RDD、DF、DS相关操作
SparkSQL初体验
Spark 2.0开始，SparkSQL应用程序入口为SparkSession，加载不同数据源的数据，封装到DataFrame/Dataset集合数据结构中，使得编程更加简单，程序运行更加快速高效。
SparkSession 应用入口
SparkSession：这是一个新入口，取代了原本的SQLContext与HiveContext。对于DataFrame API的用户来说，Spark常见的混乱源头来自于使用哪个“context”。现在使用SparkSession，它作为单个入口可以兼容两者，注意原本的SQLContext与HiveContext仍然保留，以支持向下兼容。
文档：http://spark.apache.org/docs/2.4.5/sql-getting-started.html#starting-point-sparksession
1）、添加MAVEN依赖
代码语言：javascript复制<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.4.5</version>
</dependency>2）、SparkSession对象实例通过建造者模式构建，代码如下：
其中①表示导入SparkSession所在的包，②表示建造者模式构建对象和设置属性，③表示导入SparkSession类中implicits对象object中隐式转换函数。
3）、范例演示：构建SparkSession实例，加载文本数据，统计条目数。
代码语言：javascript复制package cn.itcast.sql
import org.apache.spark.SparkContext
import org.apache.spark.sql.{DataFrame, SaveMode, SparkSession}
/**
* Author itcast
* Desc 演示SparkSQL
*/
object SparkSQLDemo00_hello {
def main(args: Array[String]): Unit = {
//1.准备SparkSQL开发环境
println(this.getClass.getSimpleName)
println(this.getClass.getSimpleName.stripSuffix("$"))
val spark: SparkSession = SparkSession.builder().appName(this.getClass.getSimpleName.stripSuffix("$")).master("local[*]").getOrCreate()
val sc: SparkContext = spark.sparkContext
sc.setLogLevel("WARN")
val df1: DataFrame = spark.read.text("data/input/text")
val df2: DataFrame = spark.read.json("data/input/json")
val df3: DataFrame = spark.read.csv("data/input/csv")
val df4: DataFrame = spark.read.parquet("data/input/parquet")
df1.printSchema()
df1.show(false)
df2.printSchema()
df2.show(false)
df3.printSchema()
df3.show(false)
df4.printSchema()
df4.show(false)
df1.coalesce(1).write.mode(SaveMode.Overwrite).text("data/output/text")
df2.coalesce(1).write.mode(SaveMode.Overwrite).json("data/output/json")
df3.coalesce(1).write.mode(SaveMode.Overwrite).csv("data/output/csv")
df4.coalesce(1).write.mode(SaveMode.Overwrite).parquet("data/output/parquet")
//关闭资源
sc.stop()
spark.stop()
}
}使用SparkSession加载数据源数据，将其封装到DataFrame或Dataset中，直接使用show函数就可以显示样本数据（默认显示前20条）。
Spark2.0使用全新的SparkSession接口替代Spark1.6中的SQLContext及HiveContext接口来实现其对数据加载、转换、处理等功能。SparkSession实现了SQLContext及HiveContext所有功能。 SparkSession支持从不同的数据源加载数据，并把数据转换成DataFrame，并且支持把DataFrame转换成SQLContext自身中的表，然后使用SQL语句来操作数据。SparkSession亦提供了HiveQL以及其他依赖于Hive的功能的支持。
获取DataFrame/DataSet
实际项目开发中，往往需要将RDD数据集转换为DataFrame，本质上就是给RDD加上Schema信息，官方提供两种方式：类型推断和自定义Schema。
官方文档：http://spark.apache.org/docs/2.4.5/sql-getting-started.html#interoperating-with-rdds
使用样例类
当RDD中数据类型CaseClass样例类时，通过反射Reflecttion获取属性名称和类型，构建Schema，应用到RDD数据集，将其转换为DataFrame。
代码语言：javascript复制package cn.itcast.sql
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, SparkSession}
/**
* Author itcast
* Desc 演示基于RDD创建DataFrame--使用样例类
*/
object CreateDataFrameDemo1 {
case class Person(id:Int,name:String,age:Int)
def main(args: Array[String]): Unit = {
//1.准备环境-SparkSession
val spark: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[*]").getOrCreate()
val sc: SparkContext = spark.sparkContext
sc.setLogLevel("WARN")
//2.加载数据
val lines: RDD[String] = sc.textFile("data/input/person.txt")
//3.切割
//val value: RDD[String] = lines.flatMap(_.split(" "))//错误的
val linesArrayRDD: RDD[Array[String]] = lines.map(_.split(" "))
//4.将每一行(每一个Array)转为样例类(相当于添加了Schema)
val personRDD: RDD[Person] = linesArrayRDD.map(arr=>Person(arr(0).toInt,arr(1),arr(2).toInt))
//5.将RDD转为DataFrame(DF)
//注意:RDD的API中没有toDF方法,需要导入隐式转换!
