sparksql简介sparksql中DataFrame和DataSet的数据结构sparksql中DataFrame和DataSet的使用方式

1.sparksql概述

1.1 sparksql的前世今生

Shark是专门针对于spark的构建大规模数据仓库系统的一个框架Shark与Hive兼容、同时也依赖于Spark版本Hivesql底层把sql解析成了mapreduce程序，Shark是把sql语句解析成了Spark任务随着性能优化的上限，以及集成SQL的一些复杂的分析功能，发现Hive的MapReduce思想限制了Shark的发展。最后Databricks公司终止对Shark的开发 决定单独开发一个框架，不在依赖hive，把重点转移到了sparksql这个框架上。

1.2 什么是sparksql

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

2. sparksql的四大特性

1、易整合

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-X1pSAq4V-1602159306282)(spark_day05课程设计.assets/)]

将SQL查询与Spark程序无缝混合可以使用不同的语言进行代码开发 javascalapythonR

2、统一的数据源访问

以相同的方式连接到任何数据源

sparksql后期可以采用一种统一的方式去对接任意的外部数据源

SparkSession.read.该数据类型的方法名(该格式数据的路径)

3、兼容hive

sparksql可以支持hivesql这种语法 sparksql兼容hivesql

4、支持标准的数据库连接

sparksql支持标准的数据库连接JDBC或者ODBC

3. DataFrame概述

3.1 DataFrame发展

DataFrame前身是schemaRDD,这个schemaRDD是直接继承自RDD，它是RDD的一个实现类在spark1.3.0之后把schemaRDD改名为DataFrame,它不在继承自RDD，而是自己实现RDD上的一些功能也可以把dataFrame转换成一个rdd，调用rdd这个方法 例如 val rdd1=dataFrame.rdd

3.2 DataFrame是什么

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。 DataFrame = RDD + schema元信息(对数据的结构描述信息) DataFrame可以看成是一张mysql表。 表中有数据，同时表中还有字段的名称和类型，这里的字段的名称和类型就可以理解成Schema信息

3.3 DataFrame和RDD的优缺点

1、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

2、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

4. 读取文件构建DataFrame

4.1 读取文本文件创建DataFrame

第一种方式 //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(0),x(1),x(2).toInt)) //把rdd转换成DataFrame val personDF=personRDD.toDF //打印schema信息 personDF.printSchema //展示数据 personDF.show 第二种方式 val personDF=spark.read.text("/person.txt") //org.apache.spark.sql.DataFrame = [value: string] //打印schema信息 personDF.printSchema //展示数据 personDF.show

4.2 读取json文件创建DataFrame

val peopleDF=spark.read.json("/people.json") //打印schema信息 peopleDF.printSchema //展示数据 peopleDF.show

4.3 读取parquet文件创建DataFrame

val usersDF=spark.read.parquet("/users.parquet") //打印schema信息 usersDF.printSchema //展示数据 usersDF.show

5. DataFrame常用操作

5.1 DSL风格语法

就是sparksql中的DataFrame自身提供了一套自己的Api，可以去使用这套api来做相应的处理 //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(0),x(1),x(2).toInt)) //把rdd转换成DataFrame val personDF=personRDD.toDF //打印schema信息 personDF.printSchema //展示数据 personDF.show //查询指定的字段 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

5.2 SQL风格语法

可以把DataFrame注册成一张表，然后通过sparkSession.sql(sql语句)操作 //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 spark.sql("select * from person where age >30").show spark.sql("select count(*) from person where age >30").show spark.sql("select age,count(*) from person group by age").show spark.sql("select age,count(*) as count from person group by age").show spark.sql("select * from person order by age desc").show

6. DataSet概述

6.1 DataSet是什么

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。

6.2 RDD、DataFrame、DataSet的区别

假设RDD中的两行数据长这样

那么DataFrame中的数据长这样

Dataset中的数据长这样

或者长这样（每行数据是个Object） 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

6.3 DataFrame与DataSet互相转换

1、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.rddval rdd2=dataSet.rdd

6.4 构建DataSet

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)

7. 通过IDEA开发程序实现把RDD转换DataFrame

添加依赖 <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-sql_2.11</artifactId> <version>2.3.3</version> </dependency>

