spark复习笔记(7):sparkSQL

一、saprkSQL模块，使用类sql的方式访问Hadoop，实现mr计算，底层使用的是rdd

　　1.hive　　　　　　//hadoop  mr  sql

　　2.phenoix　　　　//hbase上构建sql的交互过程

　　该模块能在spark上运行sql语句

　　3.DataFrame　　　　//数据框，表

　　在spark中的数据框，sparkSQL就能以完全分布式的方式来处理数据。组合数据框可以来自各种数据源来进行查询的处理

　　4.SparkSQL　　　　//SQL  |  DataFrame API

　　5.RDD[Customer]===>

　　　　$scala>df=sc.createDataFrame(rdd);

$scala>df = sc.createDataFrame(rdd);
//创建样例类
$scala>case class  Customer1(id:Int,name:String,age:Int)
//构造数据
$scala>val arr = Array("1,tom,12","2,tomas,13","3,tomasLee,14")
$scala>val rdd1 = sc.makeRDD(arr)
//创建对象RDD
$scala>val rdd2=rdd1.map(e=>{
　　val arr= e.split(",");
　　Customer1(arr(0).toInt,arr(1),arr(2).toInt)
})
//创建customer的rdd,通过rdd创建数据框
$scala>val df = spark.createDataFrame(rdd2)
//打印表结构
//创建临时视图
$scala>df.createTempView("customers")
//打印表结构
$scala>df.printSchema
$scala>df.show　　　　//等价于查询数据
//创建临时视图
$scala>df.createTempView("customers")
//使用sparkSQL来进行相关的查询
val df2 = spark.sql("select * from customers")
//将上述结果进行相关的显示
df2.show
//带条件进行相关的查询
val df2 = spark.sql("select * from customers where id<2")
df2.show
//或者用如下的方式直接show
spark.sql("select * from customer").show　　

val df1 = spark.sql("select * from customer where id<2")

val df2 = spark.sql("select * from customers where id>2")

df1.show

df2.show

df.create

df1.createTempView("c1")

df2.createTempView("c2")

val dff = spark.sql("select * from c1 union select * from c2")

dff.show　　　　　　//显示前面查询的结果


$scala>spark.sql("select * from c1 from union select *from c2").show

df1.union(df2).show

spark.sql("select count(*) from customer").show

spark.sql("select * from customer limit 1").show

spark.sql("select *from customers where name like 't%' order by name desc").show
//映射聚合操作
df.map(_.getAs[Int]("age")).reduce(_ + _)

//聚合函数
df.agg(sum("age"),max("age"),min("age"))

　　sparkQSL :使用类似SQL方式访问hadoop，实现MR计算。RDD

　　df= sc.createDataFrame(rdd);

　　DataSet<Row> ===DataFrame===>//类似于table操作

保存spark的sql计算结果(json)

　　JavaRDD<Row> rdd = df1.toJava();

保存spark的sql计算结果(json)

　　//保存成json文件。

　　df.write().json(dir)　　//这个地方写的是文件夹，就是保存文件的上级目录

　　//设置保存模式

　　df.mode(SaveMode.APPEND);

json文件的读写

---------------------------------

　　SparkSession.read().json("")　　//读取json文件形成数据框

　　//将数据框的数据写入json文件

　　SparkSession.write().json("........")　　//将数据框的数据写成json文件

SparkDataFrame以jdbc的方式操纵表

SparkDataFrame以jdbc的方式来操纵表

　　1.引入mysql驱动

　　　　pom.xml直接修改

spark整合Hive

　　1.hive的类库需要在spark的worker节点，他们也需要通过类库来访问hive

　　2.复制core-site.xml(hdfs) + hdfs-site.xml + hive-site.xml(hive)这三个文件复制到spark/conf目录下面

　　3.指定hive的home目录环境变量

　　4.赋值mysql驱动序列到/soft/spark/jars目录下面 

　　5.启动spark-shell,指定启动模式

　　　　spark-shell --master local[4]

　　　　create table tt(id int,anme string,age int)

　　　　row format delimited fields terminated by ','

　　　　lines terminated by ' ' stored as textfile;

　　6.SparkSQL操纵Hive表

　　　　(1)复制配置文件到resources目录下

　　　　　　core-site.xml

　　　　　　hdfs-site.xml

　　　　　　hive-site.xml

　　　　(2)pom.xml中增加依赖

　　　　(3)编码

　　　　

package com.jd.spark.java;

import org.apache.spark.SparkConf;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;

public class SQLHiveJava {
    public static void main(String[] args){
        SparkConf conf = new SparkConf();
        conf.setMaster("local").setAppName("SQLHive");
        SparkSession sess = SparkSession.builder().appName("SQLHiveJava").config("spark.master","local").getOrCreate();
        sess.sql("use mydb2.db");
        Dataset<Row> df =  sess.sql("select * from mydb2.tt");
        df.show();

    }

}

分布式SQL引擎

--------------------------------------------　

　　1.启动spark集群(完全分布式-standalone)

　　　　　$>/soft/spark/sbin/start-all.sh

　　　　　master　　　　//s11

　　　　   worker　　　　//s12-s14

　　2.在默认库下创建hive数据表

　　　　hive -e "create table tt(id int,name string , age int) row format delimited fields terminated by ',' lines terminated by ' ' stored as textfile"

　　3.加载数据到hive表中去

　　　　$>hive -e "load data local inpath 'file:///home/centos/data.txt' into table tt"

　　4.分发三个文件到worker节点

　　　　

　　5.启动spark集群

　　　　$>soft/spark/sbin/start-all.sh

　　6.启动spark-shell

　　　　$>spark-shell --master spark://s11:7070

　　7.启动thriftserver服务器

　　　　$>start

　　8.连接beeline进行操作：

　　　　beeline -u jdbc:hive://localhost:10000 -d org.apache.hive.jdbc.HiveDriver