spark SQL常用聚合函数

notes/Spark_Structured_API的基本使用.md

@@ -0,0 +1,182 @@
+# Structured API基本使用
+
+## 一、创建DataFrames
+
+Spark中所有功能的入口点是`SparkSession`，可以使用`SparkSession.builder()`创建。创建后应用程序就可以从现有RDD，Hive表或Spark数据源创建DataFrame。如下所示：
+
+```scala
+val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
+val df = spark.read.json("/usr/file/emp.json")
+df.show()
+
+// 建议在进行spark SQL编程前导入下面的隐式转换，因为DataFrames和dataSets中很多操作都依赖了隐式转换
+import spark.implicits._
+```
+
+这里可以启动`spark-shell`进行测试，需要注意的是`spark-shell`启动后会自动创建一个名为`spark`的`SparkSession`，在命令行中可以直接引用即可：
+
+![spark-sql-shell](D:\BigData-Notes\pictures\spark-sql-shell.png)
+
+## 二、DataFrames基本操作
+
+### 2.1 printSchema
+
+```scala
+// 以树形结构打印dataframe的schema信息 
+df.printSchema()
+```
+
+![spark-scheme](D:\BigData-Notes\pictures\spark-scheme.png)
+
+### 2.2 使用DataFrame API进行基本查询
+
+```scala
+// 查询员工姓名及工作
+df.select($"ename", $"job").show()
+
+// 查询工资大于2000的员工信息
+df.filter($"sal" > 2000).show()
+
+// 分组统计部门人数
+df.groupBy("deptno").count().show()
+```
+
+### 2.3 使用SQL进行基本查询
+
+```scala
+// 首先需要将DataFrame注册为临时视图
+df.createOrReplaceTempView("emp")
+
+// 查询员工姓名及工作
+spark.sql("SELECT ename,job FROM emp").show()
+
+// 查询工资大于2000的员工信息
+spark.sql("SELECT * FROM emp where sal > 2000").show()
+
+// 分组统计部门人数
+spark.sql("SELECT deptno,count(ename) FROM emp group by deptno").show()
+```
+
+### 2.4 全局临时视图
+
+上面使用`createOrReplaceTempView`创建的是会话临时视图，它的生命周期仅限于会话范围，会随会话的结束而结束。
+
+你也可以使用`createGlobalTempView`创建全局临时视图，全局临时视图可以在所有会话之间共享，并直到整个Spark应用程序终止才会消失。全局临时视图被定义在内置的`global_temp`数据库下，需要使用限定名称进行引用，如`SELECT * FROM global_temp.view1`。
+
+```scala
+// 注册为全局临时视图
+df.createGlobalTempView("gemp")
+
+// 查询员工姓名及工作，使用限定名称进行引用
+spark.sql("SELECT ename,job FROM global_temp.gemp").show()
+
+// 查询工资大于2000的员工信息，使用限定名称进行引用
+spark.sql("SELECT * FROM global_temp.gemp where sal > 2000").show()
+
+// 分组统计部门人数，使用限定名称进行引用
+spark.sql("SELECT deptno,count(ename) FROM global_temp.gemp  group by deptno").show()
+```
+
+## 三、创建Datasets
+
+### 3.1 由外部数据集创建
+
+```scala
+// 1.需要导入隐式转换
+import spark.implicits._
+
+// 2.创建case class,等价于Java Bean
+case class Emp(ename: String, comm: Double, deptno: Long, empno: Long, 
+               hiredate: String, job: String, mgr: Long, sal: Double)
+
+// 3.由外部数据集创建Datasets
+val ds = spark.read.json("/usr/file/emp.json").as[Emp]
+ds.show()
+```
+
+### 3.2 由内部数据集创建
+
+```scala
+// 1.需要导入隐式转换
+import spark.implicits._
+
+// 2.创建case class,等价于Java Bean
+case class Emp(ename: String, comm: Double, deptno: Long, empno: Long, 
+               hiredate: String, job: String, mgr: Long, sal: Double)
+
+// 3.由内部数据集创建Datasets
+val caseClassDS = Seq(Emp("ALLEN", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0),
+                      Emp("JONES", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0))
+                    .toDS()
+caseClassDS.show()
+```
+
+
+
+## 四、DataFrames与Datasets互相转换
+
+Spark提供了非常简单的转换方法用于DataFrames与Datasets互相转换，示例如下：
+
+```shell
+# DataFrames转Datasets
+scala> df.as[Emp]
+res1: org.apache.spark.sql.Dataset[Emp] = [COMM: double, DEPTNO: bigint ... 6 more fields]
+
+# Datasets转DataFrames
+scala> ds.toDF()
+res2: org.apache.spark.sql.DataFrame = [COMM: double, DEPTNO: bigint ... 6 more fields]
+```
+
+
+
+## 五、RDDs转换为DataFrames\Datasets
+
+Spark支持两种方式把RDD转换为DataFrames，分别是使用反射推断和指定schema转换。
+
+### 5.1 使用反射推断
+
+```scala
+// 1.导入隐式转换
+import spark.implicits._
+
+// 2.创建部门类
+case class Dept(deptno: Long, dname: String, loc: String)
+
+// 3.创建RDD并转换为dataSet
+val rddToDS = spark.sparkContext
+  .textFile("/usr/file/dept.txt")
+  .map(_.split("\t"))
+  .map(line => Dept(line(0).trim.toLong, line(1), line(2)))
+  .toDS()  // 如果调用toDF()则转换为dataFrame 
+```
+
+### 5.2 以编程方式指定Schema
+
+```scala
+import org.apache.spark.sql.Row
+import org.apache.spark.sql.types._
+
+
+// 1.定义每个列的列类型
+val fields = Array(StructField("deptno", LongType, nullable = true),
+                   StructField("dname", StringType, nullable = true),
+                   StructField("loc", StringType, nullable = true))
+
+// 2.创建schema
+val schema = StructType(fields)
+
+// 3.创建RDD
+val deptRDD = spark.sparkContext.textFile("/usr/file/dept.txt")
+val rowRDD = deptRDD.map(_.split("\t")).map(line => Row(line(0).toLong, line(1), line(2)))
+
+
+// 4.将RDD转换为dataFrame
+val deptDF = spark.createDataFrame(rowRDD, schema)
+deptDF.show()
+```
+
+
+
+## 参考资料
+
+[Spark SQL, DataFrames and Datasets Guide > Getting Started](https://spark.apache.org/docs/latest/sql-getting-started.html)