3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
2017-10-16 22:54
531 查看
RDD转换为DataFrame
为什么要将RDD转换为DataFrame?因为这样的话,我们就可以直接针对HDFS等任何可以构建为RDD的数据,使用Spark SQL进行SQL查询了。这个功能是无比强大的。想象一下,针对HDFS中的数据,直接就可以使用SQL进行查询。Spark SQL支持两种方式来将RDD转换为DataFrame。
第一种方式,是使用反射来推断包含了特定数据类型的RDD的元数据。这种基于反射的方式,代码比较简洁,当你已经知道你的RDD的元数据时,是一种非常不错的方式。
第二种方式,是通过编程接口来创建DataFrame,你可以在程序运行时动态构建一份元数据,然后将其应用到已经存在的RDD上。这种方式的代码比较冗长,但是如果在编写程序时,还不知道RDD的元数据,只有在程序运行时,才能动态得知其元数据,那么只能通过这种动态构建元数据的方式。
使用反射方式推断元数据
Java版本:Spark SQL是支持将包含了JavaBean的RDD转换为DataFrame的。JavaBean的信息,就定义了元数据。Spark SQL现在是不支持将包含了嵌套JavaBean或者List等复杂数据的JavaBean,作为元数据的。只支持一个包含简单数据类型的field的JavaBean。Scala版本:而Scala由于其具有隐式转换的特性,所以Spark SQL的Scala接口,是支持自动将包含了case class的RDD转换为DataFrame的。case class就定义了元数据。Spark SQL会通过反射读取传递给case class的参数的名称,然后将其作为列名。与Java不同的是,Spark
SQL是支持将包含了嵌套数据结构的case class作为元数据的,比如包含了Array等。
java版本
package cn.spark.study.sql; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function; import org.apache.spark.sql.DataFrame; import org.apache.spark.sql.Row; import org.apache.spark.sql.SQLContext; /** * 使用反射方式将RDD转换为DataFrame * @author leizq120310 * */ public class RDD2FrameReflection { public static void main(String[] args) { // TODO Auto-generated method stub SparkConf conf = new SparkConf() .setMaster("local") .setAppName("RDD2FrameReflextion"); JavaSparkContext sc = new JavaSparkContext(conf); SQLContext sqlContext = new SQLContext(sc); JavaRDD<String> linesRDD = sc.textFile("C://Users//leizq120310//Desktop//students.txt"); JavaRDD<Student> studentRDD = linesRDD.map(new Function<String, Student>() { private static final long serialVersionUID = 1L; @Override public Student call(String line) throws Exception { String [] lineSplited = line.split(","); Student stu = new Student(); stu.setId(Integer.valueOf(lineSplited[0])); stu.setName(lineSplited[1]); stu.setAge(Integer.valueOf(lineSplited[2])); return stu; } }); // 使用反射方式,将RDD转换为DataFrame // 将Student.class传入进去,其实就是用反射的方式来创建DataFrame // 因为Student.class本身就是反射的一个应用 // 然后底层还得通过对Student class进行反射,来获取其中的field // 这里要求,JavaBean必须实现Serializable接口,是可序列化的 DataFrame studentDF = sqlContext.createDataFrame(studentRDD, Student.class); // 拿到了一个DataFrame之后,就可以将其注册为一个临时表,然后针对其中的数据执行SQL语句 studentDF.registerTempTable("students"); // 针对students临时表执行SQL语句,查询年龄小于等于18岁的学生,就是teenageer DataFrame teenagerDF = sqlContext.sql("select * from students where age <= 18"); // 将查询出来的DataFrame,再次转换RDD JavaRDD<Row> teenagerRDD = teenagerDF.javaRDD(); // 将RDD中的数据,进行映射,映射为Student JavaRDD<Student> teenagerStudentRDD = teenagerRDD.map(new Function<Row, Student>() { private static final long serialVersionUID = 1L; @Override public Student call(Row row) throws Exception { // Row中的数据可能与我们期望的是不一样的! Student stu = new Student(); stu.setAge(row.getInt(0)); stu.setId(row.getInt(1)); stu.setName(row.getString(2)); return stu; } }); // 将数据collection回来,打印出来 List<Student> studentList = teenagerStudentRDD.collect(); for (Student stu : studentList) { System.out.println(stu); } sc.close(); } }scala版本