7.1 利用反射机制

定义一个样例类，后期直接映射成DataFrame的schema信息代码开发 package cn.linann.sql import org.apache.spark.SparkContext import org.apache.spark.rdd.RDD import org.apache.spark.sql.{Column, DataFrame, Row, SparkSession} //todo:利用反射机制实现把rdd转成dataFrame case class Person(id:String,name:String,age:Int) object CaseClassSchema { def main(args: Array[String]): Unit = { //1、构建SparkSession对象 val spark: SparkSession = SparkSession.builder().appName("CaseClassSchema").master("local[2]").getOrCreate() //2、获取sparkContext对象 val sc: SparkContext = spark.sparkContext sc.setLogLevel("warn") //3、读取文件数据 val data: RDD[Array[String]] = sc.textFile("E:\\person.txt").map(x=>x.split(" ")) //4、定义一个样例类 //5、将rdd与样例类进行关联 val personRDD: RDD[Person] = data.map(x=>Person(x(0),x(1),x(2).toInt)) //6、将rdd转换成dataFrame //需要手动导入隐式转换 import spark.implicits._ val personDF: DataFrame = personRDD.toDF //7、对dataFrame进行相应的语法操作 //todo：----------------- DSL风格语法-----------------start //打印schema personDF.printSchema() //展示数据 personDF.show() //获取第一行数据 val first: Row = personDF.first() println("first:"+first) //取出前3位数据 val top3: Array[Row] = personDF.head(3) top3.foreach(println) //获取name字段 personDF.select("name").show() personDF.select($"name").show() personDF.select(new Column("name")).show() personDF.select("name","age").show() //实现age +1 personDF.select($"name",$"age",$"age"+1).show() //按照age过滤 personDF.filter($"age" >30).show() val count: Long = personDF.filter($"age" >30).count() println("count:"+count) //分组 personDF.groupBy("age").count().show() personDF.show() personDF.foreach(row => println(row)) //使用foreach获取每一个row对象中的name字段 personDF.foreach(row =>println(row.getAs[String]("name"))) personDF.foreach(row =>println(row.get(1))) personDF.foreach(row =>println(row.getString(1))) personDF.foreach(row =>println(row.getAs[String](1))) //todo：----------------- DSL风格语法--------------------end //todo：----------------- SQL风格语法-----------------start 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 spark.sql("select * from person where age >30").show spark.sql("select count(*) from person where age >30").show spark.sql("select age,count(*) from person group by age").show spark.sql("select age,count(*) as count from person group by age").show spark.sql("select * from person order by age desc").show //todo：----------------- SQL风格语法----------------------end //关闭sparkSession对象 spark.stop() } }

7.2 通过StructType直接指定Schema

代码开发 package cn.linann.sql import org.apache.spark.SparkContext import org.apache.spark.rdd.RDD import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType} import org.apache.spark.sql.{DataFrame, Row, SparkSession} //todo；通过动态指定dataFrame对应的schema信息将rdd转换成dataFrame object StructTypeSchema { def main(args: Array[String]): Unit = { //1、构建SparkSession对象 val spark: SparkSession = SparkSession.builder().appName("StructTypeSchema").master("local[2]").getOrCreate() //2、获取sparkContext对象 val sc: SparkContext = spark.sparkContext sc.setLogLevel("warn") //3、读取文件数据 val data: RDD[Array[String]] = sc.textFile("E:\\person.txt").map(x=>x.split(" ")) //4、将rdd与Row对象进行关联 val rowRDD: RDD[Row] = data.map(x=>Row(x(0),x(1),x(2).toInt)) //5、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) dataFrame.printSchema() dataFrame.show() dataFrame.createTempView("user") spark.sql("select * from user").show() spark.stop() } }

8、sparksql 操作hivesql

添加依赖 <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-hive_2.11</artifactId> <version>2.3.3</version> </dependency> 代码开发 package cn.linann.sql import org.apache.spark.sql.SparkSession //todo:利用sparksql操作hivesql object HiveSupport { def main(args: Array[String]): Unit = { //1、构建SparkSession对象 val spark: SparkSession = SparkSession.builder() .appName("HiveSupport") .master("local[2]") .enableHiveSupport() //开启对hive的支持 .getOrCreate() //2、直接使用sparkSession去操作hivesql语句 //2.1 创建一张hive表 spark.sql("create table people(id string,name string,age int) row format delimited fields terminated by ','") //2.2 加载数据到hive表中 spark.sql("load data local inpath './data/11.txt' into table people ") //2.3 查询 spark.sql("select * from people").show() spark.stop() } }