sparkSQL入门--1.x和2.x编程的区别

SparkSQL

1.什么是sparkSQL
Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。
2.特点：
易整合，统一的数据访问方式，兼容hive，标准的数据连接

DataFrame

与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像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也支持嵌套数据类型（struct、array和map）。从API易用性的角度上 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。

DataFrame=RDD+schema

当我们创建了一个DataFrame后，就可以使用SQL语句或者DSL两种方式进行编程了。

创建DataFrame的过程：
1.创建一个普通的RDD
2.定义Schema
3.将RDD与schema关联

SparkSQL 1.X编程

1.通过反射推断schema

1.创建SparkContext
2.创建SQLContext
3.创建RDD
4.创建一个类，并定义类的成员变量
5.整理数据并关联 case class,将非结构化的数据转换成结构化数据
6.将RDD转换成DataFrame（导入隐式转换）
7.将DataFrame注册成临时表
8.书写SQL（Transformation，lazy，如果一条SQL语句不行，就执行完一条SQL语句后，再注册成临时表，然后再写一条SQL））
9.执行Action

package XXX

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}

object SQLDemo1Again {
  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setAppName("SQLDemo1Again").setMaster("local[4]")

    val sc = new SparkContext(conf)

    //强化SparkContext，使他能够创建DataFrame
    val sqlContext = new SQLContext(sc)

    //读取数据
    val lines: RDD[String] = sc.textFile("hdfs或本地文件系统")

    //整理数据
    val girlRDD: RDD[Girl] = lines.map(line => {
      val fields = line.split(",")
      val id = fields(0).toLong
      val name = fields(1)
      val age = fields(2).toInt
      val fv = fields(3).toDouble
      Girl(id, name, age, fv)
    })

    //将girlRDD转换成DataFrame
    import sqlContext.implicits._
    val df: DataFrame = girlRDD.toDF()

    //书写sql语句，进行排序
    //使用SQL API，要先将DataFrame注册成临时表
    df.registerTempTable("t_girl")

    //书写SQL语句
    val sorted: DataFrame = sqlContext.sql("SELECT * FROM t_girl ORDER BY fv DESC,age ASC")

    //展示结果
    sorted.show()

    //释放资源
    sc.stop()

  }

}

case class Girl(id:Long,name:String,age:Int,fv:Double)

2.通过StructType直接指定Schema

1.创建SparkContext
2.创建SQLContext
3.创建RDD
4.创建StructType（schema）
5.整理数据将数据跟Row关联
6.通过rowRDD和schema创建DataFrame
7.将DataFrame注册成临时表
8.书写SQL（Transformation）
9.执行Action

package XXX

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.types._
import org.apache.spark.sql.{DataFrame, Row, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}

object SQLDemo2Again {
  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setAppName("SQLDemo2Again").setMaster("local[4]")

    val sc = new SparkContext(conf)

    //强化SparkContext，使他能够创建DataFrame
    val sqlContext = new SQLContext(sc)

    //读取数据
    val lines: RDD[String] = sc.textFile("hdfs或本地文件系统")

    //整理数据
    val rowRDD1: RDD[Row] = lines.map(line => {
      val fields = line.split(",")
      val id = fields(0).toLong
      val name = fields(1)
      val age = fields(2).toInt
      val fv = fields(3).toDouble
      Row(id, name, age, fv)
    })

    //创建StructType,就是schema信息，表头
    val schema1: StructType = StructType(List(
      StructField("id", LongType, true),
      StructField("name", StringType, true),
      StructField("age", IntegerType, true),
      StructField("fv", DoubleType, true)
    ))


    //将rowRDD转换成DataFrame
    val df: DataFrame = sqlContext.createDataFrame(rowRDD1,schema1)

    //将DataFrama关联成临时表
    df.registerTempTable("t_person")

    //书写SQL
    val sorted: DataFrame = sqlContext.sql("SELECT * FROM t_person ORDER BY fv DESC,age ASC")

    //展示结果
    sorted.show()

    //释放资源
    sc.stop()

  }

}

使用DSL（特定领域编程语言）

package XXX

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SQLContext}
import org.apache.spark.sql.types._

object SQLDemo3Again {
  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setAppName("SQLDemo2Again").setMaster("local[4]")

    val sc = new SparkContext(conf)

    //强化SparkContext，使他能够创建DataFrame
    val sqlContext = new SQLContext(sc)

    //读取数据
    val lines: RDD[String] = sc.textFile("hdfs或本地文件系统")

    //整理数据
    val rowRDD1: RDD[Row] = lines.map(line => {
      val fields = line.split(",")
      val id = fields(0).toLong
      val name = fields(1)
      val age = fields(2).toInt
      val fv = fields(3).toDouble
      Row(id, name, age, fv)
    })

    //创建StructType,就是schema信息，表头
    val schema1: StructType = StructType(List(
      StructField("id", LongType, true),
      StructField("name", StringType, true),
      StructField("age", IntegerType, true),
      StructField("fv", DoubleType, true)
    ))


    //将rowRDD转换成DataFrame
    val dfApi: DataFrame = sqlContext.createDataFrame(rowRDD1,schema1)

    //不使用SQL的方式，就不用注册临时表了
    //使用DataFrame上的方法（DSL）
    val dfApi1: DataFrame = dfApi.select("name","age","fv")

    //排序
    //$符号表示把后面跟的字段当作一列
    //这里的desc只能用小写，因为这个desc是一个方法
    //desc是一个方法，所以要使用隐式转换
    import sqlContext.implicits._
    val sorted: Dataset[Row] = dfApi1.orderBy($"fv" desc,$"age" asc)

    //展示结果
    sorted.show()

    sc.stop()

  }

}

SparkSQL 2.X编程

与SparkSQL 1.X差别不大，连接Spark集群更加方便，而且API更加简洁。

使用sql语句

package XXX

import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}
import org.apache.spark.sql.types._


object SQLTest1Again {
  def main(args: Array[String]): Unit = {

    //创建SparkSession，与spark建立联系
    val session = SparkSession.builder()
      .appName("SQLTest1Again")
      .master("local[4]")
      .getOrCreate()

    //创建RDD
    val ssc: SparkContext = session.sparkContext

    //读取数据
    val lines: RDD[String] = ssc.textFile("hdfs或本地文件系统")

    //整理数据
    val rowRDD2: RDD[Row] = lines.map(line => {
      val fields = line.split(",")
      val id = fields(0).toLong
      val name = fields(1)
      val age = fields(2).toInt
      val fv = fields(3).toDouble
      Row(id, name, age, fv)
    })

    //生成schema
    val schema2: StructType = StructType(List(
      StructField("id", LongType, true),
      StructField("name", StringType, true),
      StructField("age", IntegerType, true),
      StructField("fv", DoubleType, true)
    ))

    //创建DataFrame
    val sdf: DataFrame = session.createDataFrame(rowRDD2,schema2)

    //排序
    //这里的>是一个方法，所以要导入隐式转换
    import session.implicits._
    val sorted: Dataset[Row] = sdf.where($"fv" > 98).orderBy($"fv" desc,$"age" asc)

    //展示结果
    sorted.show()

    session.stop()

  }

}