spark sql

• 什么是spark sql
  • spark sql是為了處理結構化數據的一個spark 模塊。
  • 底層依賴於rdd，把sql語句轉換成一個個rdd,運行在不同的worker節點上
  • 特點：
    • 容易集成：SQL，對於不同的數據源，提供統一的訪問方式（DataFrame：表）
    • 兼容Hive
• DataFrame，是Spark sql對結構化數據的抽象集合，表現形式：RDD
  • 表 = 表結構+數據
  • DataFrame = schema+RDD
• 創建dataframe

  • 跟關系數據庫的表(Table)一樣，DataFrame是Spark中對帶模式(schema)行列數據的抽象。DateFrame廣泛應用於使用SQL處理大數據的各種場景。創建DataFrame有很多種方法，比如從本地List創建、從RDD創建或者從源數據創建，下面簡要介紹創建DataFrame的三種方法。

    方法一，Spark中使用toDF函數創建DataFrame

    通過導入(importing)Spark sql implicits, 就可以將本地序列(seq), 數組或者RDD轉為DataFrame。只要這些數據的內容能指定、

    數據類型即可。

    本地seq + toDF創建DataFrame示例：

    import sqlContext.implicits._val df = Seq(

      (1, "First Value", java.sql.Date.valueOf("2010-01-01")),

      (2, "Second Value", java.sql.Date.valueOf("2010-02-01"))

    ).toDF("int_column", "string_column", "date_column")

    注意：如果直接用toDF()而不指定列名字，那么默認列名為"_1", "_2", ...

    通過case class + toDF創建DataFrame的示例

    // sc is an existing SparkContext.val sqlContext = new org.apache.spark.sql.SQLContext(sc)// this is used to implicitly convert an RDD to a DataFrame.import sqlContext.implicits._

    // Define the schema using a case class.// Note: Case classes in Scala 2.10 can support only up to 22 fields. To work around this limit,// you can use custom classes that implement the Product interface.case class Person(name: String, age: Int)

    // Create an RDD of Person objects and register it as a table.val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()

    people.registerTempTable("people")

    // 使用 sqlContext 執行 sql 語句.val teenagers = sqlContext.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")

    // 注：sql()函數的執行結果也是DataFrame，支持各種常用的RDD操作.// The columns of a row in the result can be accessed by ordinal.

    teenagers.map(t => "Name: " + t(0)).collect().foreach(println)

    方法二，Spark中使用createDataFrame函數創建DataFrame

    在SqlContext中使用createDataFrame也可以創建DataFrame。跟toDF一樣，這里創建DataFrame的數據形態也可以是本地數組或者RDD。

    通過row+schema創建示例

    import org.apache.spark.sql.types._val schema = StructType(List(

        StructField("integer_column", IntegerType, nullable = false),

        StructField("string_column", StringType, nullable = true),

        StructField("date_column", DateType, nullable = true)

    ))

    val rdd = sc.parallelize(Seq(

      Row(1, "First Value", java.sql.Date.valueOf("2010-01-01")),

      Row(2, "Second Value", java.sql.Date.valueOf("2010-02-01"))

    ))val df = sqlContext.createDataFrame(rdd, schema)

    方法三，通過文件直接創建DataFrame

    使用parquet文件創建

    val df = sqlContext.read.parquet("hdfs:/path/to/file")

    使用json文件創建

    val df = spark.read.json("examples/src/main/resources/people.json")

    // Displays the content of the DataFrame to stdout

    df.show()// +----+-------+// | age|   name|// +----+-------+// |null|Michael|// |  30|   Andy|// |  19| Justin|// +----+-------+

    使用csv文件,spark2.0+之后的版本可用

    //首先初始化一個SparkSession對象val spark = org.apache.spark.sql.SparkSession.builder

            .master("local")

            .appName("Spark CSV Reader")

            .getOrCreate;

    //然后使用SparkSessions對象加載CSV成為DataFrameval df = spark.read

            .format("com.databricks.spark.csv")

            .option("header", "true") //reading the headers

            .option("mode", "DROPMALFORMED")

            .load("csv/file/path"); //.csv("csv/file/path") //spark 2.0 api

    df.show()
• 操作dataframe
  • http://blog.csdn.net/dabokele/article/details/52802150