spark sql联结操作
This commit is contained in:
罗祥
@ -1,94 +1,39 @@
|
||||
# Structured API基本使用
|
||||
|
||||
<nav>
|
||||
<a href="#一创建DataFrames">一、创建DataFrames</a><br/>
|
||||
<a href="#二DataFrames基本操作">二、DataFrames基本操作</a><br/>
|
||||
<a href="#三创建Datasets">三、创建Datasets</a><br/>
|
||||
<a href="#四DataFrames与Datasets互相转换">四、DataFrames与Datasets互相转换</a><br/>
|
||||
<a href="#五RDDs转换为DataFramesDatasets">五、RDDs转换为DataFrames\Datasets</a><br/>
|
||||
<a href="#一创建DataFrame和Dataset">一、创建DataFrame和Dataset</a><br/>
|
||||
<a href="#二Columns列操作">二、Columns列操作</a><br/>
|
||||
<a href="#三使用Structured-API进行基本查询">三、使用Structured API进行基本查询</a><br/>
|
||||
<a href="#四使用Spark-SQL进行基本查询">四、使用Spark SQL进行基本查询</a><br/>
|
||||
</nav>
|
||||
|
||||
|
||||
## 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：
|
||||
|
||||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/spark-sql-shell.png"/> </div>
|
||||
|
||||
## 二、DataFrames基本操作
|
||||
<br/>
|
||||
|
||||
### 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：
|
||||
|
||||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/spark-scheme.png"/> </div>
|
||||
|
||||
### 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()
|
||||
```
|
||||
|
||||
<br/>
|
||||
|
||||
|
||||
## 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]
|
||||
```
|
||||
|
||||
<br/>
|
||||
|
||||
## 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
|
||||
|
||||
Reference in New Issue
Block a user