245 lines
7.0 KiB
Markdown
245 lines
7.0 KiB
Markdown
# Structured API基本使用
|
||
|
||
<nav>
|
||
<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。示例如下：
|
||
|
||
```scala
|
||
val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
|
||
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._
|
||
```
|
||
|
||
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://gitee.com/heibaiying/BigData-Notes/raw/master/pictures/spark-sql-shell.png"/> </div>
|
||
|
||
<br/>
|
||
|
||
### 1.2 创建Dataset
|
||
|
||
Spark 支持由内部数据集和外部数据集来创建 DataSet，其创建方式分别如下：
|
||
|
||
#### 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()
|
||
```
|
||
|
||
#### 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()
|
||
```
|
||
|
||
<br/>
|
||
|
||
### 1.3 由RDD创建DataFrame
|
||
|
||
Spark 支持两种方式把 RDD 转换为 DataFrame，分别是使用反射推断和指定 Schema 转换：
|
||
|
||
#### 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
|
||
```
|
||
|
||
#### 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()
|
||
```
|
||
|
||
<br/>
|
||
|
||
### 1.4 DataFrames与Datasets互相转换
|
||
|
||
Spark 提供了非常简单的转换方法用于 DataFrame 与 Dataset 间的互相转换，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。
|
||
|
||
<br/>
|
||
|
||
## 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()
|
||
```
|
||
|
||
<br/>
|
||
|
||
## 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 应用程序终止后才会消失。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
|
||
|
||
[Spark SQL, DataFrames and Datasets Guide > Getting Started](https://spark.apache.org/docs/latest/sql-getting-started.html)
|