一、 Spark SQL

1． Spark SQL概述

1.1． 什么是Spark SQL

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。 1.2． 为什么要学习Spark SQL 我们已经学习了Hive，它是将Hive SQL转换成MapReduce然后提交到集群上执行，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。所有Spark SQL的应运而生，它是将Spark SQL转换成RDD，然后提交到集群执行，执行效率非常快！ 1.易整合 2.统一的数据访问方式 3.兼容Hive 4.标准的数据连接

2． DataFrames

2.1． 什么是DataFrames

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。

2.2． 创建DataFrames

连接spark-shell:

[root@hadoop1 spark-2.1.1-bin-hadoop2.7]# bin/spark-shell --master spark://hadoop1:7077,hadoop2:7077

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 /

person.txt的内容如下：

1 zhangsan 19 2 lisi 20 3 wangwu 28 4 zhaoliu 26 5 tianqi 24 6 chengnong 55 7 zhouxingchi 58 8 mayun 50 9 yangliying 30 10 lilianjie 51 11 zhanghuimei 35 12 lian 53 13 zhangyimou 54

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

scala> val lineRDD = sc.textFile("hdfs://mycluster/person.txt").map(_.split(" ")) lineRDD: org.apache.spark.rdd.RDD[Array[String]] = MapPartitionsRDD[2] at map at <console>:24

3.定义case class（相当于表的schema）

scala> case class Person(id:Int, name:String, age:Int) defined class Person

4.将RDD和case class关联

scala> val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt)) personRDD: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[3] at map at <console>:28

5.将RDD转换成DataFrame

scala> val personDF = personRDD.toDF personDF: org.apache.spark.sql.DataFrame = [id: int, name: string ... 1 more field]

6.对DataFrame进行处理

scala> personDF.show +---+-----------+---+ | id| name|age| +---+-----------+---+ | 1| zhangsan| 19| | 2| lisi| 20| | 3| wangwu| 28| | 4| zhaoliu| 26| | 5| tianqi| 24| | 6| chengnong| 55| | 7|zhouxingchi| 58| | 8| mayun| 50| | 9| yangliying| 30| | 10| lilianjie| 51| | 11|zhanghuimei| 35| | 12| lian| 53| | 13| zhangyimou| 54| +---+-----------+---+

3.DataFrame常用操作

3.1 DSL风格语法

1.查看DataFrame中的内容

scala> personDF.show +---+-----------+---+ | id| name|age| +---+-----------+---+ | 1| zhangsan| 19| | 2| lisi| 20| | 3| wangwu| 28| | 4| zhaoliu| 26| | 5| tianqi| 24| | 6| chengnong| 55| | 7|zhouxingchi| 58| | 8| mayun| 50| | 9| yangliying| 30| | 10| lilianjie| 51| | 11|zhanghuimei| 35| | 12| lian| 53| | 13| zhangyimou| 54| +---+-----------+---+

2.查看DataFrame部分列中的内容

scala> personDF.select(personDF.col("name")).show +-----------+ | name| +-----------+ | zhangsan| | lisi| | wangwu| | zhaoliu| | tianqi| | chengnong| |zhouxingchi| | mayun| | yangliying| | lilianjie| |zhanghuimei| | lian| | zhangyimou| +-----------+ scala> personDF.select(col("name"),col("age")).show +-----------+---+ | name|age| +-----------+---+ | zhangsan| 19| | lisi| 20| | wangwu| 28| | zhaoliu| 26| | tianqi| 24| | chengnong| 55| |zhouxingchi| 58| | mayun| 50| | yangliying| 30| | lilianjie| 51| |zhanghuimei| 35| | lian| 53| | zhangyimou| 54| +-----------+---+ scala> personDF.select("name").show +-----------+ | name| +-----------+ | zhangsan| | lisi| | wangwu| | zhaoliu| | tianqi| | chengnong| |zhouxingchi| | mayun| | yangliying| | lilianjie| |zhanghuimei| | lian| | zhangyimou| +-----------+

3.打印DataFrame的Schema信息

scala> personDF.printSchema root |-- id: integer (nullable = true) |-- name: string (nullable = true) |-- age: integer (nullable = true)

4. 查询所有的name和age，并将age +1

scala> personDF.select(col("id"),col("name"),col("age") + 1).show +---+-----------+---------+ | id| name|(age + 1)| +---+-----------+---------+ | 1| zhangsan| 20| | 2| lisi| 21| | 3| wangwu| 29| | 4| zhaoliu| 27| | 5| tianqi| 25| | 6| chengnong| 56| | 7|zhouxingchi| 59| | 8| mayun| 51| | 9| yangliying| 31| | 10| lilianjie| 52| | 11|zhanghuimei| 36| | 12| lian| 54| | 13| zhangyimou| 55| +---+-----------+---------+ scala> personDF.select(personDF("id"),personDF("name"),personDF("age") + 1).show +---+-----------+---------+ | id| name|(age + 1)| +---+-----------+---------+ | 1| zhangsan| 20| | 2| lisi| 21| | 3| wangwu| 29| | 4| zhaoliu| 27| | 5| tianqi| 25| | 6| chengnong| 56| | 7|zhouxingchi| 59| | 8| mayun| 51| | 9| yangliying| 31| | 10| lilianjie| 52| | 11|zhanghuimei| 36| | 12| lian| 54| | 13| zhangyimou| 55| +---+-----------+---------+

5. 过滤age大于等于40的

scala> personDF.filter(col("age") >= 40).show

6. 按年龄进行分组并统计相同年龄的人数

scala> personDF.groupBy("age").count.show() +---+-----+ |age|count| +---+-----+ | 53| 1| | 28| 1| | 26| 1| | 20| 1| | 54| 1| | 19| 1| | 35| 1| | 55| 1| | 51| 1| | 50| 1| | 24| 1| | 58| 1| | 30| 1| +---+-----+

3.2 SQL风格语法：

在使用SQL的语法之前，需要先执行（也就是或先创建一个sqlContext）： scala> val sqlContext = new org.apache.spark.sql.SQLContext(sc) warning: there was one deprecation warning; re-run with -deprecation for details sqlContext: org.apache.spark.sql.SQLContext = org.apache.spark.sql.SQLContext@11fb9fc7 如果想使用SQL风格的语法，需要将DataFrame注册成表 scala> personDF.registerTempTable("t_person") warning: there was one deprecation warning; re-run with -deprecation for details 查询年龄最大的前两名 scala> sqlContext.sql("select * from t_person order by age desc limit 2").show +---+-----------+---+ | id| name|age| +---+-----------+---+ | 7|zhouxingchi| 58| | 6| chengnong| 55| +---+-----------+---+ 显示表的Schema信息 scala> sqlContext.sql("desc t_person").show +--------+---------+-------+ |col_name|data_type|comment| +--------+---------+-------+ | id| int| null| | name| string| null| | age| int| null| +--------+---------+-------+ scala> 7.保存结果 result.save("hdfs://hadoop.itcast.cn:9000/sql/res1") result.save("hdfs://hadoop.itcast.cn:9000/sql/res2", "json") #以JSON文件格式覆写HDFS上的JSON文件 import org.apache.spark.sql.SaveMode._ result.save("hdfs://hadoop.itcast.cn:9000/sql/res2", "json" , Overwrite) 8.重新加载以前的处理结果（可选） sqlContext.load("hdfs://hadoop.itcast.cn:9000/sql/res1") sqlContext.load("hdfs://hadoop.itcast.cn:9000/sql/res2", "json")