Spark SQL概述,DataFrames,创建DataFrames的案例,DataFrame常用操作(DSL风格语法),sql风格语法
来源:互联网 发布:蜂窝数据快捷开关 编辑:程序博客网 时间:2024/05/02 04:26
一、 Spark SQL
1. Spark SQL概述
1.1. 什么是Spark SQL
Spark SQL是Spark用来处理结构化数据的一个模块,它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。
1.2. 为什么要学习Spark SQL
我们已经学习了Hive,它是将Hive SQL转换成MapReduce然后提交到集群上执行,大大简化了编写MapReduce的程序的复杂性,由于MapReduce这种计算模型执行效率比较慢。所有Spark SQL的应运而生,它是将Spark SQL转换成RDD,然后提交到集群执行,执行效率非常快!
1.易整合
2.统一的数据访问方式
3.兼容Hive
4.标准的数据连接
2. DataFrames
2.1. 什么是DataFrames
与RDD类似,DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格,除了数据以外,还记录数据的结构信息,即schema。同时,与Hive类似,DataFrame也支持嵌套数据类型(struct、array和map)。从API易用性的角度上 看,DataFrame API提供的是一套高层的关系操作,比函数式的RDD API要更加友好,门槛更低。由于与R和Pandas的DataFrame类似,Spark DataFrame很好地继承了传统单机数据分析的开发体验。
2.2. 创建DataFrames
连接spark-shell:
[root@hadoop1 spark-2.1.1-bin-hadoop2.7]# bin/spark-shell --master spark://hadoop1:7077,hadoop2:7077
在Spark SQL中SQLContext是创建DataFrames和执行SQL的入口,在spark-1.5.2中已经内置了一个sqlContext
1.在本地创建一个文件,有三列,分别是id、name、age,用空格分隔,然后上传到hdfs上
hdfs dfs -put person.txt /
person.txt的内容如下:
1 zhangsan 192 lisi 203 wangwu 284 zhaoliu 265 tianqi 246 chengnong 557 zhouxingchi 588 mayun 509 yangliying 3010 lilianjie 5111 zhanghuimei 3512 lian 5313 zhangyimou 54
2.在spark shell执行下面命令,读取数据,将每一行的数据使用列分隔符分割
scala> val lineRDD = sc.textFile("hdfs://mycluster/person.txt").map(_.split(" "))lineRDD: org.apache.spark.rdd.RDD[Array[String]] = MapPartitionsRDD[2] at map at <console>:24
3.定义case class(相当于表的schema)
scala> case class Person(id:Int, name:String, age:Int)defined class Person
4.将RDD和case class关联
scala> val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))personRDD: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[3] at map at <console>:28
5.将RDD转换成DataFrame
scala> val personDF = personRDD.toDFpersonDF: org.apache.spark.sql.DataFrame = [id: int, name: string ... 1 more field]
6.对DataFrame进行处理
scala> personDF.show+---+-----------+---+| id| name|age|+---+-----------+---+| 1| zhangsan| 19|| 2| lisi| 20|| 3| wangwu| 28|| 4| zhaoliu| 26|| 5| tianqi| 24|| 6| chengnong| 55|| 7|zhouxingchi| 58|| 8| mayun| 50|| 9| yangliying| 30|| 10| lilianjie| 51|| 11|zhanghuimei| 35|| 12| lian| 53|| 13| zhangyimou| 54|+---+-----------+---+
3.DataFrame常用操作
3.1 DSL风格语法
1.查看DataFrame中的内容
scala> personDF.show+---+-----------+---+| id| name|age|+---+-----------+---+| 1| zhangsan| 19|| 2| lisi| 20|| 3| wangwu| 28|| 4| zhaoliu| 26|| 5| tianqi| 24|| 6| chengnong| 55|| 7|zhouxingchi| 58|| 8| mayun| 50|| 9| yangliying| 30|| 10| lilianjie| 51|| 11|zhanghuimei| 35|| 12| lian| 53|| 13| zhangyimou| 54|+---+-----------+---+
2.查看DataFrame部分列中的内容
scala> personDF.select(personDF.col("name")).show+-----------+| name|+-----------+| zhangsan|| lisi|| wangwu|| zhaoliu|| tianqi|| chengnong||zhouxingchi|| mayun|| yangliying|| lilianjie||zhanghuimei|| lian|| zhangyimou|+-----------+
scala> personDF.select(col("name"),col("age")).show+-----------+---+| name|age|+-----------+---+| zhangsan| 19|| lisi| 20|| wangwu| 28|| zhaoliu| 26|| tianqi| 24|| chengnong| 55||zhouxingchi| 58|| mayun| 50|| yangliying| 30|| lilianjie| 51||zhanghuimei| 35|| lian| 53|| zhangyimou| 54|+-----------+---+
scala> personDF.select("name").show+-----------+| name|+-----------+| zhangsan|| lisi|| wangwu|| zhaoliu|| tianqi|| chengnong||zhouxingchi|| mayun|| yangliying|| lilianjie||zhanghuimei|| lian|| zhangyimou|+-----------+
3.打印DataFrame的Schema信息
