大数据之SparkSQL 核心编程 完整使用
- 一、SparkSQL核心编程
- 1、新的起点
- 2、DataFrame
- 3、创建 DataFrame
- 1) 从 Spark 数据源进行创建
- 2) 从 RDD 进行转换
- 3) 从 Hive Table 进行查询返回
- 4、SQL语法
- 1) 读取 JSON 文件创建 DataFrame
- 2) 对 DataFrame 创建一个临时表
- 3) 通过 SQL 语句实现查询全表
- 4) 结果展示
- 5) 对于 DataFrame 创建一个全局表
- 6) 通过 SQL 语句实现查询全表
- 5、DSL 语法
- 1) 创建一个 DataFrame
- 2) 查看 DataFrame 的 Schema 信息
- 3) 只查看"username"列数据,
- 4) 查看"username"列数据以及"age+1"数据
- 5) 查看"age"大于"30"的数据
- 6) 按照"age"分组,查看数据条数
- 6、RDD 转换为 DataFrame
- 7、创建 DataSet
- 1)使用样例类序列创建DataSet
- 2、DataSet和Rdd的转换
- 8、RDD、DataFrame、DataSet 三者的关系
- 1、三者的共性
- 2、三者的区别
- 1) RDD
- 2) DataFrame
- 9、三者的互相转换
- 10、IDEA 开发 SparkSQL
- 1、添加依赖
- 2、代码实现
- 二、用户自定义函数
- 1、UDF
- 1) 创建 DataFrame
- 2、UDAF
- 3、 UDAF函数自定义函数升级
- 3、UDAF函数早期强类型函数实现
- 三、数据的加载和保存
- 1、通用的加载和保存方式
- 1) 加载数据
- 2) 保存数据
- 2、Parquet
- 1) 加载数据
- 2) 保存数据
- 3、JSON
- 1)导入隐式转换
- 2)加载 JSON 文件
- 3)创建临时表
- 4)数据查询
- 4、CSV
- 5、mysql
- 1、POM
- 2、查询代码
- 3、保存代码
- 6、Hive
- 1)内嵌的 HIVE
- 2)外部的 HIVE
- 3)运行 Spark SQL CLI
- 4)运行 Spark beeline
- 6、代码操作 Hive
- 1)导入依赖
- 2)将 hive-site.xml 文件拷贝到项目的 resources 目录中,代码实现
一、SparkSQL核心编程
Spark SQL 所提供的 DataFrame 和 DataSet 模型进行编程.,
以及了解它们之间的关系和转换·关于具体的 SQL 书写不是我们的重点。
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
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。
3、创建 DataFrame
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.
csv format jdbc json load option options orc parquet schema
table text textFile
➢ 在 spark 的 bin/data 目录中创建 user.json 文件
{"username":"zhangsan","age":20}
➢ 读取 json 文件创建 DataFrame
scala> val df = spark.read.json("data/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
2) 从 RDD 进行转换
在后续章节中讨论
3) 从 Hive Table 进行查询返回
在后续章节中讨论
4、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,这种风格的查询必须要
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("data/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")
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|
+---+--------+
5、DSL 语法
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
1) 创建一个 DataFrame
scala> val df = spark.read.json("data/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",$"age" + 1).show
scala> df.select('username, 'age + 1).show()
scala> df.select('username, 'age + 1 as "newage").show()
+--------+---------+
|username|(age + 1)|
+--------+---------+
|zhangsan| 21|
| lisi| 31|
| wangwu| 41|
+--------+---------+
5) 查看"age"大于"30"的数据
scala> df.filter($"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|
+---+-----+
| 20| 1|
| 30| 1|
| 40| 1|
+---+-----+ 2.2.4 RDD 转换
6、RDD 转换为 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 rdd = sc.makeRDD(List(1,2,3,4))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[38] at makeRDD at <console>:24
实际开发中,一般通过样例类将 RDD 转换为 DataFrame
