Spark SQL的介绍和DataFrame的建立及使用

1.

Spark SQL定位处理结构化数据的模块。SparkSQL提供相应的优化机制，并支持不同语言的开发API。
java、scala、Python，类SQL的方法调用（DSL）
2.

RDD与Spark SQL的比较说明：
　　使用Spark SQL的优势：a.面向结构化数据；b.优化机制；
　　RDD缺点：a.没有优化机制，如对RDD执行Filter操作；
　　　　　b.RDD类型转换后无法进行模式推断
3.

DataFrame/SchemaRDD
　　DataFrame是一个分布式的数据集合，该数据集合以命名列的方式进行整合。
　　Dateframe=RDD(数据集)+Schema(元数据/模型)
　　SchemaRDD就是DataFrame的前身,在1.3.0版本后。
　　DataFrame存放的是ROW对象。每个Row 对象代表一行记录。　　　　　　

　　SchemaRDD还包含记录的结构信息（即数据字段）
4.

创建Spark SQL环境
　　a.将SparkSQL依赖库添加至pom.xml文件中
　　　　<dependency>
　　　　<groupId>org.apache.spark</groupId>
　　　　<artifactId>spark-sql_2.11</artifactId>
　　　　<version>2.1.2</version>
　　　　</dependency>
　　b.创建SparkSQL Context-->SparkSession
　　　　通过SparkSession.builder()创建构造器；
　　　　并调用.appName("sparkSQL").master("local")设置集群模式以及app名称
　　　　最后必须调用getOrCreate()方法创建SparkSession对象。
　　　　val spark = SparkSession.builder().appName("sparkSQL").master("local").getOrCreate()
　　c.加载外部数据源:
　　　　通过SparkSession的read()方法加载不同的数据源：json、CVS、jdbc、textfile、parquert等
　　　　val df = spark.read.textFile("file:///d:/测试数据/users.txt").toDF()
　　　　df.show()

　　（1）通过SparkSession的createDataFrame(...)方法创建DF对象
　　　　a.将Seq序列转换为DF
　　　　b.将RDD[Product]多元素转换为DF
　　（2）通过SparkSession的read读取外部文件调用toDF()
　　（3）通过导入隐式转换，可直接将Scala中的序列转换为DF
　　　　val spark = SparkSession.builder().appName("sparkSQL").master("local").getOrCreate()
　　　　import spark.implicits._
　　　　val list = List(("zhangsan",12,"changchun"),("lilei",25,"haerbin"))
　　　　val df_implicits = list.toDF()

1.案例说明：
　　val rdd = sc.textFile("file:///d:/测试数据/users.txt").map(x=>x.split(" ")).map(x=>(x(0),x(1),x(2)))
　　val df_rdd = spark.createDataFrame(rdd)
　　df_rdd.show()
　　df_rdd.select("_1","_2").where("_1 like ‘%o%‘").show()
　　df_rdd.printSchema()
　　　　root
　　　　　　|-- _1: string (nullable = true)
　　　　　　|-- _2: string (nullable = true)
　　　　　　|-- _3: string (nullable = true)
　　通过case用例类可以对DF进行Schema匹配
　　case class Person(name:String,age:Int,address:String)

　　val rdd = sc.textFile("file:///d:/测试数据/users.txt").map(x=>x.split(" ")).map(x=>new Person(x(0),x(1).toInt,x(2)))
　　val df_rdd = spark.createDataFrame(rdd)
　　df_rdd.printSchema()
　　　　root
　　　　　　|-- name: string (nullable = true)
　　　　　　|-- age: integer (nullable = true)
　　　　　　|-- address: string (nullable = true)
　　df_rdd.show()
　　　　+------+---+-------+
　　　　| name|age|address|
　　　　+------+---+-------+
　　　　| anne| 22| NY|
　　　　| joe| 39| CO|
　　　　|alison| 35| NY|
　　　　+------+---+-------+
2.实现简单的select操作
　　df_rdd.select("name","age").where("name like ‘%o%‘").show()
　　　　+------+---+
　　　　| name|age|
　　　　+------+---+
　　　　| joe| 39|
　　　　|alison| 35|
　　　　| bob| 71|
　　　　+------+---+

1.显示：
　　df_rdd.show()
2.查询：
　　df_rdd.select("name").show()
3.条件查询：
　　df_rdd.select($"name",$"age").where("name like ‘%o%‘").show() //注：引入spark.implicits._
　　　　+------+---+
　　　　| name|age|
　　　　+------+---+
　　　　| joe| 39|
　　　　|alison| 35|
　　　　| bob| 71|
　　　　+------+---+
4.条件查询：
　　df_rdd.select($"name",$"age"+1).where("name like ‘%o%‘").show() //$是scala的用法，需要隐式转换 import spark.implicits._
　　　　+------+---------+
　　　　| name|(age + 1)|
　　　　+------+---------+
　　　　| joe| 40|
　　　　|alison| 36|
　　　　| bob| 72|
　　　　+------+---------+
5.过滤操作
　　a.通过过滤表达式：
　　　　df_rdd.filter("age > 36").show()
　　b.通过func式编程进行处理，DF中每个元素均为ROW
　　　　df_rdd.filter(x=>{if(x.getAs[Int]("age") > 36) true else false }).show()
6.分组操作
　　　　df_rdd.groupBy("address").count().show
　　　　　　+-------+-----+
　　　　　　|address|count|
　　　　　　+-------+-----+
　　　　　　| OR| 2|
　　　　　　| VA| 2|
　　　　　　| CA| 2|
　　　　　　| NY| 3|
　　　　　　| CO| 1|
　　　　　　+-------+-----+

原文地址：https://www.cnblogs.com/lyr999736/p/10202276.html