import spark.implicits._
val personDF: DataFrame = personRDD.toDF
//6.查看约束
personDF.printSchema()
//7.查看分布式表中的数据集
personDF.show(6,false)//false表示不截断列名,也就是列名很长的时候不会用...代替
}
}此种方式要求RDD数据类型必须为CaseClass，转换的DataFrame中字段名称就是CaseClass中属性名称。
指定类型 列名
除了上述两种方式将RDD转换为DataFrame以外，SparkSQL中提供一个函数：toDF，通过指定列名称，将数据类型为元组的RDD或Seq转换为DataFrame，实际开发中也常常使用。
package cn.itcast.sql
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, SparkSession}
/**
* Author itcast
* Desc 演示基于RDD创建DataFrame--使用类型加列名
*/
object CreateDataFrameDemo2 {
def main(args: Array[String]): Unit = {
//1.准备环境-SparkSession
val spark: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[*]").getOrCreate()
val sc: SparkContext = spark.sparkContext
sc.setLogLevel("WARN")
//2.加载数据
val lines: RDD[String] = sc.textFile("data/input/person.txt")
//3.切割
//val value: RDD[String] = lines.flatMap(_.split(" "))//错误的
val linesArrayRDD: RDD[Array[String]] = lines.map(_.split(" "))
//4.将每一行(每一个Array)转为三元组(相当于有了类型!)
val personWithColumnsTypeRDD: RDD[(Int, String, Int)] = linesArrayRDD.map(arr=>(arr(0).toInt,arr(1),arr(2).toInt))
//5.将RDD转为DataFrame(DF)并指定列名
//注意:RDD的API中没有toDF方法,需要导入隐式转换!
import spark.implicits._
val personDF: DataFrame = personWithColumnsTypeRDD.toDF("id","name","age")
//6.查看约束
personDF.printSchema()
//7.查看分布式表中的数据集
personDF.show(6,false)//false表示不截断列名,也就是列名很长的时候不会用...代替
}
}自定义Schema
依据RDD中数据自定义Schema，类型为StructType，每个字段的约束使用StructField定义，具体步骤如下：
第一步、RDD中数据类型为Row：RDD[Row]；
第二步、针对Row中数据定义Schema：StructType；
第三步、使用SparkSession中方法将定义的Schema应用到RDD[Row]上；
代码语言：javascript复制package cn.itcast.sql
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.types.{IntegerType, LongType, StringType, StructField, StructType}
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
/**
* Author itcast
* Desc 演示基于RDD创建DataFrame--使用StructType
*/
object CreateDataFrameDemo3 {
def main(args: Array[String]): Unit = {
//1.准备环境-SparkSession
val spark: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[*]").getOrCreate()
val sc: SparkContext = spark.sparkContext
sc.setLogLevel("WARN")
//2.加载数据
val lines: RDD[String] = sc.textFile("data/input/person.txt")
//3.切割
//val value: RDD[String] = lines.flatMap(_.split(" "))//错误的
val linesArrayRDD: RDD[Array[String]] = lines.map(_.split(" "))
//4.将每一行(每一个Array)转为Row
val rowRDD: RDD[Row] = linesArrayRDD.map(arr=>Row(arr(0).toInt,arr(1),arr(2).toInt))
//5.将RDD转为DataFrame(DF)并指定列名
//注意:RDD的API中没有toDF方法,需要导入隐式转换!
