案例一：花式查询
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SparkSQL的各种花式查询
*/
object FlowerQueryDemo {
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
//演示SQL风格查询
//0.注册表名
//personDF.registerTempTable("t_person")//已经过时
//personDF.createTempView("t_person")//创建表,如果已存在则报错:TempTableAlreadyExistsException
//personDF.createOrReplaceGlobalTempView("t_person")//创建全局表,可以夸session使用,查询的时候使用:SELECT * FROM global_temp.表名;生命周期太大,一般不用
personDF.createOrReplaceTempView("t_person")//创建一个临时表,只有当前session可用!且表如果存在会替换!
//1.查看name字段的数据
spark.sql("select name from t_person").show
//2.查看 name 和age字段数据
spark.sql("select name,age from t_person").show
//3.查询所有的name和age，并将age 1
spark.sql("select name,age,age 1 from t_person").show
//4.过滤age大于等于25的
spark.sql("select name,age from t_person where age >=25").show
//5.统计年龄大于30的人数
spark.sql("select count(age) from t_person where age >30").show
//6.按年龄进行分组并统计相同年龄的人数
spark.sql("select age,count(age) from t_person group by age").show
//演示DSL风格查询
//1.查看name字段的数据
import org.apache.spark.sql.functions._
personDF.select(personDF.col("name")).show
personDF.select(personDF("name")).show
personDF.select(col("name")).show
personDF.select("name").show
//2.查看 name 和age字段数据
personDF.select(personDF.col("name"),personDF.col("age")).show
personDF.select("name","age").show
//3.查询所有的name和age，并将age 1
//personDF.select("name","age","age 1").show//错误,没有age 1这一列
//personDF.select("name","age","age" 1).show//错误,没有age1这一列
personDF.select(col("name"),col("age"),col("age") 1).show
personDF.select($"name",$"age",$"age" 1).show
//$表示将"age"变为了列对象,先查询再和 1进行计算
personDF.select('name,'age,'age 1).show
//'表示将age变为了列对象,先查询再和 1进行计算
//4.过滤age大于等于25的，使用filter方法/where方法过滤
personDF.select("name","age").filter("age>=25").show
personDF.select("name","age").where("age>=25").show
//5.统计年龄大于30的人数
personDF.where("age>30").count()
//6.按年龄进行分组并统计相同年龄的人数
personDF.groupBy("age").count().show
}
}案例二：WordCount
前面使用RDD封装数据，实现词频统计WordCount功能，从Spark 1.0开始，一直到Spark 2.0，建立在RDD之上的一种新的数据结构DataFrame/Dataset发展而来，更好的实现数据处理分析。DataFrame 数据结构相当于给RDD加上约束Schema，知道数据内部结构（字段名称、字段类型），提供两种方式分析处理数据：DataFrame API（DSL编程）和SQL（类似HiveQL编程），下面以WordCount程序为例编程实现，体验DataFrame使用。
基于DSL编程
使用SparkSession加载文本数据，封装到Dataset/DataFrame中，调用API函数处理分析数据（类似RDD中API函数，如flatMap、map、filter等），编程步骤：
第一步、构建SparkSession实例对象，设置应用名称和运行本地模式；
第二步、读取HDFS上文本文件数据；
第三步、使用DSL（Dataset API），类似RDD API处理分析数据；
第四步、控制台打印结果数据和关闭SparkSession；
基于SQL编程
也可以实现类似HiveQL方式进行词频统计，直接对单词分组group by，再进行count即可，步骤如下：
第一步、构建SparkSession对象，加载文件数据，分割每行数据为单词；
第二步、将DataFrame/Dataset注册为临时视图（Spark 1.x中为临时表）；
第三步、编写SQL语句，使用SparkSession执行获取结果；
第四步、控制台打印结果数据和关闭SparkSession；
具体演示代码如下：
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, SparkSession}
/**
* Author itcast
* Desc 使用SparkSQL完成WordCount---SQL风格和DSL风格
*/
object WordCount {
def main(args: Array[String]): Unit = {
//1.准备环境
val spark: SparkSession = SparkSession.builder().appName("WordCount").master("local[*]").getOrCreate()
val sc: SparkContext = spark.sparkContext
sc.setLogLevel("WARN")
import spark.implicits._
//2.加载数据
//val rdd: RDD[String] = sc.textFile("data/input/words.txt")//可以使用该方式,然后使用昨天的知识将rdd转为df/ds
val df: DataFrame = spark.read.text("data/input/words.txt")
val ds: Dataset[String] = spark.read.textFile("data/input/words.txt")
//df.show()//查看分布式表数据
//ds.show()//查看分布式表数据
//3.做WordCount
//切割
//df.flatMap(_.split(" ")) //注意:直接这样写报错!因为df没有泛型,不知道_是String!
//df.flatMap(row=>row.getAs[String]("value").split(" "))
val wordsDS: Dataset[String] = ds.flatMap(_.split(" "))
//wordsDS.show()
//使用SQL风格做WordCount
wordsDS.createOrReplaceTempView("t_words")
val sql:String =
"""
|select value,count(*) as count
|from t_words
|group by value
|order by count desc
|""".stripMargin
spark.sql(sql).show()
//使用DSL风格做WordCount
wordsDS
.groupBy("value")
.count()
.orderBy($"count".desc)
.show()
/*
----- -----
|value|count|
----- -----
|hello| 4|
| her| 3|
| you| 2|
| me| 1|
----- -----
----- -----
|value|count|
----- -----
|hello| 4|
| her| 3|
| you| 2|
| me| 1|
----- -----
*/
}
}无论使用DSL还是SQL编程方式，底层转换为RDD操作都是一样，性能一致，查看WEB UI监控中Job运行对应的DAG图如下：
从上述的案例可以发现将数据封装到Dataset/DataFrame中，进行处理分析，更加方便简洁，这就是Spark框架中针对结构化数据处理模：Spark SQL模块。
官方文档：http://spark.apache.org/sql/
