191 lines
5.9 KiB
Markdown
191 lines
5.9 KiB
Markdown
# 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/>
|
||
</nav>
|
||
|
||
|
||
## 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：
|
||
|
||
<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
|
||
|
||
### 2.1 printSchema
|
||
|
||
```scala
|
||
// 以树形结构打印dataframe的schema信息
|
||
df.printSchema()
|
||
```
|
||
|
||
<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
|
||
|
||
```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) |