import spark.implicits._
/*val schema: StructType = StructType(
StructField("id", IntegerType, false) ::
StructField("name", StringType, false) ::
StructField("age", IntegerType, false) :: Nil)*/
val schema: StructType = StructType(List(
StructField("id", IntegerType, false),
StructField("name", StringType, false),
StructField("age", IntegerType, false)
))
val personDF: DataFrame = spark.createDataFrame(rowRDD,schema)
//6.查看约束
personDF.printSchema()
//7.查看分布式表中的数据集
personDF.show(6,false)//false表示不截断列名,也就是列名很长的时候不会用...代替
}
}此种方式可以更加体会到DataFrame = RDD[Row] Schema组成，在实际项目开发中灵活的选择方式将RDD转换为DataFrame。
RDD、DF、DS相互转换
实际项目开发中，常常需要对RDD、DataFrame及Dataset之间相互转换，其中要点就是Schema约束结构信息。
1）、RDD转换DataFrame或者Dataset
转换DataFrame时，定义Schema信息，两种方式
转换为Dataset时，不仅需要Schema信息，还需要RDD数据类型为CaseClass类型
2）、Dataset或DataFrame转换RDD
由于Dataset或DataFrame底层就是RDD，所以直接调用rdd函数即可转换
dataframe.rdd 或者dataset.rdd
3）、DataFrame与Dataset之间转换
由于DataFrame为Dataset特例，所以Dataset直接调用toDF函数转换为DataFrame
当将DataFrame转换为Dataset时，使用函数as[Type]，指定CaseClass类型即可。
RDD、DataFrame和DataSet之间的转换如下，假设有个样例类：case class Emp(name: String)，相互转换
代码语言：javascript复制RDD转换到DataFrame：rdd.toDF(“name”)
RDD转换到Dataset：rdd.map(x => Emp(x)).toDS
DataFrame转换到Dataset：df.as[Emp]
DataFrame转换到RDD：df.rdd
Dataset转换到DataFrame：ds.toDF
Dataset转换到RDD：ds.rdd注意：
RDD与DataFrame或者DataSet进行操作，都需要引入隐式转换import spark.implicits._，其中的spark是SparkSession对象的名称！
代码语言：javascript复制package cn.itcast.sql
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}
/**
* Author itcast
* Desc 演示基于RDD/DataFrame/DataSet三者之间的相互转换
*/
object TransformationDemo {
case class Person(id:Int,name:String,age:Int)
def main(args: Array[String]): Unit = {
//1.准备环境-SparkSession
val spark: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[*]").getOrCreate()
val sc: SparkContext = spark.sparkContext
sc.setLogLevel("WARN")
//2.加载数据
val lines: RDD[String] = sc.textFile("data/input/person.txt")
//3.切割
//val value: RDD[String] = lines.flatMap(_.split(" "))//错误的
val linesArrayRDD: RDD[Array[String]] = lines.map(_.split(" "))
//4.将每一行(每一个Array)转为样例类(相当于添加了Schema)
val personRDD: RDD[Person] = linesArrayRDD.map(arr=>Person(arr(0).toInt,arr(1),arr(2).toInt))
//5.将RDD转为DataFrame(DF)
//注意:RDD的API中没有toDF方法,需要导入隐式转换!
import spark.implicits._
//转换1:rdd-->df
val personDF: DataFrame = personRDD.toDF //注意:DataFrame没有泛型
//转换2:rdd-->ds
val personDS: Dataset[Person] = personRDD.toDS() //注意:Dataset具有泛型
//转换3:df-->rdd
val rdd: RDD[Row] = personDF.rdd //注意:DataFrame没有泛型,也就是不知道里面是Person,所以转为rdd之后统一的使用Row表示里面是很多行
//转换4:ds-->rdd
val rdd1: RDD[Person] = personDS.rdd //注意:Dataset具有泛型,所以转为rdd之后还有原来泛型!
//转换5:ds-->df
val dataFrame: DataFrame = personDS.toDF()
//转换5:df-->ds
val personDS2: Dataset[Person] = personDF.as[Person]
//目前DataFrame和DataSet使用类似,如:也有show/createOrReplaceTempView/select
personDS.show()
personDS.createOrReplaceTempView("t_person")
personDS.select("name").show()
}
}
