PySpark-Spark SQL基本介绍

目录

Spark SQL基本介绍

Spark SQL特点

Spark SQL与Hive的异同

Spark SQL的数据结构

Spark SQL的入门

创建SparkSession对象

DataFrame详解

DataFrame基本介绍

 DataFrame的构建方式

RDD构建DataFrame

 内部初始化数据得到DataFrame

schema总结

读取外部文件得到DataFrame

Text方式读取

CSV方式读取

JSON方式读取

---

Spark SQL基本介绍

概念:Spark SQL是Spark多种组件中其中一个,主要是用于处理大规模的结构化数据

结构化数据:可以转化为二维表格的数据,一份数据,每一行,每一列的了下都是一致的,我们将这样的数据称为结构化数据

例如:mysql的表数据

        1 张三 10

        2 李四 18

        3 王五 20

Spark SQL特点

1.融合性:既可以使用标准SQL语言,也可以编写代码,同时支持混合使用

2.统一的数据访问:可以通过统一的API来对接不同的数据源

3.Hive的兼容性:Spark SQL可以和Hive进行整合,整合后替换执行引擎为Spark,核心是基于Hive的metastore来管理元数据

4.标准化连接:Spark SQL也支持JDBC/ODBC的连接方式

Spark SQL与Hive的异同

相同点:

        1.都是分布式SQL计算引擎

        2.都可以处理大规模的结构化数据

        3.都可以建立YARN集群上运行

不同点:

        1.Spark SQL是基于内存计算,而Hive SQL是基于磁盘进行计算的

        2.Spark SQL没有元数据管理服务(自己维护),而Hive SQL是有metastore元数据管理服务的

        3.Spark SQL底层执行的是Spark RDD程序,而Hive SQL底层执行的是mapreduce程序

        4.Spark SQL可以编写SQL也可以编写代码,而Hive SQL仅能编写SQL语句

Spark SQL的数据结构

Pandas/SparkCore/SparkSQL数据结构对比

核心	数据结构	区别
Pandas	DataFrame	● 二维表数据结构 ● 处理单机(本地集合)结构数据
SparkCore	RDD	● 无标准数据结构(任何的数据结构) ● 大规模的分布式结构数据(分区)
SparkSQL	DataFrame	● 二维表格结构 ● 大规模的分布式结构数据(分区)

以图为例:

RDD:存储直接就是对象,存储就是一个Person的对象,无法看到对象的数据内容

DataFrame:将Person中的各个字段数据,进行结构化存储,形成一个DataFrame,可以直接看到数据

Dataset:将Person对象中的数据按照结构化的方式存储,同时保留对象的类型,从而知道来源于开一个Person对象

Spark SQL的入门

创建SparkSession对象

        Spark SQL需要将顶级对象SparkContext变成SparkSesssion对象。SparkContext是RDD中的顶级对象，里面没有和SQL编程相关的API/方法。通过SparkSession对象还是可以得到SparkContext对象。

# 如何构建一个SparkSession对象呢?
from pyspark import SparkConf, SparkContext
import os
from pyspark.sql import SparkSession

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'

if __name__ == '__main__':
    # 创建SparkSQL中的顶级对象SparkSession
    """
        注意事项：
        1- SparkSession和builder都没有小括号
        2- appName()：给应用程序取名词。等同于SparkCore中的setAppName()
        3- master()：设置运行时集群类型。等同于SparkCore中的setMaster()
    """
    spark = SparkSession.builder\
        .appName('create_sparksession_demo')\
        .master('local[*]')\
        .getOrCreate()

    # 通过SparkSQL的顶级对象获取SparkCore中的顶级对象
    sc = spark.sparkContext

    # 释放资源
    sc.stop()
    spark.stop()

DataFrame详解

DataFrame基本介绍

DataFrame:表示的是一个二维得表,存在行,列等表结构描述信息

表结构描述信息(元数据schema):strucType对象

字段:structField对象,可以描述字段名称,字段数据类型,是否可以为空

行:Row对象

列:column对象,包括字段名称和字段值

在一个StructType对象下，由多个StructField组成，构建成一个完整的元数据信息

 DataFrame的构建方式

RDD构建DataFrame

场景：RDD可以存储任意结构的数据；而DataFrame只能处理二维表数据。在使用Spark处理数据的初期，可能输入进来的数据是半结构化或者是非结构化的数据，那么我可以先通过RDD对数据进行ETL处理成结构化数据，再使用开发效率高的SparkSQL来对后续数据进行处理分析。

# 导包
import os
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
from pyspark.sql.types import StructType, IntegerType, StringType, StructField