package cn.spark.study.sql import org.apache.spark.SparkConf; import org.apache.spark.SparkContext; import org.apache.spark.sql.SQLContext; /** * 如果要用scala开发spark程序 * 然后在其中,还要实现基于反射的RDD到DataFrame的转换,就必须用object extends App的方式 * 不能用def main() 方法的方式,来运行程序,否则就会报no type tag for ... class 的错误 */ object RDD2DataFrameFeflection extends App { val conf = new SparkConf() .setMaster("local") .setAppName("RDD2DataFrameFlection"); val sc = new SparkContext(conf); val sqlContext = new SQLContext(sc); // 在Scala中使用反射方式,进行RDD到DataFrame的转换,需要手动导入一个隐式转换 import sqlContext.implicits._ case class Student(id: Int, name: String, age: Int) // 这里其实就是一个普通的元素的case class 的RDD val students = sc.textFile("C://Users//leizq120310//Desktop//students.txt", 1) .map{line => line.split(",")}.map{arr => Student(arr(0).trim().toInt, arr(1), arr(2).trim().toInt)} // 直接使用RDD的toDF(), 即可将其转换为DataFrame val studentDF = students.toDF(); studentDF.registerTempTable("students") val teenagerDF = sqlContext.sql("select * from students where age <= 18") val teenagerRDD = teenagerDF.rdd // 在scala中,row中的数据的顺序,反而是按照我们期望的来排列的,这个跟java是不一样的哦 teenagerRDD.map{row => Student(row(0).toString().toInt, row(1).toString(), row(2).toString().toInt)} .collect() .foreach(stu => println(stu.id + ":" + stu.name + ":" + stu.age)) // 在scala中,对row的使用,比java中的row的使用,更加丰富 // 在scala中,可以用row.getAs()方法,获取指定列名的列 teenagerRDD.map{row => Student(row.getAs[Int]("id"), row.getAs[String]("name"), row.getAs[Int]("age"))} .collect() .foreach{stu => println(stu.id + ":" + stu.name + ":" + stu.age)} // 还可以通过row的getValueMap()方法,获取指定几列的值,返回的是个map val studentRDD = teenagerRDD.map{row => val map = row.getValuesMap[Any](Array("id", "name", "age")); Student(map("id").toString().toInt, map("name").toString(), map("age").toString().toInt) } studentRDD.collect().foreach{stu => println("33333= " + stu.id + ":" + stu.name + ":" + stu.age)} }
使用编程方式指定元数据
Java版本:当JavaBean无法预先定义和b960
知道的时候,比如要动态从一个文件中读取数据结构,那么就只能用编程方式动态指定元数据了。首先要从原始RDD创建一个元素为Row的RDD;其次要创建一个StructType,来代表Row;最后将动态定义的元数据应用到RDD<Row>上。
Scala版本:Scala的实现方式,与Java是基本一样的。
java版本
package cn.spark.study.sql; import java.util.ArrayList; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function; import org.apache.spark.sql.DataFrame; import org.apache.spark.sql.Row; import org.apache.spark.sql.RowFactory; import org.apache.spark.sql.SQLContext; import org.apache.spark.sql.types.DataTypes; import org.apache.spark.sql.types.StructField; import org.apache.spark.sql.types.StructType; /** * 以编程方式动态指定元数据,将RDD转换为DataFrame * @author leizq120310 * */ public class RDD2DataFrameProgrammatically { public static void main(String[] args) { // TODO Auto-generated method stub // 创建SparkConf、JavaSparkContext、SQLContext SparkConf conf = new SparkConf() .setAppName("RDD2DataFrameProgrammatically") .setMaster("local"); JavaSparkContext sc = new JavaSparkContext(conf); SQLContext sqlContext = new SQLContext(sc); // 