SparkSQL 学习笔记----将RDD转换成DataFrame

一、RDD转换成DataFrame

1、为什么要将RDD转换成DataFrame

转换成DataFrame之后就可以直接针对HDFS等任何可以构建为RDD的数据，进行Spark SQL进行SQL查询了。

2、Spark SQL支持两种方式来将RDD转化成DataFrame

• 使用反射来推断包含了特定数据类型的RDD的元数据
  这种基于反射的方法，代码比较简洁，当你已经知道你的RDD的元数据时，是一种非常不错的方法。
• 通过编程接口来创建DataFrame
  可以在程序运行时动态构建一份元数据，然后将其应用到已经存在的RDD上。
  这种方法的代码比较冗长，但是如果在编写程序时还不知道RDD的元数据，只有在程序运行时才能动态得知其元数据，那么只能通过这种动态构建元数据的方法。

二、如何将RDD转换成DataFrame

1、使用反射来推断包含了特定数据类型的RDD的元数据

• java版本

package pz.spark.study.sql;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SQLContext;

import java.io.Serializable;
import java.util.List;

/**
 * 使用反射的方式将RDD转换成DataFrame
 */
public class RDD2DataFrameReflection {
    public static void main(String[] args) {
        //创建普通RDD
        SparkConf conf = new SparkConf().setAppName("RDD2DataFrameReflection").setMaster("local");
        JavaSparkContext sc = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sc);

        JavaRDD<String> lines = sc.textFile("./student.txt");
        JavaRDD<Student> students = lines.map(new Function<String, Student>() {
            public Student call(String line) throws Exception {
                String[] lineSplited = line.split(",");
                Student stu = new Student();
                stu.setAge(Integer.valueOf(lineSplited[0]));
                stu.setId(Integer.valueOf(lineSplited[1]));
                stu.setName(lineSplited[2]);

                return stu;

            }
        });

        //使用反射的方式，将RDD转换成DataFrame
        //将Student.class传入进去，其实就是用反射的方法来创建DataFrame
        //因为Student.class本身就是反射的一个应用
        //然后底层还得通过对Student class进行反射，来获取其中的field
        Dataset<Row> studentDF = sqlContext.createDataFrame(students, Student.class);

        //拿到了一个DataFrame之后就可以将其注册为一个临时表，然后针对其中的数据执行sql语句
        studentDF.registerTempTable("students");

        //针对students临时表执行sql语句，查询年龄小于等于18岁的学生
        Dataset<Row> teenagerDF = sqlContext.sql("select * from students where age<=18");

        //将查询出来的DataFrame，再次转换成RDD
        JavaRDD<Row> teenagerRDD = teenagerDF.javaRDD();

        //将RDD中的数据，进行映射，映射为Student
        JavaRDD<Student> teenagerStudentRDD = teenagerRDD.map(new Function<Row, Student>() {
            public Student call(Row row) throws Exception {
                Student stu = new Student();
                stu.setAge(row.getInt(0));
                stu.setId(row.getInt(1));
                stu.setName(row.getString(2));
                return stu;
            }
        });
        //将数据collect回来，打印出来
        List<Student> studentList = teenagerStudentRDD.collect();
        for (Student stu: studentList) {
            System.out.println(stu);
        }
    }
}

class Student implements Serializable {
    private int id;
    private String name;
    private int age;
    public int getId() {
        return id;
    }
    public void setId(int id) {
        this.id = id;
    }
    public String getName() {
        return name;
    }

    public void setName(String name) {
        this.name = name;
    }

    public int getAge() {
        return age;
    }

    public void setAge(int age) {
        this.age = age;
    }
    @Override
    public String toString() {
        return "Student{" +
                "id=" + id +
                ", name='" + name + '\'' +
                ", age=" + age +
                '}';
    }
}

• scala版本

package pz.spark.study.sql

import org.apache.spark.sql.SQLContext
import org.apache.spark.{SparkConf, SparkContext}

/**
  *
  */
object RDD2DataFrameReflection_scala {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("RDD2DataFrameReflection_scala");
    val sc = new SparkContext(conf);
    val sqlContext = new SQLContext(sc);

    /**
      * 在scala中使用反射方法，进行RDD到DataFrame的转换，需要手动导入一个隐式转换
      */
    import sqlContext.implicits._


    case class Student(id:Int,name:String,age:Int)

