目录
[1. 简述Spark SQL与HIVE的对比](#1. 简述Spark SQL与HIVE的对比)
[2. Spark SQL是什么?](#2. Spark SQL是什么?)
[需求1 直接基于DataFrame来处理,完成SparkSQL版的WordCount词频统计。DSL和SQL两种方式都要实现](#需求1 直接基于DataFrame来处理,完成SparkSQL版的WordCount词频统计。DSL和SQL两种方式都要实现)
[4.创建Spark DataFrame的几种方式?](#4.创建Spark DataFrame的几种方式?)
[5. 创建得到DataFrame的方式有哪些,各自适用场景是怎么样的?](#5. 创建得到DataFrame的方式有哪些,各自适用场景是怎么样的?)
[3.1 text方式读取:](#3.1 text方式读取:)
[3.2 CSV方式读取:](#3.2 CSV方式读取:)
[3.3 JSON读取数据:](#3.3 JSON读取数据:)
1. 简述Spark SQL与HIVE的对比
相同点:
1.都是分布式SQL计算引擎
2.都可以处理大规模的结构化数据
3.都可以建立在YARN集群之上运行
不同点:
-
Sparksql是基于内存计算 , Hivesql底层是运行在Mr上,也就是基于磁盘进行计算
-
sparksql没有元数据管理服务, hivesql是有metastore元数据管理服务的
-
Sparksql底层执行RDD程序 , HIVEsql底层执行MapReduce
-
Sparksql可以编写sql也可以编写代码, HIVEsql只能编写sql
2. Spark SQL是什么?
SparkSQL是建立在Spark上的一个工具模块,用于处理结构化的数据
3.代码题
需求1 直接基于DataFrame来处理,完成SparkSQL版的WordCount词频统计。DSL和SQL两种方式都要实现
测试数据: hello spark hadoop hive oozie sqoop hello hive hadoop java java python hadoop hive hadoop
python
import os
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
import pyspark.sql.functions as F
# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
# 绑定指定的Python解释器
from pyspark.sql.types import StructType, IntegerType, StringType, StructField
if __name__ == '__main__':
# 1- 创建SparkSession对象
spark = SparkSession.builder\
.appName('需求1词频统计')\
.master('local[*]')\
.getOrCreate()
# 2- 数据输入
init_df = spark.read.text(
paths='hdfs://node1:8020/input/day05_home_work.txt'
)
# 创建侧视图
init_df.createTempView('words')
python
# 3- 数据处理
print("SQL方式进行词频统计")
spark.sql("""
select word,count(1)as cnt
from
(select explode(split(value,' ')) as word
from words)
group by word
order by cnt desc
""").show()
'''
+------+---+
| word|cnt|
+------+---+
|hadoop| 4|
| hive| 3|
| hello| 2|
| java| 2|
| spark| 1|
| oozie| 1|
| sqoop| 1|
|python| 1|
+------+---+
'''
print('DSL方式实现词频统计')
init_df.select(
F.explode(F.split('value',' ')).alias('word')
).groupby('word').agg(
F.count('word').alias('cnt'),
).orderBy('cnt',ascending=False).show()
'''
+------+---+
| word|cnt|
+------+---+
|hadoop| 4|
| hive| 3|
| java| 2|
| hello| 2|
| sqoop| 1|
| spark| 1|
|python| 1|
| oozie| 1|
+------+---+
'''
# 4- 数据输出
# 5- 释放资源
spark.stop()
4.创建Spark DataFrame的几种方式?
1 . 通过RDD得到DataFrame
-
内部初始化数据得到DataFrame
-
读取外部文件得到DataFrame
5. 创建得到DataFrame的方式有哪些,各自适用场景是怎么样的?
1 . RDD转DataFrame , 场景 : RDD可以存储任意结构的数据类型,而DataFrame只能存储二维表结构化数据, 在使用Spark处理数据的初期,可能输入进来的数据是半结构化或者非结构化的,那么可以先通过RDD对数据进行ETL处理成结构化数据,再使用开发高效率的SparkSQL进行后续数据处理;
-
内部初始化数据得到DataFrame , 通过createDataFrame创建DataFrame , 一般用在开发和测试中.因为只能处理少量的数据
-
读取外部文件得到DataFrame , Text方式\CSV方式\JSON方式 ;
3.1 text方式读取:
不管文件内容如何,会将所有内容放到一个列中;
默认生成的列名叫做value,数据类型String;并且只能修改value的名称,其他内容无法修改;
3.2 CSV方式读取:
常设置的参数
path:指定文件路径,本地或者hdfs
schema:手动指定元数据信息
sep:指定字段间的分隔符
encoding:指定文件的编码方式
header:指定文件中的第一行是否是字段名称
inferSchema:根据数据内容自动推断数据类型。但是,推断结果可能不精确
3.3 JSON读取数据:
需要手动指定schema信息.如果手动指定的时候,名称字段与json中的key名称不一致,会解析不成功, 以null值填充
csv/json中schema的结构,如果是字符串类型,那么字段名称和字段数据类型间,只能以空格分隔