scala> val df =rdd.toDF("id")
df: org.apache.spark.sql.DataFrame = [id: int]
scala> df.show
+---+
| id|
+---+
| 1|
| 2|
| 3|
| 4|
+---+
实际开发中,一般通过样例类将 DataFrame 转换为 RDD
scala> df.rdd
res25: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[49] at rdd at <console>:26
7、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 list = List(Person("zhangsan",30),Person("gsan",20))
list: List[Person] = List(Person(zhangsan,30), Person(gsan,20))
scala> val ds = list.toDS
ds: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]
scala> ds.show
+--------+---+
| name|age|
+--------+---+
|zhangsan| 30|
| gsan| 20|
+--------+---+
缺类型
scala> case class Emp(name:String,age:Long)
defined class Emp
scala> val d = ds.as[Emp]
d: org.apache.spark.sql.Dataset[Emp] = [name: string, age: bigint]
scala> d.show
+--------+---+
| name|age|
+--------+---+
|zhangsan| 30|
| gsan| 20|
+--------+---+
带数据结构变成DataFrame
只要需要把类型去掉、保存结构
scala> d.toDF
res39: org.apache.spark.sql.DataFrame = [name: string, age: bigint]
2、DataSet和Rdd的转换
scala> val rdd = sc.makeRDD(List(Emp("zhnagsan",20),Emp("lisi",40)))
rdd: org.apache.spark.rdd.RDD[Emp] = ParallelCollectionRDD[59] at makeRDD at <console>:26
RDD转换DataSet
scala> val ds = rdd.toDS
ds: org.apache.spark.sql.Dataset[Emp] = [name: string, age: bigint]
DataSet转换RDD
scala> ds.rdd
res49: org.apache.spark.rdd.RDD[Emp] = MapPartitionsRDD[62] at rdd at <console>:26
8、RDD、DataFrame、DataSet 三者的关系
在SparkSQL中Spark提供了两个抽象、分别是DataFrame和DataSet,他们和RDD有什么区别
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。
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
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)
- 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
9、三者的互相转换
10、IDEA 开发 SparkSQL
1、添加依赖
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.12</artifactId>
<version>3.0.0</version>
</dependency>
2、代码实现
相互转换
package com.spack.bigdata.sql
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}
object Spark01_SparkSQL_Basic {
def main(args: Array[String]): Unit = {
//1、创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
import spark.implicits._
//执行逻辑操作
//DataFrame
//val df: DataFrame = spark.read.json("datas/user.json")
//df.show()
//DataFrame <=> (SQL)
//println(".........DataFrame <=> (SQL)..............")
//df.createOrReplaceTempView("user")
//spark.sql("select * from user").show()
//DataFrame <=> (DSL)
//在使用DataFrame时、如果涉及到转换操作、需要引入转换规则
// import spark.implicits._
//println(".........DataFrame <=> (DSL)..............")
//df.select("username", "age").show()
//df.select($"age" + 1).show()
//df.select('age + 1).show()
// TODO DataSet
//DataFrame 其实就是特定泛型的DataSet
//println(".........TODO DataSet..............")
