Spark SQL and DataFrame
1.为什么要用Spark Sql
原来我们使用Hive,是将Hive Sql 转换成Map Reduce 然后提交到集群上去执行,大大简化了编写MapReduce的程序的复杂性,由于MapReduce这种计算模型执行效率比较慢,所以Spark Sql的应运而生,它是将SparkSql转换成RDD,然后提交到集群执行,执行效率非常的快。
Spark Sql的有点:1、易整合 2、统一的数据访问方式 3、兼容Hvie 4、标准的数据连接
2、DataFrames
什么是DataFrames?
与RDD类似,DataFrames也是一个分布式数据容器,然而DataFrame更像是传统数据库的二维表格,除了数据以外,还记录数据的结构信息,即schema。同时,与Hive类似,DataFrame与支持嵌套数据类型(struct、array和map)。从API的易用性上看,DataFrame API提供的是一套高层的关系操作,比函数式的RDD API要更加友好,门槛更低。由于与R和Pandas的DataFrame类似,Spark DataFrame很好地继承了传统单机数据分析的开发体验。
创建DataFrames
在Spark SQL中SQLContext是创建DataFrames和执行SQL的入口,在spark-1。5.2中已经内置了一个sqlContext。
1.在本地创建一个文件,有三列,分别是id、name、age,用空格分隔,然后上传到hdfs上
hdfs dfs -put person.txt /
2.在spark shell执行下面命令,读取数据,将每一行的数据使用列分隔符分割
val lineRDD = sc.textFile("hdfs://hadoop01:9000/person.txt").map(_.split(" "))
3.定义case class(相当于表的schema)
case class Person(id:Int, name:String, age:Int)
4.将RDD和case class关联
val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
5.将RDD转换成DataFrame
val personDF = personRDD.toDF
6.对DataFrame进行处理
personDF.show
代码:
object SparkSqlTest {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("SQL-1")
val sc = new SparkContext(conf)
fun1(sc)
}
//定义case class 相当于表的schema
case class Person(id:Int,name:String,age:Int)
def fun1(sc:SparkContext): Unit ={
val sqlContext = new SQLContext(sc)
// 位置一般情况下是换成HDFS文件路径
val lineRdd = sc.textFile("D:\\data\\person.txt").map(_.split(" "))
val personRdd = lineRdd.map(x=>Person(x(0).toInt,x(1),x(2).toInt))
import sqlContext.implicits._
val personDF = personRdd.toDF
//注册表
personDF.registerTempTable("person_df")
//传入sql
val df = sqlContext.sql("select * from person_df order by age desc")
//将结果以JSON的方式存储到指定位置
df.write.json("D:\\data\\personOut")
sc.stop()
}
DataFrame 常用操作
DSL风格语法(个人理解短小精悍的含义)
// 查看DataFrame部分列中的内容
df.select(personDF.col("name")).show()
df.select(col = "age").show()
df.select("id").show()
// 打印DataFrame的Schema信息
df.printSchema()
//查询所有的name 和 age ,并将 age+2
df.select(df("id"),df("name"),df("age")+2).show()
//查询所有年龄大于20的
df.filter(df("age")>20).show()
// 按年龄分组并统计相同年龄人数
df.groupBy("age").count().show()
SQL风格语法(前提:需要将DataFrame注册成表)
//注册成表
personDF.registerTempTable("person_df")
// 查询年龄最大的两位 并用对象接接收
val persons = sqlContext.sql("select * from person_df order by age desc limit 2")
persons.foreach(x=>print(x(0),x(1),x(2)))
通过StructType直接指定Schema
/*通过StructType直接指定Schema*/
def fun2(sc: SparkContext): Unit = {
val sqlContext = new SQLContext(sc)
val personRDD = sc.textFile("D:\\data\\person.txt").map(_.split(" "))
// 通过StructType直接指定每个字段的Schema
val schema = StructType(List(StructField("id", IntegerType, true), StructField("name", StringType, true), StructField("age", IntegerType)))
//将rdd映射到RowRDD
val rowRdd = personRDD.map(x=>Row(x(0).toInt,x(1).trim,x(2).toInt))
//将schema信息应用到rowRdd上
val dataFrame = sqlContext.createDataFrame(rowRdd,schema)
//注册
dataFrame.registerTempTable("person_struct")
sqlContext.sql("select * from person_struct").show()
sc.stop()
}
连接数据源
/*连接mysql数据源*/
def fun3(sc:SparkContext): Unit ={
val sqlContext = new SQLContext(sc)
val jdbcDF = sqlContext.read.format("jdbc").options(Map("url"->"jdbc:mysql://192.168.180.100:3306/bigdata","driver"->"com.mysql.jdbc.Driver","dbtable"->"person","user"->"root","password"->"123456")).load()
jdbcDF.show()
sc.stop()
}
再回写到数据库中
// 写入数据库
val personTextRdd = sc.textFile("D:\\data\\person.txt").map(_.split(" ")).map(x=>Row(x(0).toInt,x(1),x(2).toInt))
val schema = StructType(List(StructField("id", IntegerType), StructField("name", StringType), StructField("age", IntegerType)))
val personDataFrame = sqlContext.createDataFrame(personTextRdd,schema)
val prop = new Properties()
prop.put("user","root")
prop.put("password","123456")
//写入数据库
personDataFrame.write.mode("append").jdbc("jdbc:mysql://192.168.180.100:3306/bigdata","bigdata.person",prop)
sc.stop()