Spark SQL概述，DataFrames,创建DataFrames的案例，DataFrame常用操作（DSL风格语法），sql风格语法
一、 Spark SQL
1． Spark SQL概述
1.1． 什么是Spark SQL
Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。
1.2． 为什么要学习Spark SQL
我们已经学习了Hive，它是将Hive SQL转换成MapReduce然后提交到集群上执行，大大简化了编写MapReduce的程序的复杂性，由于MapReduce这种计算模型执行效率比较慢。所有Spark SQL的应运而生，它是将Spark SQL转换成RDD，然后提交到集群执行，执行效率非常快！
1.易整合
2.统一的数据访问方式
3.兼容Hive
4.标准的数据连接
2． DataFrames
2.1． 什么是DataFrames
与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。同时，与Hive类似，DataFrame也支持嵌套数据类型（struct、array和map）。从API易用性的角度上 看，DataFrame API提供的是一套高层的关系操作，比函数式的RDD API要更加友好，门槛更低。由于与R和Pandas的DataFrame类似，Spark DataFrame很好地继承了传统单机数据分析的开发体验。
2.2． 创建DataFrames
连接spark-shell:
[root@hadoop1 spark-2.1.1-bin-hadoop2.7]# bin/spark-shell --master spark://hadoop1:7077,hadoop2:7077在Spark SQL中SQLContext是创建DataFrames和执行SQL的入口，在spark-1.5.2中已经内置了一个sqlContext
1.在本地创建一个文件，有三列，分别是id、name、age，用空格分隔，然后上传到hdfs上
hdfs dfs -put person.txt /
person.txt的内容如下：
1 zhangsan 19
2 lisi 20
3 wangwu 28
4 zhaoliu 26
5 tianqi 24
6 chengnong 55
7 zhouxingchi 58
8 mayun 50
9 yangliying 30
10 lilianjie 51
11 zhanghuimei 35
12 lian 53
13 zhangyimou 542.在spark shell执行下面命令，读取数据，将每一行的数据使用列分隔符分割
scala> val lineRDD = sc.textFile("hdfs://mycluster/person.txt").map(_.split(" "))
lineRDD: org.apache.spark.rdd.RDD[Array[String]] = MapPartitionsRDD[2] at map at :24 3.定义case class（相当于表的schema）
scala> case class Person(id:Int, name:String, age:Int)
defined class Person4.将RDD和case class关联
scala> val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
personRDD: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[3] at map at :28 5.将RDD转换成DataFrame
scala> val personDF = personRDD.toDF
personDF: org.apache.spark.sql.DataFrame = [id: int, name: string ... 1 more field]6.对DataFrame进行处理
scala> personDF.show
+---+-----------+---+
| id| name|age|
+---+-----------+---+
| 1| zhangsan| 19|
| 2| lisi| 20|
| 3| wangwu| 28|
| 4| zhaoliu| 26|
| 5| tianqi| 24|
| 6| chengnong| 55|
| 7|zhouxingchi| 58|
| 8| mayun| 50|
| 9| yangliying| 30|
| 10| lilianjie| 51|
| 11|zhanghuimei| 35|
| 12| lian| 53|
| 13| zhangyimou| 54|
+---+-----------+---+3.DataFrame常用操作
3.1 DSL风格语法
1.查看DataFrame中的内容
scala> personDF.show
+---+-----------+---+
| id| name|age|
+---+-----------+---+
| 1| zhangsan| 19|
| 2| lisi| 20|
| 3| wangwu| 28|
| 4| zhaoliu| 26|
| 5| tianqi| 24|
| 6| chengnong| 55|
| 7|zhouxingchi| 58|
| 8| mayun| 50|
| 9| yangliying| 30|
| 10| lilianjie| 51|
| 11|zhanghuimei| 35|
| 12| lian| 53|
| 13| zhangyimou| 54|
+---+-----------+---+2.查看DataFrame部分列中的内容
scala> personDF.select(personDF.col("name")).show
+-----------+
| name|
+-----------+
| zhangsan|
| lisi|
| wangwu|
| zhaoliu|
| tianqi|
| chengnong|
|zhouxingchi|
| mayun|
| yangliying|
| lilianjie|
|zhanghuimei|
| lian|
| zhangyimou|
+-----------+scala> personDF.select(col("name"),col("age")).show
+-----------+---+
| name|age|
+-----------+---+
| zhangsan| 19|
| lisi| 20|
| wangwu| 28|
| zhaoliu| 26|
| tianqi| 24|
| chengnong| 55|
|zhouxingchi| 58|