//val seq = Seq(1, 2, 3, 4)
//val ds: Dataset[Int] = seq.toDS()
//ds.show()
//RDD <=> DataFrame
val rdd = spark.sparkContext.makeRDD(List((1, "zhangsan", 30), (2, "wangwu", 20), (3, "lisi", 10)))
val df: DataFrame = rdd.toDF("id", "name", "age")
//TODO DataFrame <=> RDD
val rowRDD: RDD[Row] = df.rdd
// DataFrame <=> DataSet
val ds: Dataset[User] = df.as[User]
ds.show()
//如果 想从DataSet 转换 DataFrame
val df1: DataFrame = ds.toDF()
//RDD <=> DataSet
val ds1: Dataset[User] = rdd.map {
case (id, name, age) => {
User(id, name, age)
}
}.toDS()
ds1.show()
//DataSet <=> RDD
val userRDD: RDD[User] = ds1.rdd
//关闭环境
spark.close()
}
case class User(id: Int, name: String, age: Int)
}
二、用户自定义函数
用户可以通过 spark.udf 功能添加自定义函数,实现自定义功能
1、UDF
1) 创建 DataFrame
package com.spack.bigdata.sql
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}
/**
* UDF函数
* Spark02_SparkSQL_UDF
*/
object Spark02_SparkSQL_UDF {
def main(args: Array[String]): Unit = {
//1、创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
import spark.implicits._
//执行逻辑操作
val df = spark.read.json("datas/user.json")
//创建临时表
df.createOrReplaceTempView("user")
//自定义UDF函数
spark.udf.register("prefixName", (name: String) => {
"Name:" + name
})
//应用 UDF
spark.sql("select age,prefixName(username) from user").show()
//关闭环境
spark.close()
}
case class User(id: Int, name: String, age: Int)
}
2、UDAF
UserDefinedAggregateFunction
package com.spack.bigdata.sql
import org.apache.spark.SparkConf
import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types.{DataType, LongType, StructField, StructType}
/**
* UDAF函数
* Spark03_SparkSQL_UDAF
*/
object Spark03_SparkSQL_UDAF {
def main(args: Array[String]): Unit = {
//1、创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
//执行逻辑操作
val df = spark.read.json("datas/user.json")
//创建临时表
df.createOrReplaceTempView("user")
//自定义UDF函数
spark.udf.register("ageAvg", new MyAvgUDAF)
//应用 UDF
spark.sql("select ageAvg(age) from user").show()
//关闭环境
spark.close()
}
/**
* 自定义聚合类:计算年龄的平均值
* 1、继承UserDefinedAggregateFunction
* 2、重写方法
*/
class MyAvgUDAF extends UserDefinedAggregateFunction {
//输入数据的结构
override def inputSchema: StructType = {
StructType(
Array(
StructField("age", LongType)
)
)
}
//缓冲区数据的结构 :Buffer
override def bufferSchema: StructType = {
StructType(
Array(
StructField("total", LongType),
StructField("count", LongType)
)
)
}
//函数计算结果的数据类型:Out
override def dataType: DataType = LongType
//函数的稳定性
override def deterministic: Boolean = true
//缓冲区初始化
override def initialize(buffer: MutableAggregationBuffer): Unit = {
// buffer(0) = 0L
// buffer(1) = 0L
buffer.update(0, 0L) //代表结构里面第一个数据
buffer.update(1, 0L)
}
//根据输入的值更新缓冲区数据
override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
buffer.update(0, buffer.getLong(0) + input.getLong(0)) //年龄的总和
buffer.update(1, buffer.getLong(1) + 1) //代表数量
}
//缓冲区合并
override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
buffer1.update(0, buffer1.getLong(0) + buffer2.getLong(0))
buffer1.update(1, buffer1.getLong(1) + buffer2.getLong(1))
}
//计算平均值
override def evaluate(buffer: Row): Any = {
buffer.getLong(0) / buffer.getLong(1)
}
}
}
3、 UDAF函数自定义函数升级
package com.spack.bigdata.sql
import com.spack.bigdata.sql.Spark03_SparkSQL_UDAF3.{Buff, MyAvgAgeUDAF}
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql._
/**
* UDAF函数
* 自定义函数升级
* 171
*/
object Spark03_SparkSQL_UDAF1 {
def main(args: Array[String]): Unit = {
