diff --git a/README.md b/README.md
index 1c36e67..026f438 100644
--- a/README.md
+++ b/README.md
@@ -83,9 +83,9 @@
1. [DateFrames 和 DataSets ](https://github.com/heibaiying/BigData-Notes/blob/master/notes/SparkSQL_Dataset和DataFrame简介.md)
2. [Structured API的基本使用](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Spark_Structured_API的基本使用.md)
-3. 外部数据源
+3. [Spark SQL数据源]
4. [Spark SQL常用聚合函数](https://github.com/heibaiying/BigData-Notes/blob/master/notes/SparkSQL常用聚合函数.md)
-5. 联结操作
+5. [Spark SQL JOIN 操作](https://github.com/heibaiying/BigData-Notes/blob/master/notes/SparkSQL联结操作.md)
**Spark Streaming ：**
diff --git a/code/spark/spark-core/src/main/java/rdd/scala/SparkSqlApp.scala b/code/spark/spark-core/src/main/java/rdd/scala/SparkSqlApp.scala
index ac5e6f3..5bdfa93 100644
--- a/code/spark/spark-core/src/main/java/rdd/scala/SparkSqlApp.scala
+++ b/code/spark/spark-core/src/main/java/rdd/scala/SparkSqlApp.scala
@@ -11,46 +11,17 @@ object SparkSqlApp {
val spark = SparkSession.builder().appName("aggregations").master("local[2]").getOrCreate()
- val empDF = spark.read.json("/usr/file/json/emp.json")
- empDF.createOrReplaceTempView("emp")
+ val df = spark.read.json("/usr/file/json/emp.json")
- val deptDF = spark.read.json("/usr/file/json/dept.json")
- deptDF.createOrReplaceTempView("dept")
+ import spark.implicits._
- deptDF.printSchema()
+ df.select($"ename").limit(5).show()
+ df.sort("sal").limit(3).show()
- // 1.定义联结表达式
- val joinExpression = empDF.col("deptno") === deptDF.col("deptno")
- // 2.联结查询
- empDF.join(deptDF, joinExpression).select("ename", "dname").show()
- spark.sql("SELECT ename,dname FROM emp JOIN dept ON emp.deptno = dept.deptno").show()
+ df.orderBy(desc("sal")).limit(3).show()
+ df.select("deptno").distinct().show()
- empDF.join(deptDF, joinExpression, "outer").show()
- spark.sql("SELECT * FROM emp FULL OUTER JOIN dept ON emp.deptno = dept.deptno").show()
-
- empDF.join(deptDF, joinExpression, "left_outer").show()
- spark.sql("SELECT * FROM emp LEFT OUTER JOIN dept ON emp.deptno = dept.deptno").show()
-
- empDF.join(deptDF, joinExpression, "right_outer").show()
- spark.sql("SELECT * FROM emp RIGHT OUTER JOIN dept ON emp.deptno = dept.deptno").show()
-
- empDF.join(deptDF, joinExpression, "left_semi").show()
- spark.sql("SELECT * FROM emp LEFT SEMI JOIN dept ON emp.deptno = dept.deptno").show()
-
- empDF.join(deptDF, joinExpression, "left_anti").show()
- spark.sql("SELECT * FROM emp LEFT ANTI dept ON emp.deptno = dept.deptno").show()
-
- /*你绝对应该使用交叉连接，100％确定这是你需要的。 在Spark中定义交叉连接时，有一个原因需要明确。 他们很危险！
- 高级用户可以将会话级配置spark.sql.crossJoin.enable设置为true，以便允许交叉连接而不发出警告，或者Spark没有尝试为您执行另一个连接。*/
- empDF.join(deptDF, joinExpression, "cross").show()
