
val deptDS = deptRDD.map(x=>Dept(x(0).toInt, x(1), x(2))).toDS
// 2.创建员工表
case class Emp(empno:Int, ename:String, job:String, mgr:String, hiredate:String, sal:Int, comm:String, deptno:Int)
val empRDD = sc.textFile("/test/emp.csv").map(_.split(","))
val empDS = empRDD.map(x=> Emp(x(0).toInt, x(1), x(2), x(3), x(4), x(5).toInt, x(6), x(7).toInt))
// 3.执行多表查询: 等值链接
val result = deptDF.join(empDS, "deptno")
// 另一种写法: 注意有三个等号
val result = deptDS.joinWith(empDS, deptDS("deptno") === empDS("deptno"))
// 查看执行计划
result.explain
转载于:https://blog.51cto.com/songqinglong/2083761