//1、创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
//执行逻辑操作
val df = spark.read.json("datas/user.json")
df.createOrReplaceTempView("user")
// TODO 注册到 SparkSQL 中 // TODO 创建 UDAF 函数
spark.udf.register("avgAge", functions.udaf(new MyAvgAgeUDAF))
// TODO 在 SQL 中使用聚合函数
// 定义用户的自定义聚合函数
spark.sql("select avgAge(age) from user").show
//关闭环境
spark.close()
}
/**
* 自定义聚合类:计算年龄的平均值
* 1、继承Aggregator 定义泛型
* IN: 输入的数据类型Long
* BUF: 缓冲区的数据类型 Buff
* OUT: 输出的数据类型Long
*
* 2、重写方法
*/
case class Buff(var total: Long, var count: Long)
//TODO 强类型
class MyAvgAgeUDAF extends Aggregator[Long, Buff, Long] {
//z &zero :初始化或零值
//缓冲区的初始化
override def zero: Buff = {
Buff(0, 0)
}
//根据输入的数据更新缓冲区的数据
override def reduce(buff: Buff, in: Long): Buff = {
buff.total = buff.total + in
buff.count = buff.count + 1
buff
}
//合并缓冲区
override def merge(buff1: Buff, buff2: Buff): Buff = {
buff1.total = buff1.total + buff2.total
buff1.count = buff1.count + buff2.count
buff1
}
//计算结果
override def finish(buff: Buff): Long = {
buff.total / buff.count
}
override def bufferEncoder: Encoder[Buff] = Encoders.product
override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}
}
3、UDAF函数早期强类型函数实现
package com.spack.bigdata.sql
import com.spack.bigdata.sql.Spark03_SparkSQL_UDAF1.Buff
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{Dataset, Encoder, Encoders, SparkSession, TypedColumn}
/**
* UDAF函数
* 早期强类型函数实现
* 172
*/
object Spark03_SparkSQL_UDAF2 {
def main(args: Array[String]): Unit = {
//1、创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
//执行逻辑操作
val df = spark.read.json("datas/user.json")
//早期版本种,Spark不能在SQL中使用强类型UDAF操作
// SQL & DSL
//早期的UDAF 强类型聚合函数使用DSL语法操作
import spark.implicits._
val ds: Dataset[User] = df.as[User]
val udafCol: TypedColumn[User, Long] = new MyAvgAgeUDAF().toColumn
ds.select(udafCol).show
//关闭环境
spark.close()
}
/**
* 自定义聚合类:计算年龄的平均值
* 1、继承Aggregator 定义泛型
* IN: 输入的数据类型User
* BUF: 缓冲区的数据类型 Buff
* OUT: 输出的数据类型Long
*
* 2、重写方法
*/
case class User(username: String, age: Long)
case class Buff(var total: Long, var count: Long)
//TODO 强类型
class MyAvgAgeUDAF extends Aggregator[User, Buff, Long] {
//z &zero :初始化或零值
//缓冲区的初始化
override def zero: Buff = {
Buff(0, 0)
}
//根据输入的数据更新缓冲区的数据
override def reduce(buff: Buff, in: User): Buff = {
buff.total = buff.total + in.age
buff.count = buff.count + 1
buff
}
//合并缓冲区
override def merge(buff1: Buff, buff2: Buff): Buff = {
buff1.total = buff1.total + buff2.total
buff1.count = buff1.count + buff2.count
buff1
}
//计算结果
override def finish(buff: Buff): Long = {
buff.total / buff.count
}
override def bufferEncoder: Encoder[Buff] = Encoders.product
override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}
}
三、数据的加载和保存
1、通用的加载和保存方式
SparkSQL 提供了通用的保存数据和数据加载的方式。这里的通用指的是使用相同的
API,根据不同的参数读取和保存不同格式的数据,SparkSQL 默认读取和保存的文件格式
为 parquet
1) 加载数据
spark.read.load 是加载数据的通用方法
scala> spark.read.
csv format jdbc json load option options orc parquet schema
table text textFile
如果读取不同格式的数据,可以对不同的数据格式进行设定
scala> spark.read.format("…")[.option("…")].load("…")
➢ format("…"):指定加载的数据类型,包括"csv"、"jdbc"、"json"、"orc"、"parquet"和
"textFile"。
➢ load("…"):在"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"格式下需要传入加载
数据的路径。
➢ option("…"):在"jdbc"格式下需要传入 JDBC 相应参数,url、user、password 和 dbtable
我们前面都是使用 read API 先把文件加载到 DataFrame 然后再查询,其实,我们也可以直
接在文件上进行查询: 文件格式.`文件路径`
scala>spark.sql("select * from json.`/opt/module/data/user.json`").show
2) 保存数据
df.write.save 是保存数据的通用方法
scala>df.write.
