Spark SQL
Spark SQL is Apache Spark's module for working with structured data. SparkSQL是apache Spark用来处理结构化数据的一个模块
Spark SQL四大特性
易整合(Integrated)
results = spark.sql("SELECT * FROM people")
统一的数据源访问(Uniform Data Access)
spark.read.json("s3n://...")
spark.read.text("s3n://...")
spark.read.parquet("s3n://...")
兼容hive(Hive Integration)
支持标准的数据库连接(Standard Connectivity)
spark.read.jdbc(---)
DataFrame概述
在Spark中，DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库的二维表格 DataFrame带有Schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型，但底层做了更多的优化 DataFrame可以从很多数据源构建 比如：已经存在的RDD、结构化文件、外部数据库、Hive表。 RDD可以把它内部元素看成是一个java对象 DataFrame可以把内部是一个Row对象，它表示一行一行的数据
DataFrame和RDD的优缺点
RDD
优点
1、编译时类型安全，开发会进行类型检查，在编译的时候及时发现错误 2、具有面向对象编程的风格
缺点
1、构建大量的java对象占用了大量heap堆空间，导致频繁的GC。
由于数据集RDD它的数据量比较大，后期都需要存储在heap堆中，这里有heap堆中的内存空间有限，出现频繁的垃圾回收（GC），程序在进行垃圾回收的过程中，所有的任务都是暂停。影响程序执行的效率。 2、数据的序列化和反序列性能开销很大
在分布式程序中，对象(对象的内容和结构)是先进行序列化，发送到其他服务器，进行大量的网络传输，然后接受到这些序列化的数据之后，再进行反序列化来恢复该对象
DataFrame
DataFrame引入了schema元信息和off-heap(堆外) 优点
1、DataFrame引入off-heap
大量的对象构建直接使用操作系统层面上的内存，不在使用heap堆中的内存，这样一来heap堆中的内存空间就比较充足，不会导致频繁GC，程序的运行效率比较高，它是解决了RDD构建大量的java对象占用了大量heap堆空间，导致频繁的GC这个缺点。 2、DataFrame引入了schema元信息
就是数据结构的描述信息，后期spark程序中的大量对象在进行网络传输的时候，只需要把数据的内容本身进行序列化就可以，数据结构信息可以省略掉。这样一来数据网络传输的数据量是有所减少，数据的序列化和反序列性能开销就不是很大了。它是解决了RDD数据的序列化和反序列性能开销很大这个缺点
缺点 DataFrame引入了schema元信息和off-heap(堆外)它是分别解决了RDD的缺点，同时它也丢失了RDD的优点
1、编译时类型不安全
编译时不会进行类型的检查，这里也就意味着前期是无法在编译的时候发现错误，只有在运行的时候才会发现 2、不在具有面向对象编程的风格
// 1. 读取文本文件
val personDF=spark.read.text("/person.txt")
val peopleDF=spark.read.json("/people.json")
val usersDF=spark.read.parquet("/users.parquet")
// 2. 加载数据
val rdd1=sc.textFile("/person.txt").map(x=>x.split(" "))
//定义一个样例类
case class Person(id:String,name:String,age:Int)
//把rdd与样例类进行关联
val personRDD=rdd1.map(x=>Person(x(),x(1),x(2).toInt))
//把rdd转换成DataFrame
val personDF=personRDD.toDF
// 3.语法风格
// 3.1 DSL
personDF.select("name").show
personDF.select($"name").show
personDF.select(col("name").show
//实现age+1
personDF.select($"name",$"age",$"age"+1)).show
//实现age大于30过滤
personDF.filter($"age" > 30).show
//按照age分组统计次数
personDF.groupBy("age").count.show
//按照age分组统计次数降序
personDF.groupBy("age").count().sort($"count".desc)show
// 3.2 sql
//DataFrame注册成表
personDF.createTempView("person")
//使用SparkSession调用sql方法统计查询
spark.sql("select * from person").show
spark.sql("select name from person").show
spark.sql("select name,age from person").show
DataSet概述