| mayun| 50|
| yangliying| 30|
| lilianjie| 51|
|zhanghuimei| 35|
| lian| 53|
| zhangyimou| 54|
+-----------+---+scala> personDF.select("name").show
+-----------+
| name|
+-----------+
| zhangsan|
| lisi|
| wangwu|
| zhaoliu|
| tianqi|
| chengnong|
|zhouxingchi|
| mayun|
| yangliying|
| lilianjie|
|zhanghuimei|
| lian|
| zhangyimou|
+-----------+3.打印DataFrame的Schema信息
scala> personDF.printSchema
root
|-- id: integer (nullable = true)
|-- name: string (nullable = true)
|-- age: integer (nullable = true)4. 查询所有的name和age，并将age +1
scala> personDF.select(col("id"),col("name"),col("age") + 1).show
+---+-----------+---------+
| id| name|(age + 1)|
+---+-----------+---------+
| 1| zhangsan| 20|
| 2| lisi| 21|
| 3| wangwu| 29|
| 4| zhaoliu| 27|
| 5| tianqi| 25|
| 6| chengnong| 56|
| 7|zhouxingchi| 59|
| 8| mayun| 51|
| 9| yangliying| 31|
| 10| lilianjie| 52|
| 11|zhanghuimei| 36|
| 12| lian| 54|
| 13| zhangyimou| 55|
+---+-----------+---------+scala> personDF.select(personDF("id"),personDF("name"),personDF("age") + 1).show
+---+-----------+---------+
| id| name|(age + 1)|
+---+-----------+---------+
| 1| zhangsan| 20|
| 2| lisi| 21|
| 3| wangwu| 29|
| 4| zhaoliu| 27|
| 5| tianqi| 25|
| 6| chengnong| 56|
| 7|zhouxingchi| 59|
| 8| mayun| 51|
| 9| yangliying| 31|
| 10| lilianjie| 52|
| 11|zhanghuimei| 36|
| 12| lian| 54|
| 13| zhangyimou| 55|
+---+-----------+---------+5. 过滤age大于等于40的
scala> personDF.filter(col("age") >= 40).show
6. 按年龄进行分组并统计相同年龄的人数
scala> personDF.groupBy("age").count.show()
+---+-----+
|age|count|
+---+-----+
| 53| 1|
| 28| 1|
| 26| 1|
| 20| 1|
| 54| 1|
| 19| 1|
| 35| 1|
| 55| 1|
| 51| 1|
| 50| 1|
| 24| 1|
| 58| 1|
| 30| 1|
+---+-----+3.2 SQL风格语法：
- 在使用SQL的语法之前，需要先执行（也就是或先创建一个sqlContext）：
scala> val sqlContext = new org.apache.spark.sql.SQLContext(sc)
warning: there was one deprecation warning; re-run with -deprecation for details
sqlContext: org.apache.spark.sql.SQLContext = org.apache.spark.sql.SQLContext@11fb9fc7- 如果想使用SQL风格的语法，需要将DataFrame注册成表
scala> personDF.registerTempTable("t_person")
warning: there was one deprecation warning; re-run with -deprecation for details- 查询年龄最大的前两名
scala> sqlContext.sql("select * from t_person order by age desc limit 2").show
+---+-----------+---+
| id| name|age|
+---+-----------+---+
| 7|zhouxingchi| 58|
| 6| chengnong| 55|
+---+-----------+---+- 显示表的Schema信息
scala> sqlContext.sql("desc t_person").show
+--------+---------+-------+
|col_name|data_type|comment|
+--------+---------+-------+
| id| int| null|
| name| string| null|
| age| int| null|
+--------+---------+-------+
scala>7.保存结果
result.save("hdfs://hadoop.itcast.cn:9000/sql/res1")
result.save("hdfs://hadoop.itcast.cn:9000/sql/res2", "json")
#以JSON文件格式覆写HDFS上的JSON文件
import org.apache.spark.sql.SaveMode._
result.save("hdfs://hadoop.itcast.cn:9000/sql/res2", "json" , Overwrite)
8.重新加载以前的处理结果（可选）
sqlContext.load("hdfs://hadoop.itcast.cn:9000/sql/res1")
sqlContext.load("hdfs://hadoop.itcast.cn:9000/sql/res2", "json")