您的位置：首页 > 数据库

Spark SQL原理与DataFrame、DataSet相关API操作以及代码介绍

2017-09-27 14:23 791 查看

Spark SQL and DataFrame、DataSet

1. 课程目标

1.1. 掌握Spark SQL的原理

1.2. 掌握DataFrame数据结构和使用方式

1.3. 熟练使用Spark SQL完成计算任务

2. Spark SQL

2.1. Spark SQL概述

2.1.1. 什么是Spark SQL

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。

2.1.2. 为什么要学习Spark SQL

我们已经学习了Hive，它是将Hive SQL转换成MapReduce然后提交到集群上执行，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。所有Spark
SQL的应运而生，它是将Spark SQL转换成RDD，然后提交到集群执行，执行效率非常快！

1.易整合

2.统一的数据访问方式

3.兼容Hive

4.标准的数据连接

2.2. DataFrames

2.2.1. 什么是DataFrames

与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像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也支持嵌套数据类型（struct、array和map）。从API易用性的角度上
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。

2.2.2. 创建DataFrames

在Spark SQL中SQLContext是创建DataFrames和执行SQL的入口，在spark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://node1.itcast.cn: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

2.3. DataFrame常用操作

2.3.1. DSL风格语法

//查看DataFrame中的内容

personDF.show

//查看DataFrame部分列中的内容

personDF.select(personDF.col("name")).show

personDF.select(col("name"), col("age")).show

personDF.select("name").show

//打印DataFrame的Schema信息

personDF.printSchema

//查询所有的name和age，并将age+1

personDF.select(col("id"), col("name"), col("age") + 1).show

personDF.select(personDF("id"), personDF("name"), personDF("age") + 1).show

//过滤age大于等于18的

personDF.filter(col("age") >= 18).show

//按年龄进行分组并统计相同年龄的人数

personDF.groupBy("age").count().show()

2.3.2. SQL风格语法

如果想使用SQL风格的语法，需要将DataFrame注册成表

personDF.registerTempTable("t_person")

//查询年龄最大的前两名

sqlContext.sql("select * from t_person order by age desc limit 2").show

//显示表的Schema信息

sqlContext.sql("desc t_person").show

3. 以编程方式执行Spark SQL查询

3.1. 编写Spark SQL查询程序

前面我们学习了如何在Spark Shell中使用SQL完成查询，现在我们来实现在自定义的程序中编写Spark SQL查询程序。首先在maven项目的pom.xml中添加Spark
SQL的依赖

<dependency>

    <groupId>org.apache.spark</groupId>

    <artifactId>spark-sql_2.11</artifactId>

    <version>2.2.0</version>

</dependency>

3.1.1. 通过反射推断Schema

创建一个object为org.spark.sql.InferringSchema

package org.spark.sql

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SQLContext

object InferringSchema {

  def main(args: Array[String]) {

    //创建SparkConf()并设置App名称
    valconf =
new SparkConf().setAppName("SQL-1")

    //SQLContext要依赖SparkContext
    valsc =
new SparkContext(conf)

    //创建SQLContext
    valsqlContext =
new SQLContext(sc)

    //从指定的地址创建RDD
    vallineRDD = sc.textFile(args(0)).map(_.split(" "))

    //创建case class
    //将RDD和case class关联
    valpersonRDD = lineRDD.map(x =>
Person(x(0).toInt, x(1), x(2).toInt))

    //导入隐式转换，如果不到人无法将RDD转换成DataFrame
    //将RDD转换成DataFrame
    importsqlContext.implicits._

    val personDF = personRDD.toDF

    //注册表
    personDF.registerTempTable("t_person")

    //传入SQL
    valdf = sqlContext.sql("select * from t_person order by age desc limit 2")

    //将结果以JSON的方式存储到指定位置
    df.write.json(args(1))

    //停止Spark Context
    sc.stop()

  }

}
//case class一定要放到外面
case class Person(id: Int, name:String, age: Int)

将程序打成jar包，上传到spark集群，提交Spark任务

.bin/spark-submit \

--class org.spark.sql.InferringSchema \

--master local(本地方式) \或者（-- master spark://masterIP:port）

/root/spark-mvn-1.0-SNAPSHOT.jar \（用maven打的jar包）

hdfs://mater（localhost）:9000/person.txt \(hdfs地址)

hdfs://master(localhost):9000/out

查看运行结果

hdfs dfs -cat hdfs://master(localhost):9000/out/part-r-*

3.1.2. 通过StructType直接指定Schema

创建一个object为org.spark.sql.SpecifyingSchema

package org.spark.sql

import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.sql.types._
import org.apache.spark.{SparkContext, SparkConf}

object SpecifyingSchema {

  def main(args: Array[String]) {

    //创建SparkConf()并设置App名称
    valconf =
new SparkConf().setAppName("SQL-2")

    //SQLContext要依赖SparkContext
    valsc =
new SparkContext(conf)

