SparkSQL(Spark-1.4.0)实战系列(二)——DataFrames进阶

简介: 本节主要内容如下DataFrame与RDD的互操作实战不同数据源构建DataFrame实战DataFrame与RDD的互操作实战1 采用反映机制进行Schema类型推导(RDD到DataFrame的转换) SparkSQL支持RDD到DataFrame的自动转换,实现方法是通过Case类定义表的Schema,Spark会通过反射机制读取case class的

本节主要内容如下

  1. DataFrame与RDD的互操作实战
  2. 不同数据源构建DataFrame实战

DataFrame与RDD的互操作实战

1 采用反映机制进行Schema类型推导(RDD到DataFrame的转换)
SparkSQL支持RDD到DataFrame的自动转换,实现方法是通过Case类定义表的Schema,Spark会通过反射机制读取case class的参数名并将其配置成表的列名。

//导入该语句后,RDD将会被隐式转换成DataFrame
import sqlContext.implicits._

//定义一个类为Person的Case Class作为Schema
case class Person(name: String, age: Int)

//读取文件并将数据Map成Person实例,然后转换为DataFrame,采用toDF()方法,本实例从HDFS上进行数据读取
val people = sc.textFile("/data/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()

//将实例为peopler的DataFrame注册成表
people.registerTempTable("people")

//采用SQLContext中的sql方法执行SQL语句
val teenagers = sqlContext.sql("SELECT name, age FROM people WHERE age >= 13 AND age <= 19")

//输出返回结果
teenagers.map(t => "Name: " + t(0)).collect().foreach(println)

2 利用程序动态指定Schema
在某些应用场景下,我们可能并不能提前确定对应列的个数,因而case class无法进行定义,此时可以通过传入一个字符串来设置Schema信息。具体过程如下:

// 创建RDD
val people = sc.textFile("/data/people.txt")

//Schema字符串
val schemaString = "name age"

// 导入Row
import org.apache.spark.sql.Row;

//导入Spark SQL数据类型
import org.apache.spark.sql.types.{StructType,StructField,StringType};

//利用schemaString动态生成Schema
val schema =
  StructType(
    schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, true)))

// 将people RDD转换成Rows
val rowRDD = people.map(_.split(",")).map(p => Row(p(0), p(1).trim))

// 创建DataFrame
val peopleDataFrame = sqlContext.createDataFrame(rowRDD, schema)

//注册成表
peopleDataFrame.registerTempTable("people")

//执行SQL语句.
val results = sqlContext.sql("SELECT name FROM people")

//打印输出
results.map(t => "Name: " + t(0)).collect().foreach(println)

通过不同数据源创建DataFrame

前面我们创建DataFrame时,读取的是HDFS中的txt类型数据,在SparkSQL中,它支持多种数据源,主要包括JSON、Parquet等。

//读取json格式数据
val jsonFile= sqlContext.read.json("/data/people.json")

//jsonFile注册成表
jsonFile.registerTempTable("peopleJson")
val teenagers = sqlContext.sql("SELECT name FROM peopleJson WHERE age >= 13 AND age <= 19")
teenagers.map(t => "Name: " + t(0)).collect().foreach(println)

这里写图片描述

//保存为parquet格式数据
jsonFile.select("name", "age").write.format("parquet").save("/data/namesAndAges.parquet")

这里写图片描述
parquet文件目录结构如下图
这里写图片描述

//读取parquet格式数据
val parquetFile = sqlContext.read.parquet(“/data/namesAndAges.parquet”)

//parquetFile注册成表
parquetFile.registerTempTable(“parquetPerson”)
val teenagers = sqlContext.sql(“SELECT name FROM parquetPerson WHERE age >= 13 AND age <= 19”)
teenagers.map(t => “Name: ” + t(0)).collect().foreach(println)

添加公众微信号,可以了解更多最新技术资讯
这里写图片描述

目录
相关文章
|
4月前
|
设计模式 SQL 分布式计算
Spark Day06:Spark Core之Spark 内核调度和SparkSQL快速入门
Spark Day06:Spark Core之Spark 内核调度和SparkSQL快速入门
65 0
|
4月前
|
SQL 分布式计算 API
Spark学习------SparkSQL(概述、编程、数据的加载和保存)
Spark学习------SparkSQL(概述、编程、数据的加载和保存)
124 2
|
2月前
|
分布式计算 Apache Spark
|
3月前
|
分布式计算 监控 大数据
spark实战:实现分区内求最大值,分区间求和以及获取日志文件固定日期的请求路径
spark实战:实现分区内求最大值,分区间求和以及获取日志文件固定日期的请求路径
|
4月前
|
SQL 分布式计算 Java
Spark学习---SparkSQL(概述、编程、数据的加载和保存、自定义UDFA、项目实战)
Spark学习---SparkSQL(概述、编程、数据的加载和保存、自定义UDFA、项目实战)
276 1
|
4月前
|
存储 分布式计算 Spark
实战|使用Spark Streaming写入Hudi
实战|使用Spark Streaming写入Hudi
244 0
|
4月前
|
分布式计算 大数据 Java
Spark 大数据实战:基于 RDD 的大数据处理分析
Spark 大数据实战:基于 RDD 的大数据处理分析
|
4月前
【spark2.x】如何通过SparkSQL读取csv文件
【spark2.x】如何通过SparkSQL读取csv文件
177 0
|
4月前
|
SQL 存储 大数据
手把手教你大数据离线综合实战 ETL+Hive+Mysql+Spark
手把手教你大数据离线综合实战 ETL+Hive+Mysql+Spark
226 0
|
4月前
|
机器学习/深度学习 分布式计算 搜索推荐
【大数据技术】Spark MLlib机器学习协同过滤电影推荐实战(附源码和数据集)
【大数据技术】Spark MLlib机器学习协同过滤电影推荐实战(附源码和数据集)
147 0