csv jdbc json orc parquet textFile… …
scala>df.write.format("…")[.option("…")].save("…")
➢ format("…"):指定保存的数据类型,包括"csv"、"jdbc"、"json"、"orc"、"parquet"和
"textFile"。
➢ save ("…"):在"csv"、"orc"、"parquet"和"textFile"格式下需要传入保存数据的路径。
➢ option("…"):在"jdbc"格式下需要传入 JDBC 相应参数,url、user、password 和 dbtable
保存操作可以使用 SaveMode, 用来指明如何处理数据,使用 mode()方法来设置。
有一点很重要: 这些 SaveMode 都是没有加锁的, 也不是原子操作。
SaveMode 是一个枚举类,其中的常量包括:
df.write.mode("append").json("/opt/module/data/output")
2、Parquet
Spark SQL 的默认数据源为 Parquet 格式。Parquet 是一种能够有效存储嵌套数据的列式 存储格式。
数据源为 Parquet 文件时,Spark SQL 可以方便的执行所有的操作,不需要使用 format。修改配置项
spark.sql.sources.default,
可修改默认数据源格式。
1) 加载数据
scala> val df = spark.read.load("examples/src/main/resources/users.parquet")
scala> df.show
2) 保存数据
scala> var df = spark.read.json("/opt/module/data/input/people.json")
//保存为 parquet 格式
scala> df.write.mode("append").save("/opt/module/data/output")
3、JSON
Spark SQL 能够自动推测 JSON 数据集的结构,并将它加载为一个 Dataset[Row]. 可以
通过 SparkSession.read.json()去加载 JSON 文件
·注意:Spark 读取的 JSON 文件不是传统的 JSON 文件,每一行都应该是一个 JSON 串。格 式如下·
{"name":"Michael"}
{"name":"Andy", "age":30}
[{"name":"Justin", "age":19},{"name":"Justin", "age":19}]
1)导入隐式转换
import spark.implicits._
2)加载 JSON 文件
val path = "/opt/module/spark-local/people.json"
val peopleDF = spark.read.json(path)
3)创建临时表
peopleDF.createOrReplaceTempView("people")
4)数据查询
val teenagerNamesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13
AND 19")
teenagerNamesDF.show()
+------+
| name|
+------+
|Justin|
+------+
4、CSV
Spark SQL 可以配置 CSV 文件的列表信息,读取 CSV 文件,CSV 文件的第一行设置为
数据列
scala> val df = spark.read.format("csv").option("sep",";").option("inferSchema","true").option("header","true").load("pe
ople.csv")
df: org.apache.spark.sql.DataFrame = [name: string, age: int ... 1 more field]
scala> df.show
+-----+---+---------+
| name|age| job|
+-----+---+---------+
|Jorge| 30|Developer|
| Bob| 32|Developer|
+-----+---+---------+
scala>
5、mysql
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。如果使用 spark-shell 操
作,可在启动 shell 时指定相关的数据库驱动路径或者将相关的数据库驱动放到 spark 的类
路径下
1、POM
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.27</version>
</dependency>
2、查询代码
object Spark04_SparkSQL_JDBC {
def main(args: Array[String]): Unit = {
//1、创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
//执行逻辑操作
val df = spark.read
.format("jdbc")
.option("url", HttpUtils.url1)
.option("driver", "com.mysql.jdbc.Driver")
.option("user", "root")
.option("password", HttpUtils.pawd)
.option("dbtable", "api_order")
.load()
df.show
}
}
3、保存代码
//保存数据
object Spark04_SparkSQL_JDBC {
def main(args: Array[String]): Unit = {
//1、创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()
//执行逻辑操作
df.write
.format("jdbc")
.option("url", HttpUtils.url1)
.option("driver", "com.mysql.jdbc.Driver")
.option("user", "root")
.option("password", HttpUtils.pawd)
.option("dbtable", "api_order1") //类似创建个新表
//保存模式涉及出错的问题
.mode(SaveMode.Append)
.save()
}
}
6、Hive
Apache Hive 是 Hadoop 上的 SQL 引擎,Spark SQL 编译时可以包含 Hive 支持,也可以不包含。包含 Hive 支持的 Spark SQL 可以支持 Hive 表访问、UDF (用户自定义函数)以及 Hive 查询语言(HiveQL/HQL)等。需要强调的一点是,如果要在 Spark SQL 中包含Hive 的库,并不需要事先安装 Hive。一般来说,最好还是在编译 Spark SQL 时引入 Hive支持,这样就可以使用这些特性了。如果你下载的是二进制版本的 Spark,它应该已经在编译时添加了 Hive 支持。