    //创建SQLContext
    valsqlContext =
new SQLContext(sc)

    //从指定的地址创建RDD
    valpersonRDD = sc.textFile(args(0)).map(_.split(" "))

    //通过StructType直接指定每个字段的schema
    valschema =
StructType(

      List(

        StructField("id", IntegerType,true),

        StructField("name", StringType,true),

        StructField("age", IntegerType,true)

      )

    )

    //将RDD映射到rowRDD
    valrowRDD = personRDD.map(p =>
Row(p(0).toInt, p(1).trim, p(2).toInt))

    //将schema信息应用到rowRDD上
    valpersonDataFrame = sqlContext.createDataFrame(rowRDD, schema)

    //注册表
    personDataFrame.registerTempTable("t_person")

    //执行SQL
    valdf = sqlContext.sql("select * from t_person order by age desc limit 4")

    //将结果以JSON的方式存储到指定位置
    df.write.json(args(1))

    //停止Spark Context
    sc.stop()

  }

}

将程序打成jar包，上传到spark集群，提交Spark任务

.bin/spark-submit \
--class org.spark.sql.InferringSchema \
--master local(本地方式) \或者（-- master spark://masterIP:port）
/root/spark-mvn-1.0-SNAPSHOT.jar \（用maven打的jar包）
hdfs://mater（localhost）:9000/person.txt \(hdfs地址)
hdfs://master(localhost):9000/out
查看结果

hdfs dfs -cat hdfs://master(localhost):9000/out1/part-r-*

3.2 数据源

3.2.1. JDBC

Spark SQL可以通过JDBC从关系型数据库中读取数据的方式创建DataFrame，通过对DataFrame一系列的计算后，还可以将数据再写回关系型数据库中。

3.2.1.1. 从MySQL中加载数据（Spark Shell方式）

1.启动Spark Shell，必须指定mysql连接驱动jar包

.bin/spark-shell \

--master spark://masterIP:Port(或者用local) \

--jars /usr/mysql-connector-java-5.1.35-bin.jar \

--driver-class-path /usr/mysql-connector-java-5.1.35-bin.jar

2.从mysql中加载数据

val jdbcDF = sqlContext.read.format("jdbc").options(Map("url" -> "jdbc:mysql://192.168.111.20:3306/bigdata", "driver" -> "com.mysql.jdbc.Driver", "dbtable" -> "person", "user" -> "root", "password" -> "123456")).load()

3.执行查询

jdbcDF.show()

3.2.1.2. 将数据写入到MySQL中（打jar包方式）

1.编写Spark SQL程序

package org.spark.sql

import java.util.Properties
import org.apache.spark.sql.{SQLContext, Row}
import org.apache.spark.sql.types.{StringType, IntegerType, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}

object JdbcRDD {

  def main(args: Array[String]) {

    val conf = newSparkConf().setAppName("MySQL-Demo")

    val sc = newSparkContext(conf)

    val sqlContext =
new SQLContext(sc)

    //通过并行化创建RDD
    valpersonRDD = sc.parallelize(Array("1 tom 5","2
jerry 3", "3 kitty 6")).map(_.split(" "))

    //通过StructType直接指定每个字段的schema
    valschema =
StructType(

      List(

        StructField("id", IntegerType,true),

        StructField("name", StringType,true),

        StructField("age", IntegerType,true)

      )

    )

    //将RDD映射到rowRDD
    valrowRDD = personRDD.map(p =>
Row(p(0).toInt, p(1).trim, p(2).toInt))

    //将schema信息应用到rowRDD上
    valpersonDataFrame = sqlContext.createDataFrame(rowRDD, schema)

    //创建Properties存储数据库相关属性
    valprop =
new Properties()

    prop.put("user",
"root")

    prop.put("password","123456")

    //将数据追加到数据库
    personDataFrame.write.mode("append").jdbc("jdbc:mysql://192.168.10.1:3306/bigdata","bigdata.person",
prop)

    //停止SparkContext
    sc.stop()

  }

}

2.用maven将程序打包

3.将Jar包提交到spark集群

.bin/spark-submit \

--class org.spark.sql.JdbcRDD \

--master spark://masterIP:Port \或者（local）

--jars /usr/mysql-connector-java-5.1.35-bin.jar \

--driver-class-path /usr/mysql-connector-java-5.1.35-bin.jar \

/root/spark-mvn-1.0-SNAPSHOT.jar

4. Spark SQL+DataFrame创建代码

5. Spark SQL+DataFrame操作和DataSet代码

import java.util.Properties

import org.apache.log4j.{Level, Logger}
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Row, SQLContext}
import org.apache.spark.sql.types.{DataType, DataTypes, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}
import scala.collection.JavaConverters._

/**
  * Created by zys on 2017/9/25 0025.
  */
case class Person(name:String, age:java.lang.Long)

object CreateDF {

  def main(args: Array[String]): Unit = {

    Logger.getLogger("org.apache.spark").setLevel(Level.WARN)

    Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)

