Spark SQL and DataFrame

1.为什么要用Spark Sql

原来我们使用Hive，是将Hive Sql 转换成Map Reduce 然后提交到集群上去执行，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，所以Spark Sql的应运而生，它是将SparkSql转换成RDD，然后提交到集群执行，执行效率非常的快。

Spark Sql的有点：1、易整合  2、统一的数据访问方式 3、兼容Hvie 4、标准的数据连接

2、DataFrames

什么是DataFrames？

与RDD类似，DataFrames也是一个分布式数据容器，然而DataFrame更像是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与支持嵌套数据类型（struct、array和map）。从API的易用性上看，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。

创建DataFrames

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 /

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

val lineRDD = sc.textFile("hdfs://hadoop01:9000/person.txt").map(_.split(" "))

3.定义case class（相当于表的schema）

case class Person(id:Int, name:String, age:Int)

4.将RDD和case class关联

val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))

5.将RDD转换成DataFrame

val personDF = personRDD.toDF

6.对DataFrame进行处理

personDF.show

代码：

object SparkSqlTest {

def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("SQL-1")
val sc = new SparkContext(conf)
fun1(sc)
}
//定义case class 相当于表的schema
case class Person(id:Int,name:String,age:Int)

def fun1(sc:SparkContext): Unit ={
val sqlContext = new SQLContext(sc)
　　// 位置一般情况下是换成HDFS文件路径
val lineRdd = sc.textFile("D:\\data\\person.txt").map(_.split(" "))

val personRdd = lineRdd.map(x=>Person(x(0).toInt,x(1),x(2).toInt))

import sqlContext.implicits.\_  
val personDF = personRdd.toDF  
//注册表  
personDF.registerTempTable("person\_df")

//传入sql  
val df = sqlContext.sql("select \* from person\_df order by age desc")

//将结果以JSON的方式存储到指定位置  
df.write.json("D:\\\\data\\\\personOut")  
sc.stop()

}

DataFrame 常用操作

DSL风格语法（个人理解短小精悍的含义）

 // 查看DataFrame部分列中的内容  
df.select(personDF.col("name")).show()  
df.select(col = "age").show()  
df.select("id").show()

// 打印DataFrame的Schema信息  
df.printSchema()

//查询所有的name 和 age ，并将 age+2  
df.select(df("id"),df("name"),df("age")+2).show()

//查询所有年龄大于20的  
df.filter(df("age")>20).show()

// 按年龄分组并统计相同年龄人数  
df.groupBy("age").count().show()

SQL风格语法（前提：需要将DataFrame注册成表）

//注册成表
personDF.registerTempTable("person_df")

// 查询年龄最大的两位 并用对象接接收
val persons = sqlContext.sql("select * from person_df order by age desc limit 2")
persons.foreach(x=>print(x(0),x(1),x(2)))

通过StructType直接指定Schema

/*通过StructType直接指定Schema*/
def fun2(sc: SparkContext): Unit = {
val sqlContext = new SQLContext(sc)
val personRDD = sc.textFile("D:\\data\\person.txt").map(_.split(" "))
// 通过StructType直接指定每个字段的Schema
val schema = StructType(List(StructField("id", IntegerType, true), StructField("name", StringType, true), StructField("age", IntegerType)))
//将rdd映射到RowRDD
val rowRdd = personRDD.map(x=>Row(x(0).toInt,x(1).trim,x(2).toInt))
//将schema信息应用到rowRdd上
val dataFrame = sqlContext.createDataFrame(rowRdd,schema)
//注册
dataFrame.registerTempTable("person_struct")

 sqlContext.sql("select \* from person\_struct").show()

 sc.stop()

}

连接数据源

/*连接mysql数据源*/
def fun3(sc:SparkContext): Unit ={
val sqlContext = new SQLContext(sc)
val jdbcDF = sqlContext.read.format("jdbc").options(Map("url"->"jdbc:mysql://192.168.180.100:3306/bigdata","driver"->"com.mysql.jdbc.Driver","dbtable"->"person","user"->"root","password"->"123456")).load()
jdbcDF.show()
sc.stop()
}

再回写到数据库中

// 写入数据库
val personTextRdd = sc.textFile("D:\\data\\person.txt").map(_.split(" ")).map(x=>Row(x(0).toInt,x(1),x(2).toInt))

 val schema = StructType(List(StructField("id", IntegerType), StructField("name", StringType), StructField("age", IntegerType)))

 val personDataFrame = sqlContext.createDataFrame(personTextRdd,schema)

 val prop = new Properties()  
 prop.put("user","root")  
 prop.put("password","123456")  
 //写入数据库  
 personDataFrame.write.mode("append").jdbc("jdbc:mysql://192.168.180.100:3306/bigdata","bigdata.person",prop)

 sc.stop()