Spark SQL 之 DataFrame

概述（Overview）

Spark SQL是Spark的一个组件，用于结构化数据的计算。Spark SQL提供了一个称为DataFrames的编程抽象，DataFrames可以充当分布式SQL查询引擎。

DataFrames

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。DataFrame可以理解为关系数据库中的一张表，也可以理解为R/Python中的一个data frame。DataFrames可以通过多种数据构造，例如：结构化的数据文件、hive中的表、外部数据库、Spark计算过程中生成的RDD等。
DataFrame的API支持4种语言：Scala、Java、Python、R。

入口：SQLContext（Starting Point: SQLContext）

Spark SQL程序的主入口是SQLContext类或它的子类。创建一个基本的SQLContext，你只需要SparkContext，创建代码示例如下：

• Scala

val sc: SparkContext // An existing SparkContext.val sqlContext = new org.apache.spark.sql.SQLContext(sc)

• Java

JavaSparkContext sc = ...; // An existing JavaSparkContext.SQLContext sqlContext = new org.apache.spark.sql.SQLContext(sc);

除了基本的SQLContext，也可以创建HiveContext。SQLContext和HiveContext区别与联系为：

• SQLContext现在只支持SQL语法解析器（SQL-92语法）
• HiveContext现在支持SQL语法解析器和HiveSQL语法解析器，默认为HiveSQL语法解析器，用户可以通过配置切换成SQL语法解析器，来运行HiveSQL不支持的语法。
• 使用HiveContext可以使用Hive的UDF，读写Hive表数据等Hive操作。SQLContext不可以对Hive进行操作。
• Spark SQL未来的版本会不断丰富SQLContext的功能，做到SQLContext和HiveContext的功能容和，最终可能两者会统一成一个Context

HiveContext包装了Hive的依赖包，把HiveContext单独拿出来，可以在部署基本的Spark的时候就不需要Hive的依赖包，需要使用HiveContext时再把Hive的各种依赖包加进来。

SQL的解析器可以通过配置spark.sql.dialect参数进行配置。在SQLContext中只能使用Spark SQL提供的”sql“解析器。在HiveContext中默认解析器为”hiveql“，也支持”sql“解析器。

创建DataFrames（Creating DataFrames）

使用SQLContext，spark应用程序（Application）可以通过RDD、Hive表、JSON格式数据等数据源创建DataFrames。下面是基于JSON文件创建DataFrame的示例：

• Scala

val sc: SparkContext // An existing SparkContext.val sqlContext = new org.apache.spark.sql.SQLContext(sc)val df = sqlContext.read.json("examples/src/main/resources/people.json")// Displays the content of the DataFrame to stdoutdf.show()

• Java

JavaSparkContext sc = ...; // An existing JavaSparkContext.SQLContext sqlContext = new org.apache.spark.sql.SQLContext(sc);DataFrame df = sqlContext.read().json("examples/src/main/resources/people.json");// Displays the content of the DataFrame to stdoutdf.show();

DataFrame操作（DataFrame Operations）

DataFrames支持Scala、Java和Python的操作接口。下面是Scala和Java的几个操作示例：

• Scala

val sc: SparkContext // An existing SparkContext.val sqlContext = new org.apache.spark.sql.SQLContext(sc)// Create the DataFrameval df = sqlContext.read.json("examples/src/main/resources/people.json")// Show the content of the DataFramedf.show()// age  name// null Michael// 30   Andy// 19   Justin// Print the schema in a tree formatdf.printSchema()// root// |-- age: long (nullable = true)// |-- name: string (nullable = true)// Select only the "name" columndf.select("name").show()// name// Michael// Andy// Justin// Select everybody, but increment the age by 1df.select(df("name"), df("age") + 1).show()// name    (age + 1)// Michael null// Andy    31// Justin  20// Select people older than 21df.filter(df("age") > 21).show()// age name// 30  Andy// Count people by agedf.groupBy("age").count().show()// age  count// null 1// 19   1// 30   1

• Java

JavaSparkContext sc // An existing SparkContext.SQLContext sqlContext = new org.apache.spark.sql.SQLContext(sc)// Create the DataFrameDataFrame df = sqlContext.read().json("examples/src/main/resources/people.json");// Show the content of the DataFramedf.show();// age  name// null Michael// 30   Andy// 19   Justin// Print the schema in a tree formatdf.printSchema();// root// |-- age: long (nullable = true)// |-- name: string (nullable = true)// Select only the "name" columndf.select("name").show();// name// Michael// Andy// Justin// Select everybody, but increment the age by 1df.select(df.col("name"), df.col("age").plus(1)).show();// name    (age + 1)// Michael null// Andy    31// Justin  20// Select people older than 21df.filter(df.col("age").gt(21)).show();// age name// 30  Andy// Count people by agedf.groupBy("age").count().show();// age  count// null 1// 19   1// 30   1

详细的DataFrame API请参考 API Documentation。

除了简单列引用和表达式，DataFrames还有丰富的library，功能包括string操作、date操作、常见数学操作等。详细内容请参考 DataFrame Function Reference。