DataSet是分布式的数据集合，Dataset提供了强类型支持，也是在RDD的每行数据加了类型约束。 DataSet是在Spark1.6中添加的新的接口。它集中了RDD的优点（强类型和可以用强大lambda函数）以及使用了Spark SQL优化的执行引擎。
1. 假设RDD中的两行数据长这样
1,张三,23
2,李四,35
2.那么DataFrame中的数据长这样
ID:String Name:String Age:int
1 张三 23
2 李四 35
3.Dataset中的数据长这样
value:String
1,张三,23
2,李四,35
或者
value:People(age:bigint,id:bigint,name:string)
People(id=1,name="张三",age=23)
People(id=2,name="李四",age=23)
DataSet包含了DataFrame的功能，Spark2.0中两者统一，DataFrame表示为DataSet[Row]，即DataSet的子集。
（1）DataSet可以在编译时检查类型
（2）并且是面向对象的编程接口
DataFrame DataSet转换 构建dataset
// 把一个DataFrame转换成DataSet
val dataSet=dataFrame.as[强类型]
// 2、把一个DataSet转换成DataFrame
val dataFrame=dataSet.toDF
// 补充说明,可以从dataFrame和dataSet获取得到rdd
val rdd1=dataFrame.rdd
val rdd2=dataSet.rdd
// 1、 通过sparkSession调用createDataset方法
val ds=spark.createDataset(1 to 10) //scala集合
val ds=spark.createDataset(sc.textFile("/person.txt")) //rdd
// 2、使用scala集合和rdd调用toDS方法
sc.textFile("/person.txt").toDS
List(1,2,3,4,5).toDS
// 3、把一个DataFrame转换成DataSet
val dataSet=dataFrame.as[强类型]
// 4、通过一个DataSet转换生成一个新的DataSet
List(1,2,3,4,5).toDS.map(x=>x*10)
// 5、将rdd与Row对象进行关联
val rowRDD: RDD[Row] = data.map(x=>Row(x(),x(1),x(2).toInt))
//指定dataFrame的schema信息
//这里指定的字段个数和类型必须要跟Row对象保持一致
val schema=StructType(
StructField("id",StringType)::
StructField("name",StringType)::
StructField("age",IntegerType)::Nil
)
val dataFrame: DataFrame = spark.createDataFrame(rowRDD,schema)
示例代码
// EG
// 1、构建SparkSession对象,开启hive支持
val spark: SparkSession = SparkSession.builder()
.appName("HiveSupport")
.master("local[2]")
.enableHiveSupport() //开启对hive的支持
.getOrCreate()
// 2. 读取mysql数据
val spark: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
val url="jdbc:mysql://node03:3306/spark"
val tableName="user"
val properties = new Properties()
properties.setProperty("user","root")
properties.setProperty("password","123456")
val mysqlDF: DataFrame = spark.read.jdbc(url,tableName,properties)
// 3. 保存数据到mysql表中
//mode:指定数据的插入模式
//overwrite: 表示覆盖，如果表不存在，事先帮我们创建
//append :表示追加， 如果表不存在，事先帮我们创建
//ignore :表示忽略，如果表事先存在，就不进行任何操作
//error :如果表事先存在就报错（默认选项）
result.write.mode("append").jdbc(url,"kaikeba",properties)
自定义函数
//小写转大写
sparkSession.udf.register("low2Up",new UDF1[String,String]() {
override def call(t1: String): String = {
t1.toUpperCase
}
},StringType)
//大写转小写
sparkSession.udf.register("up2low",(x:String)=>x.toLowerCase)
// 把数据文件中的单词统一转换成大小写
sparkSession.sql("select value from t_udf").show()
sparkSession.sql("select low2Up(value) from t_udf").show()
sparkSession.sql("select up2low(value) from t_udf").show()