若要把 Spark SQL 连接到一个部署好的 Hive 上,你必须把 hive-site.xml 复制到
Spark 的配置文件目录中($SPARK_HOME/conf)。即使没有部署好 Hive,Spark SQL 也可以
运行。 需要注意的是,如果你没有部署好 Hive,Spark SQL 会在当前的工作目录中创建出
自己的 Hive 元数据仓库,叫作 metastore_db。此外,如果你尝试使用 HiveQL 中的
CREATE TABLE (并非 CREATE EXTERNAL TABLE)语句来创建表,这些表会被放在你默
认的文件系统中的 /user/hive/warehouse 目录中(如果你的 classpath 中有配好的
hdfs-site.xml,默认的文件系统就是 HDFS,否则就是本地文件系统)。spark-shell 默认是 Hive 支持的;代码中是默认不支持的,需要手动指定(加一个参数即可)。
1)内嵌的 HIVE
如果使用 Spark 内嵌的 Hive, 则什么都不用做, 直接使用即可.
Hive 的元数据存储在 derby 中, 默认仓库地址:$SPARK_HOME/spark-warehouse
scala> spark.sql("show tables").show
。。。
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+ +--------+---------+-----------+
scala> spark.sql("create table aa(id int)")
。。。
scala> spark.sql("show tables").show
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
| default| aa| false|
+--------+---------+-----------+
向表加载本地数据
scala> spark.sql("load data local inpath 'input/ids.txt' into table aa")
。。。
scala> spark.sql("select * from aa").show
+---+
| id|
+---+
| 1|
| 2|
| 3|
| 4|
+---+
**在实际使用中, 几乎没有任何人会使用内置的 Hive**
2)外部的 HIVE
如果想连接外部已经部署好的 Hive,需要通过以下几个步骤:
➢ Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下
➢ 把 Mysql 的驱动 copy 到 jars/目录下
➢ 如果访问不到 hdfs,则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下
➢ 重启 spark-shell
scala> spark.sql("show tables").show
22/07/25 21:05:14 WARN ObjectStore: Failed to get database global_temp, returning
NoSuchObjectException
+--------+--------------------+-----------+
|database| tableName|isTemporary|
+--------+--------------------+-----------+
| default| emp| false|
| default|hive_hbase_emp_table| false|
| default| relevance_hbase_emp| false|
| default| staff_hive| false|
| default| ttt| false|
| default| user_visit_action| false|
+--------+--------------------+-----------+
3)运行 Spark SQL CLI
Spark SQL CLI 可以很方便的在本地运行 Hive 元数据服务以及从命令行执行查询任务。在
Spark 目录下执行如下命令启动 Spark SQL CLI,直接执行 SQL 语句,类似一 Hive 窗口
bin/spark-sql
4)运行 Spark beeline
Spark Thrift Server 是 Spark 社区基于 HiveServer2 实现的一个 Thrift 服务。旨在无缝兼容
HiveServer2。因为 Spark Thrift Server 的接口和协议都和 HiveServer2 完全一致,因此我们部
署好 Spark Thrift Server 后,可以直接使用 hive 的 beeline 访问 Spark Thrift Server 执行相关
语句。Spark Thrift Server 的目的也只是取代 HiveServer2,因此它依旧可以和 Hive Metastore
进行交互,获取到 hive 的元数据。
如果想连接 Thrift Server,需要通过以下几个步骤: ➢ Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下
➢ 把 Mysql 的驱动 copy 到 jars/目录下
➢ 如果访问不到 hdfs,则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下
➢ 启动 Thrift Server
sbin/start-thriftserver.sh
➢ 使用 beeline 连接 Thrift Server
[atguigu@hadoop102 spark-local]$ bin/beeline -u jdbc:hive2://hadoop102:10000 -n root
log4j:WARN No appenders could be found for logger (org.apache.hadoop.util.Shell).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
Connecting to jdbc:hive2://hadoop102:10000
Connected to: Spark SQL (version 3.0.0)
Driver: Hive JDBC (version 2.3.7)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 2.3.7 by Apache Hive
0: jdbc:hive2://hadoop102:10000> show tables;
+-----------+-------------------------+--------------+
| database | tableName | isTemporary |