# 绑定指定的python解释器


os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
# 创建main函数
if __name__ == '__main__':
    print('通过Rdd创建DataFrame')
    # 创建SparkSession对象
    spark = SparkSession \
        .builder.appName('rdd_to_DataFrame_demo') \
        .master('local[*]') \
        .getOrCreate()
    # 通过SparkSession对象创建SparkContext顶级对象
    sc = spark.sparkContext
    # 数据输入
    # 构建rdd
    init_rdd = sc.parallelize(['1,张三,18', '2,李四,20', '3,王五,22'])
    # 将qrdd数据结构转成二维结构
    new_rdd = init_rdd.map(lambda line: (
        int(line.split(',')[0]),
        line.split(',')[1],
        int(line.split(',')[2], )))
    # 将RDD转成DataFrame：方式一
    # 构建schema方式一
    schema = StructType() \
        .add('id', IntegerType(), False) \
        .add('name', StringType(), False) \
        .add('age', IntegerType(), False)

    # 构建schema方式二
    schema = StructType([
        StructField('id', IntegerType(), False),
        StructField('name', StringType(), False),
        StructField('age', IntegerType(), False),
    ])

    # 构建schema方式三
    schema = "id:int,name:string,age:int"
    schema = "id int,name string,age int"

    # 构建schema方式四,不能指定字段类型
    schema = ['id', 'name', 'age']
    # 构建DataFrame
    init_df = spark.createDataFrame(data=new_rdd, schema=schema)
    # 数据输出
    init_df.show()
    # 输出schema
    init_df.printSchema()
    print('=' * 50)
    # 将RDD转成DataFrame：方式二
    """
    toDF：中的schema既可以传List，也可以传字符串形式的schema信息
    """
    # 方式一:传入列表
    init_df2 = new_rdd.toDF(schema=['id', 'name', 'age'])
    # 方式一:传入字符串
    init_df2 = new_rdd.toDF(schema="id:int,name:string,age:int")
    init_df2 = new_rdd.toDF(schema="id int,name string,age int")
    # 数据输出
    init_df2.show()
    # 输出schema
    init_df2.printSchema()


    # 释放资源
    spark.stop()
    sc.stop()

 内部初始化数据得到DataFrame

场景：一般用在开发和测试中。因为只能处理少量的数据

# 导包
import os
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
from pyspark.sql.types import StructType, IntegerType, StringType, StructField

# 绑定指定的python解释器


os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
# 创建main函数
if __name__ == '__main__':
    print('内部初始化数据得到DataFrame')
    # 创建SparkSession对象
    spark = SparkSession \
        .builder \
        .appName('inner_create_dataframe') \
        .master('local[*]') \
        .getOrCreate()
    # 2- 数据输入
    """
        内部初始化数据得到DataFrame
        通过createDataFrame创建DataFrame，schema数据类型可以是：DataType、字符串、List
            字符串：格式要求
                格式一 字段1 字段类型,字段2 字段类型
                格式二（推荐） 字段1:字段类型,字段2:字段类型

            List：格式要求
                ["字段1","字段2"]
    """
    # 方式一
    init_df = spark.createDataFrame(
        data=[(1, '张三', 18), (2, '李四', 20), (3, '王五', 22)],
        schema='id int,name string,age int'
    )

    # 方式二
    init_df = spark.createDataFrame(
        data=[(1, '张三', 18), (2, '李四', 20), (3, '王五', 22)],
        schema='id:int,name:string,age:int'
    )

    # 方式三,列表形式不能指定字段类型,有输入的数据自动推断字段类型
    init_df = spark.createDataFrame(
        data=[(1, '张三', 18), (2, '李四', 20), (3, '王五', 22)],
        schema=['id', 'name', 'age']
    )

    # 数据输出
    init_df.show()
    # 输出schema信息
    init_df.printSchema()

    # 是否资源
    spark.stop()

schema总结

通过createDataFrame创建DataFrame，schema数据类型可以是：DataType、字符串、List
1: 字符串
    格式一 字段1 字段类型,字段2 字段类型
    格式二（推荐） 字段1:字段类型,字段2:字段类型
    
2: List
    ["字段1","字段2"]
    
3: DataType（推荐，用的最多）
    格式一 schema = StructType()\
            .add('id',IntegerType(),False)\
            .add('name',StringType(),True)\
            .add('age',IntegerType(),False)

    格式二 schema = StructType([
            StructField('id',IntegerType(),False),
            StructField('name',StringType(),True),
            StructField('age',IntegerType(),False)
          ])

读取外部文件得到DataFrame

复杂API

统一API格式:

Sparksession.read

        .format('text | csv | json | parquet | orc |  avro | jdbc | ......')    # 读取外部文件的方式

        .option('k','v')          # 选项,可以设置相关的参数(可选)

