學習鏈接：
https://www.shiyanlou.com/courses/809
首先切換用戶：
su hadoop
hadoop
進入opt目錄
cd /opt
第一次使用時，最好先把core-site.xml中的tmp文件位置改一下，然后格式化hdfs，
hadoop-2.6.1/bin/hdfs namenode -format
啟動hadoop集群（可通過jps判斷是否啟動成功），創建person.json並上傳到hdfs並查看
sudo vi person.json
{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}
start-all.sh
hadoop fs -mkdir /testdata
hadoop fs -put person.json /testdata
hadoop fs -cat /testdata/person.json
啟動spark和spark-shell（Spark On Yarn模式，jps出現Master和Worker）
spark-2.1.0-bin-hadoop2.6/sbin/start-all.sh
spark-2.1.0-bin-hadoop2.6/bin/spark-shell --master spark://db74499714f9:7077
使用Dataframe:
讀取 json 文件，構造一個 untyped 弱類型的 dataframe
val df = spark.read.json("hdfs://localhost:9000/testdata/person.json")
df.show() //打印數據
df.printSchema() // 打印元數據
df.select($"name", $"age" + 1).show() // 使用表達式，scala的語法，要用$符號作為前綴
df.select("name").show() // select操作，典型的弱類型，untyped操作
df.createOrReplaceTempView("person") // 基於dataframe創建臨時視圖
spark.sql("SELECT * FROM person").show() // 用SparkSession的sql()函數就可以執行sql語句，默認是針對創建的臨時視圖
使用Dataset：
val sqlDS = Seq(1, 2, 3, 4, 5).toDS()
sqlDS.map(_*2).show()
基於已有的結構化數據文件，構造 dataset：
case class Person(name: String, age: Long)
val pds = spark.read.json("hdfs://localhost:9000/testdata/person.json").as[Person]
pds.show()
直接基於jvm object來構造dataset：
val caseDS = Seq(Person("Zhudy", 28)).toDS()
caseDS.show()
退出spark-shell
:quit
綜合案例分析
編寫department.json和employee.json文件，並上傳至HDFS
department.json
{"id": 1, "name": "Tech Department"}
{"id": 2, "name": "Fina Department"}
{"id": 3, "name": "HR Department"}
employee.json
{"name": "zhangsan", "age": 26, "depId": 1, "gender": "male", "salary": 20000}
{"name": "lisi", "age": 36, "depId": 2, "gender": "female", "salary": 8500}
{"name": "wangwu", "age": 23, "depId": 1, "gender": "male", "salary": 5000}
{"name": "zhaoliu", "age": 25, "depId": 3, "gender": "male", "salary": 7000}
{"name": "marry", "age": 19, "depId": 2, "gender": "female", "salary": 6600}
{"name": "Tom", "age": 36, "depId": 1, "gender": "female", "salary": 5000}
{"name": "kitty", "age": 43, "depId": 2, "gender": "female", "salary": 6000}
hadoop fs -put department.json /testdata
hadoop fs -put employee.json /testdata
hadoop fs -cat hdfs://localhost:9000/testdata/department.json
hadoop fs -cat hdfs://localhost:9000/testdata/employee.json
加載數據
val emp = spark.read.json("hdfs://localhost:9000/testdata/employee.json")
val dep = spark.read.json("hdfs://localhost:9000/testdata/department.json")
計算每個部門不同性別員工的平均薪水和年齡。將兩個表進行 join 操作才能根據部門名稱和員工性別分組再進行聚合。
emp.join(dep, $"id" === $"depId") .groupBy(dep("name"), emp("gender")).agg(avg(emp("salary")), avg(emp("age"))).show()
