Spark 系列（九）—— Spark SQL 之 Structured API

1、建立DataFrame和Dataset

1.1 建立DataFrame

Spark 中全部功能的入口點是 SparkSession，能夠使用 SparkSession.builder() 建立。建立後應用程序就能夠從現有 RDD，Hive 表或 Spark 數據源建立 DataFrame。示例以下：

val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
val df = spark.read.json("/usr/file/json/emp.json")
df.show()

// 建議在進行 spark SQL 編程前導入下面的隱式轉換，由於 DataFrames 和 dataSets 中不少操做都依賴了隱式轉換
import spark.implicits._
複製代碼

能夠使用 spark-shell 進行測試，須要注意的是 spark-shell 啓動後會自動建立一個名爲 spark 的 SparkSession，在命令行中能夠直接引用便可：

1.2 建立Dataset

Spark 支持由內部數據集和外部數據集來建立 DataSet，其建立方式分別以下：

1. 由外部數據集建立

// 1.須要導入隱式轉換
import spark.implicits._

// 2.建立 case class,等價於 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long, hiredate: String, job: String, mgr: Long, sal: Double) // 3.由外部數據集建立 Datasets val ds = spark.read.json("/usr/file/emp.json").as[Emp]
ds.show()
複製代碼

2. 由內部數據集建立

// 1.須要導入隱式轉換
import spark.implicits._

// 2.建立 case class,等價於 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long, hiredate: String, job: String, mgr: Long, sal: Double) // 3.由內部數據集建立 Datasets val caseClassDS = Seq(Emp("ALLEN", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0),
                      Emp("JONES", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0))
                    .toDS()
caseClassDS.show()
複製代碼

1.3 由RDD建立DataFrame

Spark 支持兩種方式把 RDD 轉換爲 DataFrame，分別是使用反射推斷和指定 Schema 轉換：

1. 使用反射推斷

// 1.導入隱式轉換
import spark.implicits._

// 2.建立部門類
case class Dept(deptno: Long, dname: String, loc: String) // 3.建立 RDD 並轉換爲 dataSet val rddToDS = spark.sparkContext
  .textFile("/usr/file/dept.txt")
  .map(_.split("\t"))
  .map(line => Dept(line(0).trim.toLong, line(1), line(2)))
  .toDS()  // 若是調用 toDF() 則轉換爲 dataFrame 
複製代碼

2. 以編程方式指定Schema

import org.apache.spark.sql.Row
import org.apache.spark.sql.types._


// 1.定義每一個列的列類型
val fields = Array(StructField("deptno", LongType, nullable = true),
                   StructField("dname", StringType, nullable = true),
                   StructField("loc", StringType, nullable = true))

// 2.建立 schema
val schema = StructType(fields)

// 3.建立 RDD
val deptRDD = spark.sparkContext.textFile("/usr/file/dept.txt")
val rowRDD = deptRDD.map(_.split("\t")).map(line => Row(line(0).toLong, line(1), line(2)))


// 4.將 RDD 轉換爲 dataFrame
val deptDF = spark.createDataFrame(rowRDD, schema)
deptDF.show()
複製代碼

1.4 DataFrames與Datasets互相轉換

Spark 提供了很是簡單的轉換方法用於 DataFrame 與 Dataset 間的互相轉換，示例以下：

# DataFrames轉Datasets
scala> df.as[Emp]
res1: org.apache.spark.sql.Dataset[Emp] = [COMM: double, DEPTNO: bigint ... 6 more fields]
 # Datasets轉DataFrames
scala> ds.toDF()
res2: org.apache.spark.sql.DataFrame = [COMM: double, DEPTNO: bigint ... 6 more fields]
複製代碼

2、Columns列操做

2.1 引用列

Spark 支持多種方法來構造和引用列，最簡單的是使用 col() 或 column() 函數。

col("colName")
column("colName")

// 對於 Scala 語言而言，還能夠使用$"myColumn"和'myColumn 這兩種語法糖進行引用。
df.select($"ename", $"job").show()
df.select('ename, 'job).show()
複製代碼

2.2 新增列

// 基於已有列值新增列
df.withColumn("upSal",$"sal"+1000)
// 基於固定值新增列
df.withColumn("intCol",lit(1000))
複製代碼

2.3 刪除列

// 支持刪除多個列
df.drop("comm","job").show()
複製代碼

2.4 重命名列

df.withColumnRenamed("comm", "common").show()
複製代碼

須要說明的是新增，刪除，重命名列都會產生新的 DataFrame，原來的 DataFrame 不會被改變。

3、使用Structured API進行基本查詢

// 1.查詢員工姓名及工做
df.select($"ename", $"job").show()

// 2.filter 查詢工資大於 2000 的員工信息
df.filter($"sal" > 2000).show()

// 3.orderBy 按照部門編號降序，工資升序進行查詢
df.orderBy(desc("deptno"), asc("sal")).show()

// 4.limit 查詢工資最高的 3 名員工的信息
df.orderBy(desc("sal")).limit(3).show()

// 5.distinct 查詢全部部門編號
df.select("deptno").distinct().show()

// 6.groupBy 分組統計部門人數
df.groupBy("deptno").count().show()
複製代碼

4、使用Spark SQL進行基本查詢

4.1 Spark SQL基本使用

// 1.首先須要將 DataFrame 註冊爲臨時視圖
df.createOrReplaceTempView("emp")

// 2.查詢員工姓名及工做
spark.sql("SELECT ename,job FROM emp").show()

// 3.查詢工資大於 2000 的員工信息
spark.sql("SELECT * FROM emp where sal > 2000").show()

// 4.orderBy 按照部門編號降序，工資升序進行查詢
spark.sql("SELECT * FROM emp ORDER BY deptno DESC,sal ASC").show()

// 5.limit 查詢工資最高的 3 名員工的信息
spark.sql("SELECT * FROM emp ORDER BY sal DESC LIMIT 3").show()

// 6.distinct 查詢全部部門編號
spark.sql("SELECT DISTINCT(deptno) FROM emp").show()

// 7.分組統計部門人數
spark.sql("SELECT deptno,count(ename) FROM emp group by deptno").show()
複製代碼

4.2 全局臨時視圖

上面使用 createOrReplaceTempView 建立的是會話臨時視圖，它的生命週期僅限於會話範圍，會隨會話的結束而結束。

你也能夠使用 createGlobalTempView 建立全局臨時視圖，全局臨時視圖能夠在全部會話之間共享，並直到整個 Spark 應用程序終止後纔會消失。全局臨時視圖被定義在內置的 global_temp 數據庫下，須要使用限定名稱進行引用，如 SELECT * FROM global_temp.view1。

// 註冊爲全局臨時視圖
df.createGlobalTempView("gemp")

// 使用限定名稱進行引用
spark.sql("SELECT ename,job FROM global_temp.gemp").show()
複製代碼

參考資料

Spark SQL, DataFrames and Datasets Guide > Getting Started

更多大數據系列文章能夠參見 GitHub 開源項目： 大數據入門指南