        .schema(structType | string)  # 设置表的结构信息

        .load('加载数据路径')    # 读取外部文件的路径,支持HDFS也支持本地

 简写API

注意:所有的复杂API外部读取方式,都有简单的写法,spark内置了一些常用的读取方案的简写

格式:

           spark.read.读取方式()

例如:

        df=spark.read.csv(

                path='文件路径',

                header=True,

                sep=' ',

                inferschema=True,

                encoding='utf-8'

        )

Text方式读取

load：支持读取HDFS文件系统和本地文件系统
            HDFS文件系统：hdfs://node1:8020/文件路径
            本地文件系统：file:///文件路径
            
        text方式读取文件总结：
            1- 不管文件中内容是什么样的，text会将所有内容全部放到一个列中处理
            2- 默认生成的列名叫value，数据类型string
            3- 我们只能够在schema中修改字段value的名称，其他任何内容不能修改

# 导包
import os
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession

# 绑定指定的python解释器


os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
# 创建main函数
if __name__ == '__main__':
    # text方式读取
    print('text方式读取外部文件')
    # 创建sparksession对象
    spark = SparkSession.builder.appName('text_demo').master('local[*]').getOrCreate()
    # 复杂API方式
    # 数据输入
    init_df = spark.read \
        .format('text') \
        .schema('my_file string') \
        .load('file:///export/data/pyspark_projects/02_spark_sql/data/stu.txt')
    # 数据输出
    init_df.show()
    # 输出schema
    init_df.printSchema()

    # 简写API方式
    init_df = spark.read.text(
        paths='file:///export/data/pyspark_projects/02_spark_sql/data/stu.txt'
    )
    init_df.show()
    # 输出schema
    init_df.printSchema()

CSV方式读取

csv格式读取外部文件总结：
    1- 复杂API和简写API都须掌握
    2- 相关参数作用说明：
        2.1- path：指定读取的文件路径。支持HDFS和本地文件路径
        2.2- schema：手动指定元数据信息
        2.3- sep：指定字段间的分隔符
        2.4- encoding：指定文件的编码方式
        2.5- header：指定文件中的第一行是否是字段名称
        2.6- inferSchema：根据数据内容自动推断数据类型。但是，推断结果可能不精确

# 导包
import os
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession

# 绑定指定的python解释器


os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
# 创建main函数
if __name__ == '__main__':
    # json方式读取
    print('csv方式读取外部文件')
    # 创建sparksession对象
    spark = SparkSession.builder.appName('csv_demo').master('local[*]').getOrCreate()
    # 复杂API方式
    # 数据输入
    init_df = spark.read \
        .format('csv') \
        .option('sep', ' ') \
        .option('encoding', 'utf8') \
        .option('header', 'True') \
        .schema(schema='id int,name string,address string,sex string,age int') \
        .load('file:///export/data/pyspark_projects/02_spark_sql/data/stu.txt')
    # 数据输出
    init_df.show()
    # 输出schema
    init_df.printSchema()
    print('='*50)
    #简写API方式
    init_df = spark.read.csv(
        path='file:///export/data/pyspark_projects/02_spark_sql/data/stu.txt',
        schema='id int,name string,address string,sex string,age int',
        sep=' ',
        encoding='utf8',
        header=True
    )
    init_df.show()
    # 输出schema
    init_df.printSchema()

JSON方式读取

json读取数据总结：
     1- 需要手动指定schema信息。如果手动指定的时候，字段名称与json中的key名称不一致，会解析不成功，以null值填充
     2- csv/json中schema的结构，如果是字符串类型，那么字段名称和字段数据类型间，只能以空格分隔

# 导包
import os
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession

# 绑定指定的python解释器


os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
# 创建main函数
if __name__ == '__main__':
    # json方式读取
    print('json方式读取外部文件')
    # 创建sparksession对象
    spark = SparkSession.builder.appName('json_demo').master('local[*]').getOrCreate()
    # 复杂API方式
    # 数据输入
    init_df = spark.read \
        .format('json') \
        .option('sep', ':') \
        .option('header', 'True') \
        .option('encoding', 'utf8') \
        .schema(schema='id int,name string,age int,address string') \
        .load('file:///export/data/pyspark_projects/02_spark_sql/data/json.txt')
    # 数据输出
    init_df.show()
    # 输出schema
    init_df.printSchema()
    print('=' * 50)
    # # 简写API方式
    init_df = spark.read.json(
        path='file:///export/data/pyspark_projects/02_spark_sql/data/json.txt',
        schema='id int,name string,age int,address string',
        encoding='utf8'
    )
    init_df.show()
    # 输出schema
    init_df.printSchema()

    # 释放资源
    spark.stop()