Structured API基本使用
一、创建DataFrame和Dataset
二、Columns列操作
三、使用Structured API进行基本查询
四、使用Spark SQL进行基本查询
一、创建DataFrame和Dataset
1.1 创建DataFrame
Spark 中所有功能的入口点是 SparkSession
,可以使用 SparkSession.builder()
创建。创建后应用程序就可以从现有 RDD,Hive 表或 Spark 数据源创建 DataFrame。示例如下:
复制 val spark = SparkSession.builder().appName( "Spark-SQL" ).master( "local[2]" ).getOrCreate()
val df = spark.read.json( "/usr/file/json/emp.json" )
df.show()
// 建议在进行 spark SQL 编程前导入下面的隐式转换,因为 DataFrames 和 dataSets 中很多操作都依赖了隐式转换
import spark.implicits._
可以使用 spark-shell
进行测试,需要注意的是 spark-shell
启动后会自动创建一个名为 spark
的 SparkSession
,在命令行中可以直接引用即可:
1.2 创建Dataset
Spark 支持由内部数据集和外部数据集来创建 DataSet,其创建方式分别如下:
1. 由外部数据集创建
复制 // 1.需要导入隐式转换
import spark.implicits._
// 2.创建 case class,等价于 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long,
hiredate: String, job: String, mgr: Long, sal: Double)
// 3.由外部数据集创建 Datasets
val ds = spark.read.json( "/usr/file/emp.json" ).as[Emp]
ds.show()
2. 由内部数据集创建
复制 // 1.需要导入隐式转换
import spark.implicits._
// 2.创建 case class,等价于 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long,
hiredate: String, job: String, mgr: Long, sal: Double)
// 3.由内部数据集创建 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()
1.3 由RDD创建DataFrame
Spark 支持两种方式把 RDD 转换为 DataFrame,分别是使用反射推断和指定 Schema 转换:
1. 使用反射推断
复制 // 1.导入隐式转换
import spark.implicits._
// 2.创建部门类
case class Dept(deptno: Long, dname: String, loc: String)
// 3.创建 RDD 并转换为 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() // 如果调用 toDF() 则转换为 dataFrame
2. 以编程方式指定Schema
复制 import org.apache.spark.sql.Row
import org.apache.spark.sql.types._
// 1.定义每个列的列类型
val fields = Array(StructField( "deptno" , LongType, nullable = true ),
StructField( "dname" , StringType, nullable = true ),
StructField( "loc" , StringType, nullable = true ))
// 2.创建 schema
val schema = StructType(fields)
// 3.创建 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.将 RDD 转换为 dataFrame
val deptDF = spark.createDataFrame(rowRDD, schema)
deptDF.show()
1.4 DataFrames与Datasets互相转换
Spark 提供了非常简单的转换方法用于 DataFrame 与 Dataset 间的互相转换,示例如下:
复制 # DataFrames转Datasets
scala> df.as[Emp]
res1: org.apache.spark.sql.Dataset[Emp] = [COMM: double, DEPTNO: bigint ... 6 more fields]
# Datasets转DataFrames
scala> ds.toDF ()
res2: org.apache.spark.sql.DataFrame = [COMM: double, DEPTNO: bigint ... 6 more fields]
二、Columns列操作
2.1 引用列
Spark 支持多种方法来构造和引用列,最简单的是使用 col()
或 column()
函数。
复制 col( "colName" )
column( "colName" )
// 对于 Scala 语言而言,还可以使用$"myColumn"和'myColumn 这两种语法糖进行引用。
df.select($ "ename" , $ "job" ).show()
df.select( ' ename, ' job).show()
2.2 新增列
复制 // 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 删除列
复制 // 支持删除多个列
df.drop( "comm" , "job" ).show()
2.4 重命名列
复制 df.withColumnRenamed( "comm" , "common" ).show()
需要说明的是新增,删除,重命名列都会产生新的 DataFrame,原来的 DataFrame 不会被改变。
三、使用Structured API进行基本查询
复制 // 1.查询员工姓名及工作
df.select($ "ename" , $ "job" ).show()
// 2.filter 查询工资大于 2000 的员工信息
df.filter($ "sal" > 2000 ).show()
// 3.orderBy 按照部门编号降序,工资升序进行查询
df.orderBy(desc( "deptno" ), asc( "sal" )).show()
// 4.limit 查询工资最高的 3 名员工的信息
df.orderBy(desc( "sal" )).limit( 3 ).show()
// 5.distinct 查询所有部门编号
df.select( "deptno" ).distinct().show()
// 6.groupBy 分组统计部门人数
df.groupBy( "deptno" ).count().show()
四、使用Spark SQL进行基本查询
4.1 Spark SQL基本使用
复制 // 1.首先需要将 DataFrame 注册为临时视图
df.createOrReplaceTempView( "emp" )
// 2.查询员工姓名及工作
spark.sql( "SELECT ename,job FROM emp" ).show()
// 3.查询工资大于 2000 的员工信息
spark.sql( "SELECT * FROM emp where sal > 2000" ).show()
// 4.orderBy 按照部门编号降序,工资升序进行查询
spark.sql( "SELECT * FROM emp ORDER BY deptno DESC,sal ASC" ).show()
// 5.limit 查询工资最高的 3 名员工的信息
spark.sql( "SELECT * FROM emp ORDER BY sal DESC LIMIT 3" ).show()
// 6.distinct 查询所有部门编号
spark.sql( "SELECT DISTINCT(deptno) FROM emp" ).show()
// 7.分组统计部门人数
spark.sql( "SELECT deptno,count(ename) FROM emp group by deptno" ).show()
4.2 全局临时视图
上面使用 createOrReplaceTempView
创建的是会话临时视图,它的生命周期仅限于会话范围,会随会话的结束而结束。
你也可以使用 createGlobalTempView
创建全局临时视图,全局临时视图可以在所有会话之间共享,并直到整个 Spark 应用程序终止后才会消失。全局临时视图被定义在内置的 global_temp
数据库下,需要使用限定名称进行引用,如 SELECT * FROM global_temp.view1
。
复制 // 注册为全局临时视图
df.createGlobalTempView( "gemp" )
// 使用限定名称进行引用
spark.sql( "SELECT ename,job FROM global_temp.gemp" ).show()
聚合函数
简单聚合
count
复制 df.select(count($ "id" )).show()
countDistinct
复制 // 计算姓名不重复的员工人数
empDF.select(countDistinct( "deptno" )).show()
approx_count_distinct
通常在使用大型数据集时,你可能关注的只是近似值而不是准确值,这时可以使用 approx_count_distinct 函数,并可以使用第二个参数指定最大允许误差。
复制 empDF.select(approx_count_distinct( "ename" , 0.1 )).show()
first & last
获取 DataFrame 中指定列的第一个值或者最后一个值。
复制 empDF.select(first( "ename" ),last( "job" )).show()
min & max
获取 DataFrame 中指定列的最小值或者最大值。
复制 empDF.select(min( "sal" ),max( "sal" )).show()
sum & sumDistinct
复制 empDF.select(sum( "sal" )).show()
empDF.select(sumDistinct( "sal" )).show()
avg
复制 empDF.select(avg( "sal" )).show()
聚合数据到集合
复制 empDF.agg(collect_set( "job" ), collect_list( "ename" )).show()
Join
Spark 中支持多种连接类型:
Cross (or Cartesian) Join : 交叉 (或笛卡尔) 连接。
其中内,外连接,笛卡尔积均与普通关系型数据库中的相同,如下图所示: