如何进行Spark SQL中的Structured API分析

如何进行Spark SQL中的Structured API分析

这篇文章主要为大家分析了如何进行Spark SQL中的Structured API分析的相关知识点，内容详细易懂，操作细节合理，具有一定参考价值。如果感兴趣的话，不妨跟着跟随小编一起来看看，下面跟着小编一起深入学习“如何进行Spark SQL中的Structured API分析”的知识吧。

一、创建DataFrame和Dataset

1.1 创建DataFrame

Spark 中所有功能的入口点是 SparkSession，可以使用 SparkSession.builder() 创建。创建后应用程序就可以从现有 RDD，Hive 表或 Spark 数据源创建 DataFrame。示例如下：

valspark=SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()valdf=spark.read.json("/usr/file/json/emp.json")df.show()//建议在进行sparkSQL编程前导入下面的隐式转换，因为DataFrames和dataSets中很多操作都依赖了隐式转换importspark.implicits._

可以使用 spark-shell 进行测试，需要注意的是 spark-shell 启动后会自动创建一个名为 spark 的 SparkSession，在命令行中可以直接引用即可。

1.2 创建Dataset

Spark 支持由内部数据集和外部数据集来创建 DataSet，其创建方式分别如下：

1. 由外部数据集创建

//1.需要导入隐式转换importspark.implicits._//2.创建caseclass,等价于JavaBeancaseclassEmp(ename:String,comm:Double,deptno:Long,empno:Long,hiredate:String,job:String,mgr:Long,sal:Double)//3.由外部数据集创建Datasetsvalds=spark.read.json("/usr/file/emp.json").as[Emp]ds.show()

2. 由内部数据集创建

//1.需要导入隐式转换importspark.implicits._//2.创建caseclass,等价于JavaBeancaseclassEmp(ename:String,comm:Double,deptno:Long,empno:Long,hiredate:String,job:String,mgr:Long,sal:Double)//3.由内部数据集创建DatasetsvalcaseClassDS=Seq(Emp("ALLEN",300.0,30,7499,"1981-02-2000:00:00","SALESMAN",7698,1600.0),Emp("JONES",300.0,30,7499,"1981-02-2000:00:00","SALESMAN",7698,1600.0)).toDS()caseClassDS.show()

<br/>

1.3 由RDD创建DataFrame

Spark 支持两种方式把 RDD 转换为 DataFrame，分别是使用反射推断和指定 Schema 转换：

1. 使用反射推断

//1.导入隐式转换importspark.implicits._//2.创建部门类caseclassDept(deptno:Long,dname:String,loc:String)//3.创建RDD并转换为dataSetvalrddToDS=spark.sparkContext.textFile("/usr/file/dept.txt").map(_.split("\t")).map(line=>Dept(line(0).trim.toLong,line(1),line(2))).toDS()//如果调用toDF()则转换为dataFrame

2. 以编程方式指定Schema

importorg.apache.spark.sql.Rowimportorg.apache.spark.sql.types._//1.定义每个列的列类型valfields=Array(StructField("deptno",LongType,nullable=true),StructField("dname",StringType,nullable=true),StructField("loc",StringType,nullable=true))//2.创建schemavalschema=StructType(fields)//3.创建RDDvaldeptRDD=spark.sparkContext.textFile("/usr/file/dept.txt")valrowRDD=deptRDD.map(_.split("\t")).map(line=>Row(line(0).toLong,line(1),line(2)))//4.将RDD转换为dataFramevaldeptDF=spark.createDataFrame(rowRDD,schema)deptDF.show()

<br/>

1.4 DataFrames与Datasets互相转换

Spark 提供了非常简单的转换方法用于 DataFrame 与 Dataset 间的互相转换，示例如下：

#DataFrames转Datasetsscala>df.as[Emp]res1:org.apache.spark.sql.Dataset[Emp]=[COMM:double,DEPTNO:bigint...6morefields]#Datasets转DataFramesscala>ds.toDF()res2:org.apache.spark.sql.DataFrame=[COMM:double,DEPTNO:bigint...6morefields]

<br/>

二、Columns列操作

2.1 引用列

Spark 支持多种方法来构造和引用列，最简单的是使用 col() 或 column() 函数。

col("colName")column("colName")//对于Scala语言而言，还可以使用$"myColumn"和'myColumn这两种语法糖进行引用。df.select($"ename",$"job").show()df.select('ename,'job).show()

2.2 新增列

//基于已有列值新增列df.withColumn("upSal",$"sal"+1000)//基于固定值新增列df.withColumn("intCol",lit(1000))

2.3 删除列

//支持删除多个列df.drop("comm","job").show()

2.4 重命名列

df.withColumnRenamed("comm","common").show()

需要说明的是新增，删除，重命名列都会产生新的 DataFrame，原来的 DataFrame 不会被改变。

<br/>

三、使用Structured API进行基本查询

//1.查询员工姓名及工作df.select($"ename",$"job").show()//2.filter查询工资大于2000的员工信息df.filter($"sal">2000).show()//3.orderBy按照部门编号降序，工资升序进行查询df.orderBy(desc("deptno"),asc("sal")).show()//4.limit查询工资最高的3名员工的信息df.orderBy(desc("sal")).limit(3).show()//5.distinct查询所有部门编号df.select("deptno").distinct().show()//6.groupBy分组统计部门人数df.groupBy("deptno").count().show()

<br/>

四、使用Spark SQL进行基本查询

4.1 Spark SQL基本使用

//1.首先需要将DataFrame注册为临时视图df.createOrReplaceTempView("emp")//2.查询员工姓名及工作spark.sql("SELECTename,jobFROMemp").show()//3.查询工资大于2000的员工信息spark.sql("SELECT*FROMempwheresal>2000").show()//4.orderBy按照部门编号降序，工资升序进行查询spark.sql("SELECT*FROMempORDERBYdeptnoDESC,salASC").show()//5.limit查询工资最高的3名员工的信息spark.sql("SELECT*FROMempORDERBYsalDESCLIMIT3").show()//6.distinct查询所有部门编号spark.sql("SELECTDISTINCT(deptno)FROMemp").show()//7.分组统计部门人数spark.sql("SELECTdeptno,count(ename)FROMempgroupbydeptno").show()

4.2 全局临时视图

上面使用 createOrReplaceTempView 创建的是会话临时视图，它的生命周期仅限于会话范围，会随会话的结束而结束。

你也可以使用 createGlobalTempView 创建全局临时视图，全局临时视图可以在所有会话之间共享，并直到整个 Spark 应用程序终止后才会消失。全局临时视图被定义在内置的 global_temp 数据库下，需要使用限定名称进行引用，如 SELECT * FROM global_temp.view1。

//注册为全局临时视图df.createGlobalTempView("gemp")//使用限定名称进行引用spark.sql("SELECTename,jobFROMglobal_temp.gemp").show()

这篇文章主要为大家分析了如何进行Spark SQL中的Structured API分析的相关知识点，内容详细易懂，操作细节合理，具有一定参考价值。如果感兴趣的话，不妨跟着跟随小编一起来看看，下面跟着小编一起深入学习“如何进行Spark SQL中的Structured API分析”的知识吧。