运行SQL查询程序（Running SQL Queries Programmatically）

Spark Application可以使用SQLContext的sql()方法执行SQL查询操作，sql()方法返回的查询结果为DataFrame格式。代码如下：

• Scala

val sqlContext = ...  // An existing SQLContextval df = sqlContext.sql("SELECT * FROM table")

• Java

SQLContext sqlContext = ...  // An existing SQLContextDataFrame df = sqlContext.sql("SELECT * FROM table")

DataFrames与RDDs的相互转换（Interoperating with RDDs）

Spark SQL支持两种RDDs转换为DataFrames的方式：

• 使用反射获取RDD内的Schema
  • 当已知类的Schema的时候，使用这种基于反射的方法会让代码更加简洁而且效果也很好。
• 通过编程接口指定Schema
  • 通过Spark SQL的接口创建RDD的Schema，这种方式会让代码比较冗长。
  • 这种方法的好处是，在运行时才知道数据的列以及列的类型的情况下，可以动态生成Schema

使用反射获取Schema（Inferring the Schema Using Reflection）

Spark SQL支持将JavaBean的RDD自动转换成DataFrame。通过反射获取Bean的基本信息，依据Bean的信息定义Schema。当前Spark SQL版本（Spark 1.5.2）不支持嵌套的JavaBeans和复杂数据类型（如：List、Array）。创建一个实现Serializable接口包含所有属性getters和setters的类来创建一个JavaBean。通过调用createDataFrame并提供JavaBean的Class object，指定一个Schema给一个RDD。示例如下：

public static class Person implements Serializable {  private String name;  private int age;  public String getName() {    return name;  }  public void setName(String name) {    this.name = name;  }  public int getAge() {    return age;  }  public void setAge(int age) {    this.age = age;  }}

// sc is an existing JavaSparkContext.SQLContext sqlContext = new org.apache.spark.sql.SQLContext(sc);// Load a text file and convert each line to a JavaBean.JavaRDD<Person> people = sc.textFile("examples/src/main/resources/people.txt").map(  new Function<String, Person>() {    public Person call(String line) throws Exception {      String[] parts = line.split(",");      Person person = new Person();      person.setName(parts[0]);      person.setAge(Integer.parseInt(parts[1].trim()));      return person;    }  });// Apply a schema to an RDD of JavaBeans and register it as a table.DataFrame schemaPeople = sqlContext.createDataFrame(people, Person.class);schemaPeople.registerTempTable("people");// SQL can be run over RDDs that have been registered as tables.DataFrame teenagers = sqlContext.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")// The results of SQL queries are DataFrames and support all the normal RDD operations.// The columns of a row in the result can be accessed by ordinal.List<String> teenagerNames = teenagers.javaRDD().map(new Function<Row, String>() {  public String call(Row row) {    return "Name: " + row.getString(0);  }}).collect();

通过编程接口指定Schema（Programmatically Specifying the Schema）

当JavaBean不能被预先定义的时候，编程创建DataFrame分为三步：

• 从原来的RDD创建一个Row格式的RDD
• 创建与RDD中Rows结构匹配的StructType，通过该StructType创建表示RDD的Schema
• 通过SQLContext提供的createDataFrame方法创建DataFrame，方法参数为RDD的Schema

示例如下：

import org.apache.spark.api.java.function.Function;// Import factory methods provided by DataTypes.import org.apache.spark.sql.types.DataTypes;// Import StructType and StructFieldimport org.apache.spark.sql.types.StructType;import org.apache.spark.sql.types.StructField;// Import Row.import org.apache.spark.sql.Row;// Import RowFactory.import org.apache.spark.sql.RowFactory;// sc is an existing JavaSparkContext.SQLContext sqlContext = new org.apache.spark.sql.SQLContext(sc);// Load a text file and convert each line to a JavaBean.JavaRDD<String> people = sc.textFile("examples/src/main/resources/people.txt");// The schema is encoded in a stringString schemaString = "name age";// Generate the schema based on the string of schemaList<StructField> fields = new ArrayList<StructField>();for (String fieldName: schemaString.split(" ")) {  fields.add(DataTypes.createStructField(fieldName, DataTypes.StringType, true));}StructType schema = DataTypes.createStructType(fields);// Convert records of the RDD (people) to Rows.JavaRDD<Row> rowRDD = people.map(  new Function<String, Row>() {    public Row call(String record) throws Exception {      String[] fields = record.split(",");      return RowFactory.create(fields[0], fields[1].trim());    }  });// Apply the schema to the RDD.DataFrame peopleDataFrame = sqlContext.createDataFrame(rowRDD, schema);// Register the DataFrame as a table.peopleDataFrame.registerTempTable("people");// SQL can be run over RDDs that have been registered as tables.DataFrame results = sqlContext.sql("SELECT name FROM people");// The results of SQL queries are DataFrames and support all the normal RDD operations.// The columns of a row in the result can be accessed by ordinal.List<String> names = results.javaRDD().map(new Function<Row, String>() {  public String call(Row row) {    return "Name: " + row.getString(0);  }}).collect();