+-----------+-------------------------+--------------+
| default | bigtable | false |
| default | bigtable2 | false |
| default | bigtable_buck1 | false |
| default | bigtable_buck2 | false |
| default | business | false |
| default | dept | false |
| default | dept_no_par2 | false |
| default | dept_partition | false |
| default | dept_partition2 | false |
| default | dept_partition_all | false |
| default | dept_partition_dy | false |
| default | emp | false |
| default | emp_sex | false |
| default | gulivideo_orc | false |
| default | gulivideo_orc_category | false |
| default | gulivideo_ori | false |
| default | gulivideo_user_orc | false |
| default | gulivideo_user_ori | false |
| default | hive_hbase_emp_table | false |
| default | input | false |
| default | jointable | false |
| default | location | false |
| default | log_orc | false |
| default | log_orc_snappy | false |
| default | log_orc_zlib | false |
| default | log_parquet | false |
| default | log_parquet_snappy | false |
| default | log_text | false |
| default | movie_info | false |
| default | nullidtable | false |
| default | person_info | false |
| default | score | false |
| default | smalltable | false |
| default | staff | false |
| default | staff_hive | false |
| default | stu_buck | false |
| default | student | false |
| default | student1 | false |
| default | student3 | false |
| default | student5 | false |
| default | student6 | false |
| default | student8 | false |
| default | test | false |
| default | test1 | false |
| default | test3 | false |
| default | test4 | false |
| default | test5 | false |
| default | test6 | false |
| default | test7 | false |
| default | test8 | false |
| default | udtf2 | false |
+-----------+-------------------------+--------------+
51 rows selected (0.405 seconds)
0: jdbc:hive2://hadoop102:10000> show databases;
+------------+
| namespace |
+------------+
| default |
| hive |
| hxx1 |
| hxx2 |
| hxx3 |
| hxx_1 |
| hxx_2 |
+------------+
7 rows selected (0.111 seconds)
6、代码操作 Hive
1)导入依赖
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>1.2.1</version>
</dependency>
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.27</version>
</dependency>
2)将 hive-site.xml 文件拷贝到项目的 resources 目录中,代码实现
//创建 SparkSession
val spark: SparkSession = SparkSession
.builder()
.enableHiveSupport()
.master("local[*]")
.appName("sql")
.getOrCreate()
注意:在开发工具中创建数据库默认是在本地仓库,通过参数修改数据库仓库的地址:
config(“spark.sql.warehouse.dir”, “hdfs://linux1:8020/user/hive/warehouse”)
如果在执行操作时,出现如下错误:
可以代码最前面增加如下代码解决:
System.setProperty("HADOOP_USER_NAME", "root")
此处的 root 改为你们自己的 hadoop 用户名称
代码
package com.spack.bigdata.sql
import org.apache.spark.SparkConf
import org.apache.spark.sql._
/**
*
* 连接外部SQL
*
*/
object Spark05_SparkSQL_Hive {
def main(args: Array[String]): Unit = {
//1、创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
//enableHiveSupport 启用HIVE
val spark = SparkSession.builder().enableHiveSupport().config(sparkConf).getOrCreate()
//使用SparkSQL 连接外置的Hive
//1、考贝Hive-Size.xml文件到ClassPath下
//2、启用Hive的支持
//3、增加对应的依赖关系(包含MySQL驱动)
spark.sql("show tables").show()
//TODO关闭环境
spark.close()
}
}