第一步,创建一个普通的RDD,但是,必须将其转换为RDD<Row>的这种格式 JavaRDD<String> lines = sc.textFile("C://Users//leizq120310//Desktop//students.txt"); // 分析一下 // 它报了一个,不能直接从String转换为Integer的一个类型转换的错误 // 就说明什么,说明有个数据,给写义成了String类型,结果使用的时候,要用Integer类型来使用 // 而且,错误报在sql相关的代码中 // 所以,基本可以断定,就是说,在sql中,用到age <= 18 的语法,所以就强行就将age转换为Integer来使用 // 但是,肯定是之前有些数,将age定义为了String // 所以就往前找,就找到了这里 // 往Row中塞数据的时候,要注意,什么格式的数据,就用什么格式转换一下,再塞进去 JavaRDD<Row> studentRDD = lines.map(new Function<String, Row>() { private static final long serialVersionUID = 1L; @Override public Row call(String line) throws Exception { String[] lineSplited = line.split(","); return RowFactory.create(Integer.valueOf(lineSplited[0]), lineSplited[1], Integer.valueOf(lineSplited[2])); } }); // 第二步,动态构造元数据 // 比如说,id、name等,field的名称和类型,可能都是在程序运行过程中,动态从mysql db里 // 或者是配置文件中,加载出来的,是不固定的 // 所以特别适合用这种编程的方式,来构造元数据 List<StructField> structfields = new ArrayList<StructField>(); structfields.add(DataTypes.createStructField("id", DataTypes.IntegerType, true)); structfields.add(DataTypes.createStructField("name", DataTypes.StringType, true)); structfields.add(DataTypes.createStructField("age", DataTypes.IntegerType, true)); StructType structType = DataTypes.createStructType(structfields); // 第三步,将使用动态构造的元数据,将RDD转换为DataFrame DataFrame studentDF = sqlContext.createDataFrame(studentRDD, structType); // 后面,就可以使用DataFrame了 studentDF.registerTempTable("students"); DataFrame teenagerDF = sqlContext.sql("select * from students where age <= 18"); List<Row> rows = teenagerDF.javaRDD().collect(); for (Row row : rows) { System.out.println(row); } sc.close(); } }scala版本
package cn.spark.study.sql import org.apache.spark.sql.Row; import org.apache.spark.sql.types.{StructType,StructField,StringType,IntegerType}; import org.apache.spark.SparkConf; import org.apache.spark.SparkContext; import org.apache.spark.sql.SQLContext; object RDD2DataFrameProgrammatically extends App { val conf = new SparkConf() .setMaster("local") .setAppName("RDD2DataFrameProgrammatically"); val sc = new SparkContext(conf); val sqlContext = new SQLContext(sc); // 第一步,构造出元素为Row的普通RDD val studentRDD = sc.textFile("C://Users//leizq120310//Desktop//students.txt", 1) .map{ line => Row(line.split(",")(0).toInt, line.split(",")(1), line.split(",")(2).toInt)} // 第二步,编程方式动态构造元数据 val structType = StructType(Array( StructField("id", IntegerType, true), StructField("name", StringType, true), StructField("age", IntegerType, true))); // 第三步,进行RDD到DataFrame val studentDF = sqlContext.createDataFrame(studentRDD, structType); // 继续正常使用 studentDF.registerTempTable("students") val teenagerDF = sqlContext.sql("select * from students where age <= 18") val teenagerRDD = teenagerDF.rdd.collect().foreach{row => println(row)} }
相关文章推荐
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- 3.Spark SQL:使用反射方式、编程方式,将RDD转换为DataFrame
- Spark将RDD转换成DataFrame的两种方式
- 4.Spark SQL:数据源Parquet之使用编程方式加载数据
- [2.3]Spark DataFrame操作(二)之通过编程动态完成RDD与DataFrame的转换