SparkSQL简单使用
==> 什么是 Spark SQL？
---> Spark SQL 是 Spark 用来处理结构化数据的一个模块
---> 作用：提供一个编程抽象（DataFrame） 并且作为分布式 SQL 查询引擎
---> 运行原理：将 Spark SQL 转化为 RDD， 然后提交到集群执行
---> 特点：
---- 容易整合
---- 统一的数据访问方式
---- 兼容 Hive
---- 标准的数据连接
==> SparkSession
---> 特点：（2.0引用 SparkSession）
---- 为用户提供一个统一的切入点使用Spark 各项功能
---- 允许用户通过它调用 DataFrame 和 Dataset 相关 API 来编写程序
---- 减少了用户需要了解的一些概念，可以很容易的与 Spark 进行交互
---- 与 Spark 交互之时不需要显示的创建 SparkConf, SparkContext 以及 SQlContext，这些对象已经封闭在 SparkSession 中
==> DataFrames 组织成命名列的数据集，等同于数据库中的表
---> 与 RDD 相比较：
---- RDD 是分布式的 Java 对象 的集合
---- DataFrame 是分布式 Row 对象的集合
---> 创建 DataFrames
---- 通过 case class 创建 DataFrames
// 定义 case class (相当于表的结构)case class Emp(Empno:Int, ename:String, job:String, mgr:String, hiredate:String, sal:Int, comm:String, deptno:Int) // 将 HDFS 上的数据读入 RDD， 并将 RDD 与 case class 关联val lines = sc.textFile("hdfs://bigdata0:9000/input/emp.csv").map(_.split(","))val emp = lines.map(x=> Emp(x(0).toInt, x(1), x(2), x(3), x(4), x(5).toInt, x(6), x(7).toInt)) `// 将RDD 转换成 DataFramesval empDF = emp.toDF// 通过 DataFrames 查询数据empDF.show---- 通过 SparkSession 创建 DataFrames
// 创建 StructType 来定义结构，注意，需要先导入模块import org.apache.spark.sql.types._val myschema = StructType(List( StructField("empno", DataTypes.IntegerType), StructField("ename", DataTypes.StringType), StructField("job", DataTypes.StringType), StructField("mgr", DataTypes.StringType), StructField("hiredate", DataTypes.StringType), StructField("sal", DataTypes.IntegerType), StructField("comm", DataTypes.StringType), StructField("deptno", DataTypes.IntegerType) )) // 读入数据且切分数据val empcsvRDD = sc.textFile("hdfs://bigdata0:9000/input/emp.csv").map(_.split(","))// 将 RDD 数据映射成 Row，需要 import org.apache.spark.sql.Rowimport org.apache.spark.sql.Rowval rowRDD = empcsvRDD.map(line=> Row(line(0).toInt, line(1), line(2), line(3),line(4), line(5).toInt, line(6), line(7).toInt)// 创建 DataFramesval df = spark.createDataFrame(rowRDD, myschema)// 查看表df.show---- 使用 Json 文件来创建 DataFrame
val df = spark.read.json("Json 文件")// 查看数据df.show---> DataFrame 操作 DataFrame 操作也称为无类型的 Dataset操作
---- 查询所有员工姓名
df.select("ename").show---- 查询所有员工姓名和薪水，并给薪水加 100 元
df.select($"ename", $"sal", $"sal"+ 100).show
---- 查询工资大于2000的员工
df.select($"sal" > 2000).show
---- 求每个部门员工数
df.groupBy($"deptno").count.show
---- 在 DataFrame 中使用 SQL 语句 注： 需要首先将 DataFrame 注册成表（视图）
df.createOrReplaceTempView("emp")// 执行查询spark.sql("select * from emp").show---> 临时视图（2种）：
---- 只在当前会话中有效 df.createOrReplaceTempView("emp1")
---- 在全局有效 df.createGlobalTempView("emp2")
==> Datasets
---> 数据的分布式集合
--->特点：
---- Spark1.6中添加的新接口，是DataFrame之上更高一级的抽象
---- 提供了 RDD的优点（强类型化，使用 lambda函数的能力）
---- Spark SQL 优化后的执行引擎
---- 可以从 JVM 对象构造，然后使用函数转换（map, flatMap, filter等）去操作
---- 支持 Scala 和 Java，不支持 Python
---> 创建 DataSet
---- 使用序列
// 定义 case classcase class MyData(a:String, b:String)// 生成序列并创建 DataSetval ds = Seq(MyData(1, "Tom"), MyData(2, "Mary")).toDS// 查看结果ds.show
---- 使用 Json 数据
// 定义 case class case class Person(name:String, gender:String)//通过 Json 数据生成 DataFrameval df = spark.read.json(sc.parallelize("""{"gender":"Male", "name": "Tom"}""" ::Nil))// 将 DataFrame 转成 DataSetdf.as[Person].showdf.as[Person].collect---- 通过使用 DHFS 执行 WordCount 程序
// 读取 HDFS 数据，并创建 DataSetval linesDS = spark.read.text("hdfs://bigdata0:9000/input/data.txt").as[String]// 对DataSet 进行操作：分词后， 查询长度大于3 的单词val words = linesDS.flatMap(_.split(" ")).filter(_.length > 3)// 查看结果words.showwords.collect// 执行wordcount 程序val result = linesDS.flatMap(_.split(" ").map((_.1)).groupByKey(x=> x._1).count)result.show// 排序result.orderBy($"value").show==> Datasets 操作
---> joinWith 和 join 的区别是连接后的新 Dataset 的 schema 会不一样
// 使用 emp.json 生成 DataFrameval empDF = spark.read.json("/root/resources/emp.json")// 查询工资大于 3000 的员工empDF.where($"sal" > 3000).show// 创建 case classcase class Emp(empno:Lone, ename:String, job:String, hiredate:String, mgr:String, sal:Long, comm:String, deptno:Long)// 生成 DataSets，并查询数据val empDS = empDF.as[Emp]// 查询工资大于 3000 的员工empDS.filter(_.sal > 3000).show// 查看 10 号部门的员工empDS.filter(_.deptno == 10)// 多表查询// 1.创建部门表val deptRDD = sc.textFile("/test/dept.csv").map(_.split(","))case class Dept(deptno:Int, dname:String, loc:String)val deptDS = deptRDD.map(x=>Dept(x(0).toInt, x(1), x(2))).toDS// 2.创建员工表case class Emp(empno:Int, ename:String, job:String, mgr:String, hiredate:String, sal:Int, comm:String, deptno:Int)val empRDD = sc.textFile("/test/emp.csv").map(_.split(","))val empDS = empRDD.map(x=> Emp(x(0).toInt, x(1), x(2), x(3), x(4), x(5).toInt, x(6), x(7).toInt))// 3.执行多表查询： 等值链接val result = deptDF.join(empDS, "deptno")// 另一种写法： 注意有三个等号val result = deptDS.joinWith(empDS, deptDS("deptno") === empDS("deptno"))// 查看执行计划result.explain