- spark.sql("SELECT * FROM emp CROSS JOIN dept ON emp.deptno = dept.deptno").show()
-
-
-
-
-
-
- spark.sql("SELECT * FROM graduateProgram NATURAL JOIN person").show()
+ df.orderBy(desc("deptno"), asc("sal")).show(2)
}
}
diff --git a/notes/SparkSQL常用聚合函数.md b/notes/SparkSQL常用聚合函数.md
index a309ad0..d9caa61 100644
--- a/notes/SparkSQL常用聚合函数.md
+++ b/notes/SparkSQL常用聚合函数.md
@@ -20,6 +20,7 @@
3.2 无类型的自定义聚合函数
+
## 一、简单聚合
### 1.1 数据准备
@@ -336,6 +337,3 @@ object SparkSqlApp {
## 参考资料
1. Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
-
-
-
diff --git a/notes/SparkSQL联结操作.md b/notes/SparkSQL联结操作.md
index 1c1d36c..ed4f174 100644
--- a/notes/SparkSQL联结操作.md
+++ b/notes/SparkSQL联结操作.md
@@ -1,10 +1,22 @@
-## 一、简介
+# Spark SQL JOIN
+
+## 一、 数据准备
-## 二、 数据准备
-
-分别创建员工和部门datafame，并注册为临时视图，代码如下：
+本文主要介绍Spark的多表连接，需要预先准备测试数据。分别创建员工和部门的datafame，并注册为临时视图，代码如下：
```scala
val spark = SparkSession.builder().appName("aggregations").master("local[2]").getOrCreate()
@@ -16,7 +28,7 @@ val deptDF = spark.read.json("/usr/file/json/dept.json")
deptDF.createOrReplaceTempView("dept")
```
-两表字段中所有字段如下：
+两表的主要字段如下：
```properties
emp员工表
@@ -41,17 +53,133 @@ dept部门表
-## 三、联结操作
+## 二、连接类型
-### 3.1 Inner Joins
+Spark中支持多种连接类型：
+
++ Inner joins : 内连接；
++ Full Outer joins : 全外连接；
++ Left outer joins : 左外连接；
++ Right outer joins : 右外连接；
++ Left semi joins : 左半连接；
++ Left anti joins : 左反连接；
++ Natural joins : 自然连接；
++ Cross (or Cartesian) joins : 交叉(或笛卡尔)连接。
+
+其中内，外连接，笛卡尔积均与普通关系型数据库中的相同，如下图所示：
+
+
+
+这里解释一下左半连接和左反连接，这两个连接等价于关系型数据库中的IN和NOT IN字句：
+
+```sql
+-- LEFT SEMI JOIN
+SELECT * FROM emp LEFT SEMI JOIN dept ON emp.deptno = dept.deptno
+-- 等价于如下的IN语句
+SELECT * FROM emp WHERE deptno IN (SELECT deptno FROM dept)
+
+-- LEFT ANTI JOIN
+SELECT * FROM emp LEFT ANTI JOIN dept ON emp.deptno = dept.deptno
+-- 等价于如下的IN语句
+SELECT * FROM emp WHERE deptno NOT IN (SELECT deptno FROM dept)
+```
+
+所有连接类型的示例代码如下：
+
+### 2.1 INNER JOIN
```scala
-// 1.定义联结表达式
+// 1.定义连接表达式
val joinExpression = empDF.col("deptno") === deptDF.col("deptno")
-// 2.联结查询
+// 2.连接查询
empDF.join(deptDF,joinExpression).select("ename","dname").show()
// 等价SQL如下：
spark.sql("SELECT ename,dname FROM emp JOIN dept ON emp.deptno = dept.deptno").show()
```
+### 2.2 FULL OUTER JOIN
+
+```scala
+empDF.join(deptDF, joinExpression, "outer").show()
+spark.sql("SELECT * FROM emp FULL OUTER JOIN dept ON emp.deptno = dept.deptno").show()
+```
+
+### 2.3 LEFT OUTER JOIN
+
+```scala
+empDF.join(deptDF, joinExpression, "left_outer").show()
+spark.sql("SELECT * FROM emp LEFT OUTER JOIN dept ON emp.deptno = dept.deptno").show()
+```
+
+### 2.4 RIGHT OUTER JOIN
+
+```scala
+empDF.join(deptDF, joinExpression, "right_outer").show()
+spark.sql("SELECT * FROM emp RIGHT OUTER JOIN dept ON emp.deptno = dept.deptno").show()