    //这里其实就是一个普通的，元素为case class的RDD
    //直接使用RDD 的toDF，即可将其转换为DataFrame
    val studentDF = sc.textFile("./student.txt", 1)
      .map(line => line.split(","))
      .map(arr => Student(arr(0).trim().toInt,arr(1),arr(2).trim().toInt))
      .toDF();//不知道为什么此处总是报错，无法继续运行
    studentDF.registerTempTable("students");
    val teenagerDF = sqlContext.sql("select * from students where age <=18");
    val teenagerRDD = teenagerDF.rdd
    teenagerRDD.map(row => Student(row(0).toString().toInt,row(1).toString,row(2).toString.toInt))
      .collect()
      .foreach(stu => println(stu.id +":" + stu.name + ": " + stu.age))
  }
}

2、通过编程接口来创建DataFrame

• java版

package pz.spark.study.sql;

import org.apache.derby.impl.sql.compile.SQLBooleanConstantNode;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SQLContext;

import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;

import java.util.ArrayList;
import java.util.List;

/**
 *
 * 以编程方式动态指定元数据，将RDDzhuanhuan成DataFrame
 */
public class RDD2DataFrameProgrammatically {
    public static void main(String[] args) {
        //创建SparkConf ,JavaSparkContext,SQLContext
        SparkConf conf = new SparkConf().setMaster("local").setAppName("RDD2DataFrameProgrammatically");

        JavaSparkContext sc = new JavaSparkContext(conf);
        SQLContext sqlContext = new SQLContext(sc);

        //第一步，创建一个普通的RDD，但是必须将其转换成RDD的这种格式
        JavaRDD<String> lines = sc.textFile("./student.txt");
        //报了一个错，不能直接从String转换成Integer的一个类型转换错误
        //说明，有个数据，定义成了String，但使用的时候将age强行转换成了Integer来使用
        //而且，错误报在了sql相关的代码中
        //所以，基本可以断定，在sql中用到了age<=18的语法，所以就强行将age转换成了Integer来使用
        //但是，肯定是之前的某些步骤，将age定义成了string
        //所以就往前找

        //往Row中放数据的时候，要注意，什么格式的数据，就用什么格式转换一下再放进去
        JavaRDD<Row>  rows = lines.map(new Function<String, Row>() {
            public Row call(String line) throws Exception {
                String[] lineSplited = line.split(",");
                //将数据封装到一个一个的row中
                return RowFactory.create(Integer.valueOf(lineSplited[0]),lineSplited[1],Integer.valueOf(lineSplited[2]));
            }
        });

        //第二步，动态构造元数据
        //比如，id，name等，field的名称和类型，可能都是在程序运行过程中，动态从mysql,db里
        //或者是配置文件中加载出来的，是不固定的
        //所以特别适合用这种编程的方式，来构建元数据
        List<StructField> structFields = new ArrayList<StructField>();
        structFields.add(DataTypes.createStructField("id",DataTypes.IntegerType,true));
        structFields.add(DataTypes.createStructField("name",DataTypes.StringType,true));
        structFields.add(DataTypes.createStructField("age",DataTypes.IntegerType,true));
        StructType structType = DataTypes.createStructType(structFields);
        //第三步，使用动态构造的元数据，将RDD转化成DataFrame
        Dataset<Row> studentDF = sqlContext.createDataFrame(rows, structType);
        //后面就可以使用DataFrame了
        studentDF.registerTempTable("students");
        Dataset<Row> teenagerDF = sqlContext.sql("select * from students where age <= 18");
        List<Row> teenagerRDD = teenagerDF.javaRDD().collect();
        for (Row row:teenagerRDD) {
            System.out.println(row);
        }
    }
}

• scala版

package pz.spark.study.sql


import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}

object RDD2DataFrameProgrammatically_scala {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("RDD2DataFrameProgrammatically");
    val sc = new SparkContext(conf);

    val sQLContext = new SQLContext(sc);
    //第一步：构造出元素为Row的普通RDD
    val studentRDD = sc.textFile("./student.txt")
      .map(line => Row(line.split(",")(0).toInt,line.split(",")(1),line.split(",")(2).toInt));
    //第二步：编程方式动态构建元数据
    val structType = StructType(Array(
      StructField("id",IntegerType,true),
      StructField("name",StringType,true),
      StructField("age",IntegerType,true)))

    //第三步，进行RDD到DataFrame的转换
    val studentDF = sQLContext.createDataFrame(studentRDD,structType);
    //继续正常使用
    studentDF.registerTempTable("students");
    val teenagerDF = sQLContext.sql("select * from students where age <=18");
    val teenagerRDD = teenagerDF.rdd.collect().foreach(row => println(row));
  }
}

本文为北风网Spark2.0培训视频的学习笔记
视频链接：
https://www.bilibili.com/video/av19995678/?p=105