spark集成hive spark sql编程（forty-eight day）

spark集成hive
------------------------
    1.创建hive-site.xml软连接到spark/conf下
        $>xcall.sh "ln -s /soft/hive/conf/hive-site.xml /soft/spark/conf/hive-site.xml"

    2.mysql驱动程序复制到spark/jars
        ...

    3.启动spark-shell
        $>spark.sql("use default").show() 
        $>spark.sql("show tables").show() 
        $>spark.sql("select * from custs").show(1000,false)
        $>val rdd1= sc.parallize(Array((1, "tom1",12) ,(2, "tom2",13) ,(2, "tom3",14) ))
        $>val df = rdd1.toDF("id" , "name" , "age")
        $>df.select("id").show()            //select id from ..
        $>df.registerTempTable("_cust")
        $>spark.sql("select * from _cust").show(1000 ,false) ;

idea下进行spark sql编程，操纵hive数据
--------------------------------------
    1.引入spark-sql依赖和spark-hive依赖
       
            org.apache.spark
            spark-sql_2.11
            2.1.0
       
       
            org.apache.spark
            spark-hive_2.11
            2.1.0
       
        
    2.复制hive-site.xml|core-site.xml|hdfs-site.xml到resources目录下
        
        注意：修改hive-site.xml，关闭schema检查
        
            hive.metastore.schema.verification
            false
        

    3.编写scala程序
        import org.apache.spark.SparkConf
        import org.apache.spark.sql.SparkSession

        /**
          * Created by Administrator on 2018/8/2.
          */
        object SQLScala {
            def main(args: Array[String]): Unit = {
                val conf = new SparkConf()
                conf.setAppName("SQLScala")
                conf.setMaster("local[4]")
                //conf.set("spark.sql.warehouse.dir", "hdfs://mycluster/user/hive/warehouse")

                //创建sparksession
                val sess = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
                val df = sess.sql("show databases")
                sess.sql("use default").show()
                sess.sql("select dep, max(salary) from emp group by dep").show(10000 , false)

                //
                val rdd1 = sess.sparkContext.parallelize(Array((1,"tom1",12),(2,"tom2",12),(3,"tom3",14)))
                import sess.implicits._
                val df1 = rdd1.toDF("id" , "name" , "age")
                df1.select("id","age").show(1000)

                df1.createOrReplaceTempView("_cust")
                sess.sql("select id,name,age from _cust where age < 14").show()
            }
        }
    4.编写java版的sql程序
        public class SQLJava {
            public static void main(String[] args) {
                SparkConf conf = new SparkConf( ) ;
                conf.setAppName("SQLJava") ;
                conf.setMaster("local[*]") ;
                SparkSession sess = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate();
                Dataset ds = sess.sql("select * from custs") ;
                ds.show();

                ds.select("id" , "name").show();
                ds.createOrReplaceTempView("_cust");
                sess.sql("select * from _cust where age < 12").show();
            }
        }
    
    5.Dataset
        强类型集合可以转换成并行计算，有个别名DataFrame = Dataset,Dataset上可以执行的操作分为transfermation和action,
        类似于rdd。transfermation生成新的dataset，action执行计算并返回结果。

        dataset是延迟计算，只有当调用action时才会触发执行。内部变现为逻辑计划,action调用时，spark的查询优化器对逻辑计划进行优化，
        生成物理计划，用于分布式行为下高效的执行。