scala> personDF.printSchemaroot |-- id: integer (nullable = true) |-- name: string (nullable = true) |-- age: integer (nullable = true)
4. 查询所有的name和age,并将age +1
scala> personDF.select(col("id"),col("name"),col("age") + 1).show+---+-----------+---------+| id| name|(age + 1)|+---+-----------+---------+| 1| zhangsan| 20|| 2| lisi| 21|| 3| wangwu| 29|| 4| zhaoliu| 27|| 5| tianqi| 25|| 6| chengnong| 56|| 7|zhouxingchi| 59|| 8| mayun| 51|| 9| yangliying| 31|| 10| lilianjie| 52|| 11|zhanghuimei| 36|| 12| lian| 54|| 13| zhangyimou| 55|+---+-----------+---------+
scala> personDF.select(personDF("id"),personDF("name"),personDF("age") + 1).show+---+-----------+---------+| id| name|(age + 1)|+---+-----------+---------+| 1| zhangsan| 20|| 2| lisi| 21|| 3| wangwu| 29|| 4| zhaoliu| 27|| 5| tianqi| 25|| 6| chengnong| 56|| 7|zhouxingchi| 59|| 8| mayun| 51|| 9| yangliying| 31|| 10| lilianjie| 52|| 11|zhanghuimei| 36|| 12| lian| 54|| 13| zhangyimou| 55|+---+-----------+---------+
5. 过滤age大于等于40的
scala> personDF.filter(col("age") >= 40).show
6. 按年龄进行分组并统计相同年龄的人数
scala> personDF.groupBy("age").count.show()+---+-----+ |age|count|+---+-----+| 53| 1|| 28| 1|| 26| 1|| 20| 1|| 54| 1|| 19| 1|| 35| 1|| 55| 1|| 51| 1|| 50| 1|| 24| 1|| 58| 1|| 30| 1|+---+-----+
3.2 SQL风格语法:
- 在使用SQL的语法之前,需要先执行(也就是或先创建一个sqlContext):
scala> val sqlContext = new org.apache.spark.sql.SQLContext(sc)warning: there was one deprecation warning; re-run with -deprecation for detailssqlContext: org.apache.spark.sql.SQLContext = org.apache.spark.sql.SQLContext@11fb9fc7
- 如果想使用SQL风格的语法,需要将DataFrame注册成表
scala> personDF.registerTempTable("t_person")warning: there was one deprecation warning; re-run with -deprecation for details
- 查询年龄最大的前两名
scala> sqlContext.sql("select * from t_person order by age desc limit 2").show+---+-----------+---+ | id| name|age|+---+-----------+---+| 7|zhouxingchi| 58|| 6| chengnong| 55|+---+-----------+---+
- 显示表的Schema信息
scala> sqlContext.sql("desc t_person").show+--------+---------+-------+|col_name|data_type|comment|+--------+---------+-------+| id| int| null|| name| string| null|| age| int| null|+--------+---------+-------+scala>
7.保存结果result.save("hdfs://hadoop.itcast.cn:9000/sql/res1")result.save("hdfs://hadoop.itcast.cn:9000/sql/res2", "json")#以JSON文件格式覆写HDFS上的JSON文件import org.apache.spark.sql.SaveMode._result.save("hdfs://hadoop.itcast.cn:9000/sql/res2", "json" , Overwrite)8.重新加载以前的处理结果(可选)sqlContext.load("hdfs://hadoop.itcast.cn:9000/sql/res1")sqlContext.load("hdfs://hadoop.itcast.cn:9000/sql/res2", "json")
- Spark SQL概述,DataFrames,创建DataFrames的案例,DataFrame常用操作(DSL风格语法),sql风格语法
- spark sql 创建dataframes
- Spark SQL and DataFrames
- Spark DataFrames入门指南:创建和操作DataFrame
- Spark DataFrames入门指南:创建和操作DataFrame
- Spark DataFrames入门指南:创建和操作DataFrame
- Spark SQL和DataFrames支持的数据格式
- Apache Spark DataFrames入门指南:创建DataFrame
- Apache Spark DataFrames入门指南:创建DataFrame
- Apache Spark DataFrames入门指南:操作DataFrame
- Apache Spark DataFrames入门指南:操作DataFrame
- Apache Spark DataFrames入门指南:操作DataFrame
- spark创建DataFrames
- Spark SQL and DataFrames Version 1.6
- Spark SQL, DataFrames and Datasets Guide
- Spark SQL, DataFrames 和 Datasets 指南
- Spark SQL RDD与DataFrames相互转换
- Spark SQL, DataFrames and Datasets Guide
- 【c#】将DataTable的时间精确到毫秒
- 省队集训Round3 DAY6
- C语言的输入缓冲区相关问题
- 【剑指offer】按之字形顺序打印二叉树
- 四.消息的持久化
- Spark SQL概述,DataFrames,创建DataFrames的案例,DataFrame常用操作(DSL风格语法),sql风格语法
- 操作符重载
- synchronized关键字
- 文章标题
- 代理模式及Java实现动态代理
- rosbridge小结
- 实训笔记第十天
- zepto源码之event.js
- 热修复框架Tinker最完整讲解(03)——使用Tinker常见问题