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
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。
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 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")
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()
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
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 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 是具有强类型的数据集合,需要提供对应的类型信息。
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
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]
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 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
附尚硅谷绘制的 RDD、DataFrame、DataSet三者转换关系图