一、spark SQL:类似于Hive，是一种数据分析引擎
什么是spark SQL？
spark SQL只能处理结构化数据
底层依赖RDD，把sql语句转换成一个个RDD，运行在不同的worker上
特点：
1、容易集成：SQL语句
2、对不同的数据源提供统一的访问方式：DataFrame 用DataFrame屏蔽数据源的差别
3、兼容Hive
大纲：
核心概念：DataFrame（看作表）：就是表，是Spark SQL对结构化数据的抽象集合
表现形式：RDD
表=表结构+数据
DataFrame=schema+RDD
DataSet(新API接口 看作表)
如何创建DataFrame？
1、方式一：通过case class创建DataFrame
创建表结构
case class EMP(empno:Int,ename:String,job:String,mgr:String,hiredata:String,sal:Int,comm:String,deptno:Int)
导入emp.csv文件并指定分隔符
val lines = sc.textFile("/root/temp/emp.csv").map(_.split(",")) lines.collect
将表结构和数据关联起来
val allEmp = lines.map(x=>Emp(x(0).toInt,x(1),x(2),x(3),x(4),x(5).toInt,x(6),x(7).toInt))
创建DataFrame:
val empDF = allEmp.toDF
操作DataFrame:
empDF.show：展示DataFrame
empDF.printSchema：打印DataFrame的表结构
2、方式二：通过SparkSession.createDataFrame()创建DataFrame
什么是spark session?
从spark2.0以后提供了统一访问spark各个模块的对象：spark session
创建表结构:用StructType类
import org.apache.spark.sql import org.apache.spark.sql.types._ val myschema = StructType(List(empno:Int,ename:String,job:String,mgr:String,hiredata:String,sal:Int,comm:String,deptno:Int))
导入emp.csv文件并指定分隔符
val lines = sc.textFile("/root/temp/emp.csv").map(_.split(","))
将表结构和数据关联起来，把读入的数据emp.csv映射成一行，这里没有带表结构
import.org.apache.spark.sql._ val rowRDD = lines.map(x=>Row(x(0).toInt,x(1),x(2),x(3),x(4),x(5).toInt,x(6),x(7).toInt))
通过SparkSession.createDataFrame()创建表
val df = spark.createDataFrame(rowRDD,myschema)
3、方式三：直接读取一个具有格式的数据文件作为DataFrame（json文件）
val peopleDF = spark.read.json("/root/training/")
4、操作DataFrame:DSL语句和SQL语句
DSL语句：empDF.show
empDF.printSchema
查询所有员工的信息：df.show
查询所有员工的姓名：df.select("ename").show
或者df.select($"ename").show
查询员工信息：姓名 薪水 薪水+100
df.select($"ename",$"sal",$"sal"+100).show
查询工资大于2000的员工
df.filter("sal">2000).show
分组：
df.groupBy("deptno").count.show
SQL语句：需要将DataFrame注册成一张临时视图
df.createOrReplaceTempView("emp") spark.sql("select * from emp").show spark.sql("select * from emp where deptno=10").show
5、临时视图：2种
1、只在当前会话中有效：临时视图 df.createOrReplaceTempView("emp")
2、在全局范围内都有效：全局临时视图 df.createGlobalTempView("empG")
例：在当前会话中
spark.sql("select * from emp").show spark.sql("select * from global_temp.empG").show
例：在新的会话中
spark.newSession.sal("select * from emp").show spark.newSession.sal("select * from global_temp.empG").show
二、使用数据源：
1、load函数加载数据源和save函数保存数据源
load函数默认的数据源是parquet文件
json函数默认的数据源是json文件
val usersDF = spark.read.load("/root/training/spakr-2.1.0-bin-hadoop2.7/examples/") usersDF.select("name","favorite_color").show usersDF.select("name","favorite_color").write.save("/root/temp/result")
2、Parquet文件：是sparkSQL load函数默认加载的数据源，按列存储的文件
如何把其他文件格式转换成parquet文件？
例：json文件---->parquet文件
val empJSON = spark.read.json("/root/temp/emp.json") #直接读取一个具有格式的数据文件作为DataFrame empJSON.write.parquet("/root/temp/empparquet") #/empparquet目录不能事先存在 或者empJSON.wirte.mode("overwrite").parquet("/root/temp/result") #/result目录可以事先存在
功能：支持Schema的合并
第一个文件：val df1 = sc.makeRDD(1 to 5).map(i=>(i,i*2)).toDF("single","double")
df1.write.parquet("/root/temp/test_table/key=1")
第二个文件：val df2 = sc.makeRD(6 to 10).map(i=>(i,i*3)).toDF("single","triple")
df2.write.parquet("/root/temp/test_table/key=2")
合并两个文件：val df3 = spark.read.option("mergeSchema","true").parquet("/root/temp/test_table")
3、json文件：
spark.read.json("/root/training/spark-2.1.0-bin-hadoop-2.7/examples/src/main/resources/people.json") spark.read.format("json").load("/root/training/spark-2.1.0-bin-hadoop2.7/examples/src/main/resources/people.json")
4、RDBMS：需要把RDBMS的驱动加入到spark shell中
spark.read.format("jdbc").option("url","jdbc:oracle:thin:@192.168.182.11:1521/orcl.example.com").option("dbtable","scott.emp").option("user","scott").option("password","tiger").load
或使用Properties类
import java.util.Properties val prop = new Properties() prop.setProperty("user","scott") prop.setProperty("password","tiger") val oracleDF1 = spark.read.jdbc("jdbc:oracle:thin:@192.168.182.11:1521/orcl")
作者：李金泽AllenLi，清华大学硕士研究生，研究方向：大数据和人工智能
