如何進(jìn)行Spark SQL中的Structured API分析

這篇文章主要為大家分析了如何進(jìn)行Spark SQL中的Structured API分析的相關(guān)知識(shí)點(diǎn)，內(nèi)容詳細(xì)易懂，操作細(xì)節(jié)合理，具有一定參考價(jià)值。如果感興趣的話，不妨跟著跟隨小編一起來(lái)看看，下面跟著小編一起深入學(xué)習(xí)“如何進(jìn)行Spark SQL中的Structured API分析”的知識(shí)吧。

一、創(chuàng)建DataFrame和Dataset

1.1 創(chuàng)建DataFrame

Spark 中所有功能的入口點(diǎn)是 SparkSession，可以使用 SparkSession.builder() 創(chuàng)建。創(chuàng)建后應(yīng)用程序就可以從現(xiàn)有 RDD，Hive 表或 Spark 數(shù)據(jù)源創(chuàng)建 DataFrame。示例如下：

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(jìn)行 spark SQL 編程前導(dǎo)入下面的隱式轉(zhuǎn)換，因?yàn)?nbsp;DataFrames 和 dataSets 中很多操作都依賴了隱式轉(zhuǎn)換
import spark.implicits._

可以使用 spark-shell 進(jìn)行測(cè)試，需要注意的是 spark-shell 啟動(dòng)后會(huì)自動(dòng)創(chuàng)建一個(gè)名為 spark 的 SparkSession，在命令行中可以直接引用即可。

1.2 創(chuàng)建Dataset

Spark 支持由內(nèi)部數(shù)據(jù)集和外部數(shù)據(jù)集來(lái)創(chuàng)建 DataSet，其創(chuàng)建方式分別如下：

1. 由外部數(shù)據(jù)集創(chuàng)建

// 1.需要導(dǎo)入隱式轉(zhuǎn)換
import spark.implicits._

// 2.創(chuàng)建 case class,等價(jià)于 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(shù)據(jù)集創(chuàng)建 Datasets
val ds = spark.read.json("/usr/file/emp.json").as[Emp]
ds.show()

2. 由內(nèi)部數(shù)據(jù)集創(chuàng)建

// 1.需要導(dǎo)入隱式轉(zhuǎn)換
import spark.implicits._

// 2.創(chuàng)建 case class,等價(jià)于 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long, 
               hiredate: String, job: String, mgr: Long, sal: Double)

// 3.由內(nèi)部數(shù)據(jù)集創(chuàng)建 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()

<br/>

1.3 由RDD創(chuàng)建DataFrame

Spark 支持兩種方式把 RDD 轉(zhuǎn)換為 DataFrame，分別是使用反射推斷和指定 Schema 轉(zhuǎn)換：

1. 使用反射推斷

// 1.導(dǎo)入隱式轉(zhuǎn)換
import spark.implicits._

// 2.創(chuàng)建部門類
case class Dept(deptno: Long, dname: String, loc: String)

// 3.創(chuàng)建 RDD 并轉(zhuǎn)換為 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()  // 如果調(diào)用 toDF() 則轉(zhuǎn)換為 dataFrame

2. 以編程方式指定Schema

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

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

// 2.創(chuàng)建 schema
val schema = StructType(fields)

// 3.創(chuàng)建 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(zhuǎn)換為 dataFrame
val deptDF = spark.createDataFrame(rowRDD, schema)
deptDF.show()

<br/>

1.4  DataFrames與Datasets互相轉(zhuǎn)換

Spark 提供了非常簡(jiǎn)單的轉(zhuǎn)換方法用于 DataFrame 與 Dataset 間的互相轉(zhuǎn)換，示例如下：

# DataFrames轉(zhuǎn)Datasets
scala> df.as[Emp]
res1: org.apache.spark.sql.Dataset[Emp] = [COMM: double, DEPTNO: bigint ... 6 more fields]

# Datasets轉(zhuǎn)DataFrames
scala> ds.toDF()
res2: org.apache.spark.sql.DataFrame = [COMM: double, DEPTNO: bigint ... 6 more fields]

<br/>

二、Columns列操作

2.1 引用列

Spark 支持多種方法來(lái)構(gòu)造和引用列，最簡(jiǎn)單的是使用 col() 或 column() 函數(shù)。

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

// 對(duì)于 Scala 語(yǔ)言而言，還可以使用$"myColumn"和'myColumn 這兩種語(yǔ)法糖進(jìn)行引用。
df.select($"ename", $"job").show()
df.select('ename, 'job).show()

2.2 新增列

// 基于已有列值新增列
df.withColumn("upSal",$"sal"+1000)
// 基于固定值新增列
df.withColumn("intCol",lit(1000))

2.3 刪除列

// 支持刪除多個(gè)列
df.drop("comm","job").show()

2.4 重命名列

df.withColumnRenamed("comm", "common").show()

需要說(shuō)明的是新增，刪除，重命名列都會(huì)產(chǎn)生新的 DataFrame，原來(lái)的 DataFrame 不會(huì)被改變。

<br/>

三、使用Structured API進(jìn)行基本查詢

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

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

// 3.orderBy 按照部門編號(hào)降序，工資升序進(jìn)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 查詢所有部門編號(hào)
df.select("deptno").distinct().show()

// 6.groupBy 分組統(tǒng)計(jì)部門人數(shù)
df.groupBy("deptno").count().show()

<br/>

四、使用Spark SQL進(jìn)行基本查詢

4.1 Spark  SQL基本使用

// 1.首先需要將 DataFrame 注冊(cè)為臨時(shí)視圖
df.createOrReplaceTempView("emp")

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

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

// 4.orderBy 按照部門編號(hào)降序，工資升序進(jìn)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 查詢所有部門編號(hào)
spark.sql("SELECT DISTINCT(deptno) FROM emp").show()

// 7.分組統(tǒng)計(jì)部門人數(shù)
spark.sql("SELECT deptno,count(ename) FROM emp group by deptno").show()

4.2 全局臨時(shí)視圖

上面使用 createOrReplaceTempView 創(chuàng)建的是會(huì)話臨時(shí)視圖，它的生命周期僅限于會(huì)話范圍，會(huì)隨會(huì)話的結(jié)束而結(jié)束。

你也可以使用 createGlobalTempView 創(chuàng)建全局臨時(shí)視圖，全局臨時(shí)視圖可以在所有會(huì)話之間共享，并直到整個(gè) Spark 應(yīng)用程序終止后才會(huì)消失。全局臨時(shí)視圖被定義在內(nèi)置的 global_temp 數(shù)據(jù)庫(kù)下，需要使用限定名稱進(jìn)行引用，如 SELECT * FROM global_temp.view1。

// 注冊(cè)為全局臨時(shí)視圖
df.createGlobalTempView("gemp")

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

這篇文章主要為大家分析了如何進(jìn)行Spark SQL中的Structured API分析的相關(guān)知識(shí)點(diǎn)，內(nèi)容詳細(xì)易懂，操作細(xì)節(jié)合理，具有一定參考價(jià)值。如果感興趣的話，不妨跟著跟隨小編一起來(lái)看看，下面跟著小編一起深入學(xué)習(xí)“如何進(jìn)行Spark SQL中的Structured API分析”的知識(shí)吧。