SparkSQL - DataFrame、DataSet

        DataFrame

创建 DataFrame

SQL的简单使用

DSL 语法 

RDD 转换为 DataFrame 

DataFrame 转换为 RDD

DataSet

创建 DataSet

DataSet - DataFrame转换

RDD 转换为 DataSet 

DataSet 转换为 RDD 

RDD、DataFrame、DataSet 三者的区别 

---

        SparkSession 是 Spark 最新的 SQL 查询起始点，实质上是 SQLContext 和 HiveContext 的组合，所以在 SQLContex 和 HiveContext 上可用的 API 在 SparkSession 上同样是可以使用 的。SparkSession 内部封装了 SparkContext，所以计算实际上是由 sparkContext 完成的。当 我们使用 spark-shell 的时候, spark 框架会自动的创建一个名称叫做 spark 的 SparkSession 对 象, 就像我们以前可以自动获取到一个 sc 来表示 SparkContext 对象一样

DataFrame

         Spark SQL 的 DataFrame API 允许我们使用 DataFrame 而不用必须去注册临时表或者 生成 SQL 表达式。DataFrame API 既有 transformation 操作也有 action 操作。

创建 DataFrame

        在 Spark SQL 中 SparkSession 是创建 DataFrame 和执行 SQL 的入口，创建 DataFrame 有三种方式：通过 Spark 的数据源进行创建；从一个存在的 RDD 进行转换；还可以从 Hive Table 进行查询返回。 

从 Spark 数据源进行创建查看 Spark 支持创建文件的数据源格式

spark.read.

        在 spark 的 bin/data 目录中创建 user.json 文件

         将以下内容写入文件中

{"username":"zhangsan","age":20}

         读取 json 文件创建 DataFrame

val df = spark.read.json("input/user.json")

         如果从内存中获取数据，spark 可以知道数据类型具体是什么。如果是数字，默认作 为 Int 处理；但是从文件中读取的数字，不能确定是什么类型，所以用 bigint 接收，可以和 Long 类型转换，但是和 Int 不能进行转换 

        展示结果

df.show

SQL的简单使用

        SQL 语法风格是指我们查询数据的时候使用 SQL 语句来查询，这种风格的查询必须要 有临时视图或者全局视图来辅助。

        读取 JSON 文件创建 DataFrame

val df = spark.read.json("input/user.json")

        对 DataFrame 创建一个临时表

df.createOrReplaceTempView("user")

        通过 SQL 语句实现查询全表

val Sdf = spark.sql("select * from user")

         查询结果展示

        普通临时表是 Session 范围内的，如果想应用范围内有效，可以使用全局临时表。使 用全局临时表时需要全路径访问，如：global_temp.user

         对于 DataFrame 创建一个全局表有 

df.createOrReplaceGlobalTempView("emp")

        通过 SQL 语句实现查询全表

spark.sql("SELECT * FROM global_temp.emp").show()

spark.newSession().sql("SELECT * FROM global_temp.emp").show()

DSL 语法 

        DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。 可以在 Scala, Java, Python 和 R 中使用 DSL，使用 DSL 语法风格不必去创建临时视图了

        创建一个 DataFrame 

val df = spark.read.json("input/user.json")

        查看 DataFrame 的 Schema 信息 

df.printSchema

         只查看"age"列数据

df.select("age").show

        查看"username"列数据以及"age+1"数据\

        涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式：单引号+字段名

df.select($"username",$"age"+1).show

df.select('username,'age+1).show

        查看"age"大于"15"的数据 

df.filter('age > 15).show

        按照"age"分组，查看数据条数

df.groupBy("age").count.show

RDD 转换为 DataFrame 

        在 IDEA 中开发程序时，如果需要 RDD 与 DF 或者 DS 之间互相操作，那么需要引入 import spark.implicits._

        这里的 spark 不是 Scala 中的包名，而是创建的 sparkSession 对象的变量名称，所以必 须先创建 SparkSession 对象再导入。这里的 spark 对象不能使用 var 声明，因为 Scala 只支持 val 修饰的对象的引入。

spark-shell 中无需导入，自动完成此操作。

 val rdd = sc.textFile("input/id.txt")
//toDF(列名1、列名2，……) 
 val df = rdd.toDF("id") 
 df.show

