8.Spark SQL：Hive数据源实战

Hive数据源实战

Spark SQL支持对Hive中存储的数据进行读写。操作Hive中的数据时，必须创建HiveContext，而不是SQLContext。HiveContext继承自SQLContext，但是增加了在Hive元数据库中查找表，以及用HiveQL语法编写SQL的功能。除了sql()方法，HiveContext还提供了hql()方法，从而用Hive语法来编译sql。
使用HiveContext，可以执行Hive的大部分功能，包括创建表、往表里导入数据以及用SQL语句查询表中的数据。查询出来的数据是一个Row数组。
特别说明：将hive-site.xml拷贝到spark/conf目录下，将mysql connector拷贝到spark/lib目录下
示例：

HiveContext sqlContext = new HiveContext(sc);sqlContext.sql("CREATE TABLE IF NOT EXISTS students (name STRING, age INT)");sqlContext.sql("LOAD DATA LOCAL INPATH '/usr/local/spark-study/resources/students.txt' INTO TABLE students");Row[] teenagers = sqlContext.sql("SELECT name, age FROM students WHERE age<=18").collect();

将数据保存到表中

Spark SQL还允许将数据保存到Hive表中。调用DataFrame的saveAsTable命令，即可将DataFrame中的数据保存到Hive表中。与registerTempTable不同，saveAsTable是会将DataFrame中的数据物化到Hive表中的，而且还会在Hive元数据库中创建表的元数据。
默认情况下，saveAsTable会创建一张Hive Managed Table，也就是说，数据的位置都是由元数据库中的信息控制的。当Managed Table被删除时，表中的数据也会一并被物理删除。
registerTempTable只是注册一个临时的表，只要Spark Application重启或者停止了，那么表就没了。而saveAsTable创建的是物化的表，无论Spark Application重启或者停止，表都会一直存在。
调用HiveContext.table()方法，还可以直接针对Hive中的表，创建一个DataFrame。


案例：查询分数大于80分的学生的完整信息
java版本

package cn.spark.study.sql;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.sql.DataFrame;import org.apache.spark.sql.Row;import org.apache.spark.sql.hive.HiveContext;/** * Hive数据源:spark -SQL Hive数据源复杂综合案例实战 * @author leizq120310 * */public class HiveDataSource {public static void main(String[] args) {// TODO Auto-generated method stub// 首先还是先创建SparkConfSparkConf conf = new SparkConf().setAppName("HiveDataSource");JavaSparkContext sc = new JavaSparkContext(conf);// 创建HiveContext，注意，这里，它接收的是SparkContext作为参数，不是JavaSparkContextHiveContext hiveContext = new HiveContext(sc.sc());// 第一个功能，使用HiveContext的sql()方法，可以执行Hive中能够执行的HiveQL语句// 判断是否存在student_infos表，如果存在则删除hiveContext.sql("DROP TABLE IF EXISTS student_infos");// 判断student_infos表是否不存在，如果不存在，则创建该表hiveContext.sql("CREATE TABLE IF NOT EXISTS student_infos (name STRING, age INT)");// 将学生基本信息数据导入student_infos表hiveContext.sql("LOAD DATA "+ "LOCAL INPATH '/usr/local/spark-study/resources/student_infos.txt'"+ "INTO TABLE student_infos");// 用同样的方式给student_scores导入数据hiveContext.sql("DROP TABLE IF EXISTS student_scores");hiveContext.sql("CREATE TABLE IF NOT EXISTS student_scores (name STRING, score INT)");hiveContext.sql("LOAD DATA "+ "LOCAL INPATH '/usr/local/spark-study/resources/student_scores.txt'"+ "INTO TABLE student_scores");// 第二个功能，执行sql还可以返回DataFrame, 用于查询// 执行SQL查询，关联两张表，查询成绩大于80分的学生DataFrame goodStudentsDF = hiveContext.sql("SELECT si.name, si.age, ss.score "+ "FROM student_infos si "+ "JOIN student_scores ss ON si.name=ss.name "+ "WHERE ss.score>=80");// 第三个功能，可以将DataFrame中的数据，理论上来说，DataFrame对应的RDD的元素，是Row即可// 接着将dataframe中的数据保存到good_student_infos表中hiveContext.sql("DROP TABLE IF EXISTS good_student_infos");goodStudentsDF.saveAsTable("good_student_infos");// 第四个功能，可以用table()方法，针对hive表，直接创建DataFrame// 然后针对good_student_infos表，直接创建DataFrameRow[] goodStudentRows = hiveContext.table("good_student_infos").collect();for (Row goodStudentRow: goodStudentRows) {System.out.println(goodStudentRow);}sc.close();}}

scala版本

package cn.spark.study.sqlimport org.apache.spark.SparkConf;import org.apache.spark.SparkContext;import org.apache.spark.sql.DataFrame;import org.apache.spark.sql.SQLContext;import org.apache.spark.sql.types.StructType;import org.apache.spark.sql.types.StructField;import org.apache.spark.sql.types.StringType;import org.apache.spark.sql.types.IntegerType;import org.apache.spark.sql.Row;object JSONDataSource {  def main(args: Array[String])  {    val conf = new SparkConf()      .setAppName("JSONDataSource");    val sc = new SparkContext(conf);    val sqlContext = new SQLContext(sc);    // 创建学生成绩DataFrameval studentScoresDF = sqlContext.read.json("hdfs://spark1:9000/spark-study/students.json");// 查询出分数大于80分的学生成绩信息，以及学生姓名studentScoresDF.registerTempTable("student_scores");val goodStudentScoreDF = sqlContext.sql("select name, score from student_scores where score >= 80");    val goodStudentNames = goodStudentScoreDF.rdd.map{row => row(0)}.collect();        // 创建学生基本信息DataFrame    val studentInfoJSONs = Array("{\"name\":\"Leo\", \"age\":18}",        "{\"name\":\"Marry\", \"age\":17}",        "{\"name\":\"Jack\", \"age\":19}");        val studentInfoJSONsRDD = sc.parallelize(studentInfoJSONs, 3);    val studentInfosDF = sqlContext.read.json(studentInfoJSONsRDD);    // 查询分数大于80分的学生的基本信息    studentInfosDF.registerTempTable("student_infos");    var sql = "select name, age from student_infos where name in ("    for (i <- 0 until goodStudentNames.length) {      sql += "'" + goodStudentNames(i) + "'"      if (i < (goodStudentNames.length - 1)){        sql += ","      }    }    sql += ")"        val goodStudentInfosDF = sqlContext.sql(sql);    // 将分数大于80分的学生的成绩信息与基本信息进行join    val goodStudentsRDD =  goodStudentScoreDF.rdd.map{row => (row.getAs[String]("name"), row.getAs[Long]("score"))}      .join(goodStudentInfosDF.rdd.map{row => (row.getAs[String]("name"), row.getAs[Long]("age"))})    // 将rdd转换为dataframe    val goodStudentRowsRDD = goodStudentsRDD.map(        info => Row(info._1, info._2._1.toString().toInt, info._2._2.toString().toInt))            val structType = StructType(Array(        StructField("name", StringType, true),         StructField("score", IntegerType, true),        StructField("age", IntegerType, true)))            val goodStudentsDF = sqlContext.createDataFrame(goodStudentRowsRDD, structType)       // 将DataFrame中的数据保存到json中    goodStudentsDF.write.format("json").save("hdfs://spark1:9000/spark-study/good-students-scala")  }}