+```
+
+### 2.5 LEFT SEMI JOIN
+
+```scala
+empDF.join(deptDF, joinExpression, "left_semi").show()
+spark.sql("SELECT * FROM emp LEFT SEMI JOIN dept ON emp.deptno = dept.deptno").show()
+```
+
+### 2.6 LEFT ANTI JOIN
+
+```scala
+empDF.join(deptDF, joinExpression, "left_anti").show()
+spark.sql("SELECT * FROM emp LEFT ANTI JOIN dept ON emp.deptno = dept.deptno").show()
+```
+
+### 2.7 CROSS JOIN
+
+```scala
+empDF.join(deptDF, joinExpression, "cross").show()
+spark.sql("SELECT * FROM emp CROSS JOIN dept ON emp.deptno = dept.deptno").show()
+```
+
+### 2.8 NATURAL JOIN
+
+自然连接是在两张表中寻找那些数据类型和列名都相同的字段，然后自动地将他们连接起来，并返回所有符合条件的结果。
+
+```scala
+spark.sql("SELECT * FROM emp NATURAL JOIN dept").show()
+```
+
+以下是一个自然连接的查询结果，程序自动推断出使用两张表都存在的dept列进行连接，其实际等价于：
+
+```sql
+spark.sql("SELECT * FROM emp JOIN dept ON emp.deptno = dept.deptno").show()
+```
+
+
+
+由于自然连接常常会产生不可预期的结果，所以并不推荐使用。
+
+
+
+## 三、连接的执行
+
+在对大表与大表之间进行连接操作时，通常都会触发shuffle join，两表的所有分区节点会进行All-to-All的通讯，这种查询通常比较昂贵，会对网络IO会造成比较大的负担。
+
+
+
+
+
+而对于大表和小表的连接操作，Spark会在一定程度上进行优化，如果小表的数据量小于Work Node上内存空间，Spark会考虑将小表的数据广播到每一个工作节点，在每个工作节点内部执行连接计算，这可以降低网络的IO，但会加大每个工作节点上的CPU负担。
+
+
+
+是否采用广播方式进行JOIN取决于程序内部的判断，如果想明确使用广播方式进行JOIN，可以在DataFrame API 中使用`broadcast`方法显示指定需要广播的小表：
+
+```scala
+empDF.join(broadcast(deptDF), joinExpression).show()
+```
+
+
+
+## 参考资料
+
+1. Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
\ No newline at end of file
diff --git a/notes/Spark_Structured_API的基本使用.md b/notes/Spark_Structured_API的基本使用.md
index 6525fcf..69ab3d1 100644
--- a/notes/Spark_Structured_API的基本使用.md
+++ b/notes/Spark_Structured_API的基本使用.md
@@ -1,94 +1,39 @@
# Structured API基本使用
-## 一、创建DataFrames
+## 一、创建DataFrame和Dataset
+
+### 1.1 创建DataFrame
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")
+val df = spark.read.json("/usr/file/json/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：
+可以使用`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：
-## 二、DataFrames基本操作
+
-### 2.1 printSchema
+### 1.2 创建Dataset
-```scala
-// 以树形结构打印dataframe的schema信息
-df.printSchema()
-```
+Spark支持由内部数据集和外部数据集来创建DataSets，其创建方式分别如下：
-
-
-### 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
+#### 1. 由外部数据集创建
```scala
// 1.需要导入隐式转换
@@ -103,7 +48,7 @@ val ds = spark.read.json("/usr/file/emp.json").as[Emp]
ds.show()
```
-### 3.2 由内部数据集创建
+#### 2. 由内部数据集创建
```scala
// 1.需要导入隐式转换
@@ -120,29 +65,13 @@ val caseClassDS = Seq(Emp("ALLEN", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALE
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
+### 1.3 由RDD创建DataFrame
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
+#### 1. 使用反射推断
```scala
// 1.导入隐式转换
@@ -159,7 +88,7 @@ val rddToDS = spark.sparkContext
.toDS() // 如果调用toDF()则转换为dataFrame
```
-### 5.2 以编程方式指定Schema
