Spark SQL基础笔记及简单案例

Spark SQL是一个用来处理结构化数据的Spark组件，是Spark上一个分布式的SQL查询引擎，并拥有自己的SQL解析器。

Spark SQL 特点：

• 快速
• 具有统一的数据访问方式：兼容Hive,从各种结构化数据源中读取数据
• 基于内存的列式存储技术
• 面向多种语言
• 具有良好的组件兼容性

Spark SQL的执行流程：

• 步骤1.SQL解析（语法结构层面的解析）
• 步骤2.绑定（语义层面的解析）
• 步骤3. 逻辑计划优化（怎么做最好）
• 步骤4. 物理计划生成与执行（SQL语句映射成Spark程序执行）

Spark SQL提供了一个叫做DataFrames的可编程抽象数据模型。DataFrame是以“命名列”方式（类似关系表的字段定义）组织起来的分布式数据集，与传统关系型数据库中的表结构类似。不同于RDD，DataFrames封装了数据的结构信息。

Spark SQL交互入口：

• Spark 1.x：SQLContext

import.sqlContext.implicits._
val conf= new SparkConf().setAppName("SQL_Advanced_case").setMaster("local")
val sc=new SparkContext(conf)
val sqlContext=new SQLContext(sc)

• Spark 2.2 : SparkSession (包含SparkContext和SQLContext对象)

val spark= SparkSession.builder().appName(“SparkSQLTest”).getOrCreate()

创建DataFrame：

• 基于RDD建DataFrame
  
  • 方法1. 基于反射机制创建（使用case class创建样例类，eg:case class Student(id: String, name : String, age: Int)
    ）
  • 方法2. 自定义转换接口创建（在不知道列以及列的类型的情况基于已有的RDD构造）
• 基于Parquet类型文件创建DataFrame（Spark SQL默认的数据源类型就是Parquet）

val students = sqlContext.parquetFile(“hdfs://node01:9000/sqldata/ students.parquet")

• 基于JSON类型文件创建DataFrame

保存DataFrame：

• 使用registerTempTable保存为临时表，应用程序退出后自动销毁
• 使用saveAsTable方法将数据以表的形式持久化到存储系统上
• 使用cacheTable将数据存储到内存中，性能调优重要方式，为了提高SQL查询效率，推荐使用（uncacheTable删除）

DataFrame常见操作：

---

Spark SQL简单案例：

链接: https://pan.baidu.com/s/1mhO5vkO 密码: 5f9w

————————————案例1————————————

spark-shell下操作：

import org.apache.spark.sql.types._   
import org.apache.spark.sql._         
import org.apache.spark._
import sqlContext.implicits._

1.利用反射机制创建students.txt对应的DataFrame，其中包含id、name、age三个字段。

case class Student(id: String, name : String, age: Int)
val students_rdd=sc.textFile("hdfs://node01:9000/sqldata/students.txt").map(_.split(",")).map(p => Student(p(0), p(1), p(2).trim.toInt))
val students=students_rdd.toDF()

其中，p(2).trim.toInt 将学生表中的age字段数据整理转化为Int

2.查看所有学生的姓名

students.select(col("name")).show
students.select($"age").show

3.查询所有学生的年龄，并按照年龄降序排序。

students.select($"age").orderBy(col("age").desc).show
students.select($"age").orderBy($"age".desc).show

4.查询年龄小于19或年龄大于21的所有学生。

students.registerTempTable("tb_students")
sqlContext.sql("select name,age from tb_students where (age>21) or (age<19)").show

5.计算所有学生的平均年龄。

sqlContext.sql("select avg(age) as averageAge from tb_students").show
sqlContext.sql("select sum(age)/10 as averageAge from tb_students").show

6.将age字段重命名为stu_age。

students.withColumnRenamed("age","stu_age").show

7.添加scholarship字段，每个学生的scholarship项是其龄*20。

students.withColumn("scholarship",col("age")*20).show
students.withColumn("scholarship",$"age"*20).show

8.将添加scholarship字段后的DataFrame分别以Parquet和JSON格式保存至HDFS上。

val students_j=students.withColumn("scholarship",col("age")*20).write.save("hdfs://node01:9000/sqldata/students_j.json")
val students_p=students.withColumn("scholarship",col("age")*20).write.save("hdfs://node01:9000/sqldata/students_p.parquet")

9.利用自定义接口创建scores.txt对应的DataFrame，其中包含id、course_id、score三个字段。

val scores_rdd=sc.textFile("hdfs://node01:9000/sqldata/scores.txt")
val schemaString="id course_id score"
val schema=StructType(schemaString.split(" ").map(fieldname=> StructField(fieldname, StringType, true)))
val rowRDD=scores_rdd.map(_.split(",")).map(p=>Row(p(0), p(1), p(2).trim))
val scores=sqlContext.createDataFrame(rowRDD, schema) 
scores.registerTempTable("tb_scores")

10.按照课程编号分组，查看每门课的平均成绩，并按课程编号升序排序。

sqlContext.sql("select avg(score) as averageScore from tb_scores group by course_id").show

11.按照课程编号分组，查看个学生的姓名和其所有课程的平均成绩，并在统计结果中筛选出平均成绩大于72的同学。

sqlContext.sql("select id,avg(score) as averageScore from tb_scores group by id having averageScore>72 order by averageScore desc").show

————————————案例2————————————
首先构建数据库Students,然后分别创建上述表，在此基础上实现以下查询：
1.查询创建的五个表的概要信息。
2.查询各院系学生总数。
3.查询各院系学生奖学金的总和并排序。
4.查询各院系学生的平均学分并排序。
5.统计各学院每年学生参与创新项目所获得的创新学分数总数。

sqlContext.sql("CREATE DATABASE STUDENTS")
sqlContext.sql("USE STUDENTS")

创建学生信息表students

sqlContext.sql("CREATE TABLE IF NOT EXISTS students(id STRING, name STRING, gender STRING, age INT, year STRING, dep_id STRING) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LINES TERMINATED BY '\n'")

加载数据

sqlContext.sql("LOAD DATA INPATH 'hdfs://node01:9000/sqldata/students2.txt' OVERWRITE INTO TABLE students")

查询概要

sqlContext.sql("select * from students").printSchema

同理，创建、加载、查询其余四个表
查询各院系学生总数

sqlContext.sql("select b.name, count(a.id) from students a join departments b on a.dep_id=b.dep_id group by b.name").show

查询各院系学生奖学金的总和并排序

sqlContext.sql("select b.name,sum(c.amount) as sum from students a join departments b on a.dep_id=b.dep_id join scholarship c on a.id = c.id group by b.name order by sum asc").show
sqlContext.sql("select b.name,sum(c.amount) as sum from students a join departments b on a.dep_id=b.dep_id join scholarship c on a.id = c.id group by b.name order by sum desc").show

查询各院系学生的平均学分并排序

sqlContext.sql("select b.name,avg(c.credit) as average_credit from students a join departments b on a.dep_id=b.dep_id join scores c on a.id = c.id group by b.name order by average_credit").show

统计各学院每年学生参与创新项目所获得的创新学分数总数

sqlContext.sql("select b.name, h.year,sum(h.pro_score) as sum from(select a.id,p.year,p.level*( p.theory+p.practice)/16 as pro_score,a.dep_id from projects p join students a on a.id=p.id) h join departments b on h.dep_id=b.dep_id group by b.name, h.year").show