spark sql

• 什么是spark sql
  • spark sql是为了处理结构化数据的一个spark 模块。
  • 底层依赖于rdd，把sql语句转换成一个个rdd,运行在不同的worker节点上
  • 特点：
    • 容易集成：SQL，对于不同的数据源，提供统一的访问方式（DataFrame：表）
    • 兼容Hive
• DataFrame，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
• 创建dataframe

  • 跟关系数据库的表(Table)一样，DataFrame是Spark中对带模式(schema)行列数据的抽象。DateFrame广泛应用于使用SQL处理大数据的各种场景。创建DataFrame有很多种方法，比如从本地List创建、从RDD创建或者从源数据创建，下面简要介绍创建DataFrame的三种方法。

    方法一，Spark中使用toDF函数创建DataFrame

    通过导入(importing)Spark sql implicits, 就可以将本地序列(seq), 数组或者RDD转为DataFrame。只要这些数据的内容能指定、

    数据类型即可。

    本地seq + toDF创建DataFrame示例：

    import sqlContext.implicits._val df = Seq(

      (1, "First Value", java.sql.Date.valueOf("2010-01-01")),

      (2, "Second Value", java.sql.Date.valueOf("2010-02-01"))

    ).toDF("int_column", "string_column", "date_column")

    注意：如果直接用toDF()而不指定列名字，那么默认列名为"_1", "_2", ...

    通过case class + toDF创建DataFrame的示例

    // sc is an existing SparkContext.val sqlContext = new org.apache.spark.sql.SQLContext(sc)// this is used to implicitly convert an RDD to a DataFrame.import sqlContext.implicits._

    // Define the schema using a case class.// Note: Case classes in Scala 2.10 can support only up to 22 fields. To work around this limit,// you can use custom classes that implement the Product interface.case class Person(name: String, age: Int)

    // Create an RDD of Person objects and register it as a table.val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()

    people.registerTempTable("people")

    // 使用 sqlContext 执行 sql 语句.val teenagers = sqlContext.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")

    // 注：sql()函数的执行结果也是DataFrame，支持各种常用的RDD操作.// The columns of a row in the result can be accessed by ordinal.

    teenagers.map(t => "Name: " + t(0)).collect().foreach(println)

    方法二，Spark中使用createDataFrame函数创建DataFrame

    在SqlContext中使用createDataFrame也可以创建DataFrame。跟toDF一样，这里创建DataFrame的数据形态也可以是本地数组或者RDD。

    通过row+schema创建示例

    import org.apache.spark.sql.types._val schema = StructType(List(

        StructField("integer_column", IntegerType, nullable = false),

        StructField("string_column", StringType, nullable = true),

        StructField("date_column", DateType, nullable = true)

    ))

    val rdd = sc.parallelize(Seq(

      Row(1, "First Value", java.sql.Date.valueOf("2010-01-01")),

      Row(2, "Second Value", java.sql.Date.valueOf("2010-02-01"))

    ))val df = sqlContext.createDataFrame(rdd, schema)

    方法三，通过文件直接创建DataFrame

    使用parquet文件创建

    val df = sqlContext.read.parquet("hdfs:/path/to/file")

    使用json文件创建

    val df = spark.read.json("examples/src/main/resources/people.json")

    // Displays the content of the DataFrame to stdout

    df.show()// +----+-------+// | age|   name|// +----+-------+// |null|Michael|// |  30|   Andy|// |  19| Justin|// +----+-------+

    使用csv文件,spark2.0+之后的版本可用

    //首先初始化一个SparkSession对象val spark = org.apache.spark.sql.SparkSession.builder

            .master("local")

            .appName("Spark CSV Reader")

            .getOrCreate;

    //然后使用SparkSessions对象加载CSV成为DataFrameval df = spark.read

            .format("com.databricks.spark.csv")

            .option("header", "true") //reading the headers

            .option("mode", "DROPMALFORMED")

            .load("csv/file/path"); //.csv("csv/file/path") //spark 2.0 api

    df.show()
• 操作dataframe
  • http://blog.csdn.net/dabokele/article/details/52802150