        实际开发中，一般通过样例类将 RDD 转换为 DataFrame 

DataFrame 转换为 RDD

        DataFrame 其实就是对 RDD 的封装，所以可以直接获取内部的 RDD

var rdd1 = df.rdd
rdd1.collect

DataSet

        DataSet 是具有强类型的数据集合，需要提供对应的类型信息。

创建 DataSet

        使用样例类序列创建 DataSet

scala> case class Person(name: String, age: Long)
defined class Person

scala> val list = List(Person("张三",30),Person("李四",40))
list: List[Person] = List(Person(张三,30), Person(李四,40))

scala> list.toDS.show

         使用基本类型的序列创建 DataSet

scala> val ds = Seq(1,2,3,4,5).toDS
ds: org.apache.spark.sql.Dataset[Int] = [value: int]
scala> ds.show
+-----+
|value|
+-----+
| 1|
| 2|
| 3|
| 4|
| 5|
+-----+

        在实际使用的时候，很少用到把序列转换成DataSet，更多的是通过RDD来得到DataSet

DataSet - DataFrame转换

         DataFrame转成DataSet

scala> val rdd = List(1,2,3,4)
rdd: List[Int] = List(1, 2, 3, 4)

scala> val df = rdd.toDF
df: org.apache.spark.sql.DataFrame = [value: int]

scala> df.show
+-----+
|value|
+-----+
|    1|
|    2|
|    3|
|    4|
+-----+


scala> case class Age(value : Int)
defined class Age

scala> val ds = df.as[Age] //转换为DataSet
ds: org.apache.spark.sql.Dataset[Age] = [value: int]

scala> ds.show
+-----+
|value|
+-----+
|    1|
|    2|
|    3|
|    4|
+-----+

        DataSet 转成 DataFrame

scala> val oldDf = ds.toDF
oldDf: org.apache.spark.sql.DataFrame = [value: int]

RDD 转换为 DataSet 

         SparkSQL 能够自动将包含有 case 类的 RDD 转换成 DataSet，case 类定义了 table 的结 构，case 类属性通过反射变成了表的列名。Case 类可以包含诸如 Seq 或者 Array 等复杂的结 构。

cala> case class User(name:String, age:Int)
defined class User

scala> val rdd = sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1,t._2))
rdd: org.apache.spark.rdd.RDD[User] = MapPartitionsRDD[8] at map at :26

scala> val ds = rdd.toDS
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]

DataSet 转换为 RDD 

        DataSet 其实也是对 RDD 的封装，所以可以直接获取内部的 RDD

scala> case class User(name:String, age:Int)
defined class User

scala> val ds = sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1,t._2)).toDS
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]

scala> val rdd = ds.rdd
rdd: org.apache.spark.rdd.RDD[User] = MapPartitionsRDD[6] at rdd at :25

scala> rdd.collect
res3: Array[User] = Array(User(zhangsan,30), User(lisi,49))

RDD、DataFrame、DataSet 三者的区别 

         RDD

1. RDD 一般和 spark mllib 同时使用 
2. RDD 不支持 sparksql 操作

DataFrame 

1. 与 RDD 和 Dataset 不同，DataFrame 每一行的类型固定为 Row，每一列的值没法直 接访问，只有通过解析才能获取各个字段的值
2.  DataFrame 与 DataSet 一般不与 spark mllib 同时使用➢
3. DataFrame 与 DataSet 均支持 SparkSQL 的操作，比如 select，groupby 之类，还能 注册临时表/视窗，进行 sql 语句操作
4.  DataFrame 与 DataSet 支持一些特别方便的保存方式，比如保存成 csv，可以带上表 头，这样每一列的字段名一目了然(后面专门讲解)

DataSet 

1. Dataset 和 DataFrame 拥有完全相同的成员函数，区别只是每一行的数据类型不同。 DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row] ➢
2. DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row，不解析，每一行究竟有哪 些字段，各个字段又是什么类型都无从得知，只能用上面提到的 getAS 方法或者共 性中的第七条提到的模式匹配拿出特定字段。而 Dataset 中，每一行是什么类型是 不一定的，在自定义了 case class 之后可以很自由的获得每一行的信息

附尚硅谷绘制的 RDD、DataFrame、DataSet三者转换关系图