SparkSQL 概述

最新推荐文章于 2024-05-25 00:15:00 发布

五柳-先生

最新推荐文章于 2024-05-25 00:15:00 发布

阅读量822

点赞数

分类专栏：大数据-离线计算-Spark

大数据-离线计算-Spark 专栏收录该内容

53 篇文章

订阅专栏

ase on spark 1.5.1 overview

一、入口：

[java]view plaincopy 
   
 val sc: SparkContext // An existing SparkContext.  
 val sqlContext = new org.apache.spark.sql.SQLContext(sc)  
   
 // this is used to implicitly convert an RDD to a DataFrame.  
 import sqlContext.implicits._  

SQLContext默认解析器为"sql",用于解析sql语句。

除了SQLContext之外，还有HiveContext，用了更加完善的解析器，默认解析器为spark.sql.dialect="hiveql"

二、创建DataFrames

目前支持从RDD、hive表以及其它数据源中创建DataFrames。详见下一篇介绍

[java]view plaincopy 
   
 val sc: SparkContext // An existing SparkContext.  
 val sqlContext = new org.apache.spark.sql.SQLContext(sc)  
   
 val df = sqlContext.read.json("examples/src/main/resources/people.json")  
   
 // Displays the content of the DataFrame to stdout  
 df.show()  

三、DataFrames对外DSL接口

1、show:打印

2、printSchema:打印schema信息

3、select: 从原始DataFrames中选择部分colums

4、filter:过滤

5、groupBy:分组

6、count:计数

...

详见下一篇介绍

四、运行sql

[java]view plaincopy 
   
 val sqlContext = ...  // An existing SQLContext  
 val df = sqlContext.sql("SELECT * FROM table")  

五、Schema推断

1、从已知格式中反射出对应的schema信息，使用case classes

[java]view plaincopy 
   
 // sc is an existing SparkContext.  
 val sqlContext = new org.apache.spark.sql.SQLContext(sc)  
 // this is used to implicitly convert an RDD to a DataFrame.  
 import sqlContext.implicits._  
   
 // Define the schema using a case class.  
 // Note: Case classes in Scala 2.10 can support only up to 22 fields. To work around this limit,  
 // you can use custom classes that implement the Product interface.  
 case class Person(name: String, age: Int)  
   
 // Create an RDD of Person objects and register it as a table.  
 val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()  
 people.registerTempTable("people")  
   
 // SQL statements can be run by using the sql methods provided by sqlContext.  
 val teenagers = sqlContext.sql("SELECT name, age FROM people WHERE age >= 13 AND age <= 19")  
   
 // The results of SQL queries are DataFrames and support all the normal RDD operations.  
 // The columns of a row in the result can be accessed by field index:  
 teenagers.map(t => "Name: " + t(0)).collect().foreach(println)  
   
 // or by field name:  
 teenagers.map(t => "Name: " + t.getAs[String]("name")).collect().foreach(println)  
   
 // row.getValuesMap[T] retrieves multiple columns at once into a Map[String, T]  
 teenagers.map(_.getValuesMap[Any](List("name", "age"))).collect().foreach(println)  
 // Map("name" -> "Justin", "age" -> 19)  

2、不使用case classes

[java]view plaincopy 
   
 // sc is an existing SparkContext.  
 val sqlContext = new org.apache.spark.sql.SQLContext(sc)  
   
 // Create an RDD  
 val people = sc.textFile("examples/src/main/resources/people.txt")  
   
 // The schema is encoded in a string  
 val schemaString = "name age"  
   
 // Import Row.  
 import org.apache.spark.sql.Row;  
   
 // Import Spark SQL data types  
 import org.apache.spark.sql.types.{StructType,StructField,StringType};  
   
 // Generate the schema based on the string of schema  
 val schema =  
   StructType(  
     schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, true)))  
   
 // Convert records of the RDD (people) to Rows.  
 val rowRDD = people.map(_.split(",")).map(p => Row(p(0), p(1).trim))  
   
 // Apply the schema to the RDD.  
 val peopleDataFrame = sqlContext.createDataFrame(rowRDD, schema)  
   
 // Register the DataFrames as a table.  
 peopleDataFrame.registerTempTable("people")  
   
 // SQL statements can be run by using the sql methods provided by sqlContext.  
 val results = sqlContext.sql("SELECT name FROM people")  
   
 // The results of SQL queries are DataFrames and support all the normal RDD operations.  
 // The columns of a row in the result can be accessed by field index or by field name.  
 results.map(t => "Name: " + t(0)).collect().foreach(println)  

六、数据源

1、从parquet格式的文件中加载/输出

[java]view plaincopy 
   
 val df = sqlContext.read.load("examples/src/main/resources/users.parquet")  
 df.select("name", "favorite_color").write.save("namesAndFavColors.parquet")  

2、更方便的格式化，而无需像以上一样去解析

[java]view plaincopy 
   
 val df = sqlContext.read.format("json").load("examples/src/main/resources/people.json")  
 df.select("name", "age").write.format("parquet").save("namesAndAges.parquet")  

3、Hive表

支持Hive的spark需要 -Phive 和 -Phive-thriftserver 编译spark，且需要将lib_managed/jars下的datanucleus相关jar包以及hive-site.xml 放在指定的位置。

详见spark 1.5.1 overview： http://spark.apache.org/docs/latest/sql-programming-guide.html

[java]view plaincopy 
   
 // sc is an existing SparkContext.  
 val sqlContext = new org.apache.spark.sql.hive.HiveContext(sc)  
   
 sqlContext.sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING)")  
 sqlContext.sql("LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src")  
   
 // Queries are expressed in HiveQL  
 sqlContext.sql("FROM src SELECT key, value").collect().foreach(println)  