+#### 2. 以编程方式指定Schema
```scala
import org.apache.spark.sql.Row
@@ -184,6 +113,128 @@ val deptDF = spark.createDataFrame(rowRDD, schema)
deptDF.show()
```
+### 1.4 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]
+```
+
+
+
+## 二、Columns列操作
+
+### 2.1 引用列
+
+Spark支持多种方法来构造和引用列，最简单的是使用 `col() `或 `column() `函数。
+
+```scala
+col("colName")
+column("colName")
+
+// 对于Scala语言而言，还可以使用$"myColumn"和'myColumn这两种语法糖进行引用。
+df.select($"ename", $"job").show()
+df.select('ename, 'job).show()
+```
+
+### 2.2 新增列
+
+```scala
+// 基于已有列值新增列
+df.withColumn("upSal",$"sal"+1000)
+// 基于固定值新增列
+df.withColumn("intCol",lit(1000))
+```
+
+### 2.3 删除列
+
+```scala
+// 支持删除多个列
+df.drop("comm","job").show()
+```
+
+### 2.4 重命名列
+
+```scala
+df.withColumnRenamed("comm", "common").show()
+```
+
+需要说明的是新增，删除，重命名列都会产生新的DataFrame，原来的DataFrame不会被改变。
+
+
+
+## 三、使用Structured API进行基本查询
+
+```scala
+// 1.查询员工姓名及工作
+df.select($"ename", $"job").show()
+
+// 2.filter 查询工资大于2000的员工信息
+df.filter($"sal" > 2000).show()
+
+// 3.orderBy 按照部门编号降序，工资升序进行查询
+df.orderBy(desc("deptno"), asc("sal")).show()
+
+// 4.limit 查询工资最高的3名员工的信息
+df.orderBy(desc("sal")).limit(3).show()
+
+// 5.distinct 查询所有部门编号
+df.select("deptno").distinct().show()
+
+// 6.groupBy 分组统计部门人数
+df.groupBy("deptno").count().show()
+```
+
+
+
+## 四、使用Spark SQL进行基本查询
+
+### 4.1 Spark SQL基本使用
+
+```scala
+// 1.首先需要将DataFrame注册为临时视图
+df.createOrReplaceTempView("emp")
+
+// 2.查询员工姓名及工作
+spark.sql("SELECT ename,job FROM emp").show()
+
+// 3.查询工资大于2000的员工信息
+spark.sql("SELECT * FROM emp where sal > 2000").show()
+
+// 4.orderBy 按照部门编号降序，工资升序进行查询
+spark.sql("SELECT * FROM emp ORDER BY deptno DESC,sal ASC").show()
+
+// 5.limit 查询工资最高的3名员工的信息
+spark.sql("SELECT * FROM emp ORDER BY sal DESC LIMIT 3").show()
+
+// 6.distinct 查询所有部门编号
+spark.sql("SELECT DISTINCT(deptno) FROM emp").show()
+
+// 7.分组统计部门人数
+spark.sql("SELECT deptno,count(ename) FROM emp group by deptno").show()
+```
+
+### 4.2 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")
+
+// 使用限定名称进行引用
+spark.sql("SELECT ename,job FROM global_temp.gemp").show()
+```
+
## 参考资料
diff --git a/pictures/spark-Big-table–to–big-table.png b/pictures/spark-Big-table–to–big-table.png
new file mode 100644
index 0000000..091a642
Binary files /dev/null and b/pictures/spark-Big-table–to–big-table.png differ
diff --git a/pictures/spark-Big-table–to–small-table.png b/pictures/spark-Big-table–to–small-table.png
new file mode 100644
index 0000000..3de1f23
Binary files /dev/null and b/pictures/spark-Big-table–to–small-table.png differ
diff --git a/pictures/spark-sql-NATURAL-JOIN.png b/pictures/spark-sql-NATURAL-JOIN.png
new file mode 100644
index 0000000..fc0893d
Binary files /dev/null and b/pictures/spark-sql-NATURAL-JOIN.png differ