    //spark入口
    //spark conf配置对象
    valconf =
new SparkConf().setAppName("CreateDF").setMaster("local[2]")

    val sc = newSparkContext(conf)

    //Spark SQL的入口
    valsqlContext =
new SQLContext(sc)

    //一. DataFrame创建
//    1.json文件
//    val df = sqlContext.read.json("file:\\G:\\code\\source_code\\spark\\examples\\src\\main\\resources\\people.json")
//    val df = sqlContext.read.format("json").load("G:\\code\\source_code\\spark\\examples\\src\\main\\resources\\people.json")
    //    sqlContext.read.format("json").load("file:\\G:\\code\\source_code\\spark\\examples\\src\\main\\resources\\people.json")
    // 2.parquet文件
//      val df = sqlContext.read.parquet("file:\\G:\\code\\source_code\\spark\\examples\\src\\main\\resources\\users.parquet")
//      3.jdbc方式创建
//      val props = new Properties()
//      props.put("user","root")
//      props.put("password","123456")
//     val df = sqlContext.read.jdbc("jdbc:mysql://hdp1:3306/spark","student",props)
//      4.通过表创建
//    df.registerTempTable("student")
//    var sql = sqlContext.sql("select * from student")
//    sql.printSchema()
//    sql.show()
//    5.avro文件创建
//    import com.databricks.spark.avro._
//    val df = sqlContext.read.avro("D:/code/spark_code/course/data/users.avro")
//    6.通过RDD的方式
//    6.1反射方式创建DataFrame
//    import sqlContext.implicits._
//    var rdd = sc.textFile("file:\\G:\\code\\source_code\\spark\\examples\\src\\main\\resources\\people.txt")
//      .map { line =>
//        val strs = line.split(",")
//        Person(strs(0), strs(1).trim.toInt)
//      }
//    val df = rdd.toDF()
//    6.2注册元数据方法
//      var rdd = sc.textFile("file:\\G:\\code\\source_code\\spark\\examples\\src\\main\\resources\\people.txt")
//          .map { line =>
//            val strs = line.split(",")
//            Row(strs(0), strs(1).trim.toInt)
//          }
//    var structType = StructType(Array(
//      StructField("name", DataTypes.StringType),
//      StructField("age", DataTypes.IntegerType)
//    ))
//      val df = sqlContext.createDataFrame(rdd,structType)

    //df操作
//    df.printSchema()   //打印对应的约束信息
//    df.show()         //小数据量时候，客户端显示数据
//    val arrs = df.collect()
//    val list = df.collectAsList()
//    for(i <- 0 until list.size()){
//      println(list.get(i))
//    }
//    for(ele <- list){
//      println(ele)
//    }
// println(df.count())
//    println(df.describe("name","age"))
//    println(df.first())
//    for(ele <- df.head(2) ){
//      println(ele)
//    }
//    for(ele <- df.take(1)){
//      println(ele)
//    }
//    for(ele <- df.columns){
    //      println(ele)
    //    }
//    println(df.schema)
//    println(df.select("age").explain())
//    条件过滤
//    println(df.filter(df.col("age").gt(20)).first())
//    println(df.filter(df.col("age") > 20).first())

//    println(df.agg(("name" -> "count")).first())
//      println(df.groupBy("name").count())

//    df.registerTempTable("people")
//    println(sqlContext.sql("select * from people where age > 20").first())

//    第二部分：Dataset
//      1.Dataset的创建
//    import sqlContext.implicits._
//    var dS = List(Person("Kevin",24),Person("Jhon",20)).toDS()
//    val list = List(Person("Kevin",24),Person("Jhon",20))
//    val frame = sqlContext.createDataFrame(list)
//    frame.printSchema()

//      var rdd = sc.textFile("file:\\G:\\code\\source_code\\spark\\examples\\src\\main\\resources\\people.txt")
//        .map { line =>
//          val strs = line.split(",")
//          Person(strs(0), strs(1).trim.toInt)
//        }
//      var dS = rdd.toDS()
//      dS.printSchema()
    importsqlContext.implicits._

    var frame = sqlContext.read.json("file:\\G:\\code\\source_code\\spark\\examples\\src\\main\\resources\\people.json")
//    frame.printSchema()
    vardataset = frame.as[Person]
//    dataset.printSchema()
//    dataset.show()
//    dataset.filter(person => person.age > 21).show()
    println(dataset.groupBy(person => person.name).count().show())

  }

}

6. 相关文章

1.spark2.2.0 http://spark.apachecn.org/docs/cn/2.2.0/sql-programming-guide.html#datasets-and-dataframes
2.spark2.2.0 http://spark.apache.org/sql/
3.spark2.2.0 http://spark.apache.org/docs/latest/sql-programming-guide.html
4.《Spark 官方文档》Spark SQL, DataFrames 以及 Datasets 编程指南 http://ifeve.com/spark-sql-dataframes/

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理

标签：

相关文章推荐

新的分享

章节导航