Spark SQL ---结构化数据文件处理

DataFrame概述

DataFrame的创建

创建DataFrame的两种基本方式：

•已存在的RDD调用toDF()方法转换得到DataFrame。

•通过Spark读取数据源直接创建DataFrame。

若使用SparkSession方式创建DataFrame，可以使用spark.read从不同类型的文件中加载数据创建DataFrame。spark.read的具体操作，在创建Dataframe之前，为了支持RDD转换成Dataframe及后续的SQL操作，需要导入import.spark.implicits._包启用隐式转换。若使用SparkSession方式创建Dataframe，可以使用spark.read操作，从不同类型的文件中加载数据创建DataFrame，具体操作API如表4-1所示。

1．数据准备

在HDFS文件系统中的/spark目录中有一个person.txt文件，内容如下：

2**．通过文件直接创建DataFrame**

我们通过Spark读取数据源的方式进行创建DataFrame

Scala 复制代码

scala > val personDF = spark.read.text("/spark/person.txt")
personDF: org.apache.spark.sql.DataFrame = [value: String]
scala > personDF.printSchema()
root
 |-- value: String (Nullable = true)

3 ． RDD 直接转换为 DataFrame

Scala 复制代码

scala > val lineRDD = sc.textFile("/spark/person.txt").map(_.split(" "))
lineRDD: org.apache.spark.rdd.RDD[Array[String]] = MapPartitionsRDD[6] at map at <console>:24
scala > case class Person(id:Int,name:String,age:Int) defined class Person
scala > val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
personRDD: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[7] at map at <console>:27
scala > val personDF = personRDD.toDF()
personDF: org.apache.spark.sql.DataFrame = [id: int, name: string ... 1 more field]

DataFrame的常用操作

1. 操作DataFrame

操作DataFrame的常用方法，具体如下表如示。

Dataframe提供了两种谮法风格，即DSL风格语法和SQL风格语法，二者在功能上并无区别，仅仅是根据用户习惯自定义选择操作方式。接下来，我们通过两种语法风格，分讲解Dstaframe操作的具体方法。

一.DSL风格操作

DataFrame提供了一个领域特定语言(DSL)以方便操作结构化数据，下面将针对DSL操作风格，讲解DataFrame

常用操作示例，

1.show():查看DataFrame中的具体内容信息

2.pritSchema0:查看0staFrame的Schema信息

3.select():查看DataFmame中造取部分列的数据，

下面演示查看xixiDF对象的name字段数据，具体代码如下所示

select实现对列名进行重命名

filter()/where条件查询

•要求过滤age 大于44等于44的数据

groupBy()对数据进行分组

sort()/orderBy():对特定字段进行排序
desc:降序；asc：升序

2. SQL风格操作DataFrame

1. 将DataFrame注册成一个临时表

2. 查询年龄最大的前两名人的信息

Scala 复制代码

scala > spark.sql("select * from t_xixi order by age desc limit 2").show()
+---+------+---+
| id|  name|age|
+---+------+---+
|  6| jerry| 40|
|  5|tianqi| 35|
+---+------+---+

3. 查询年龄大于25的人的信息

Scala 复制代码

scala > spark.sql("select * from t_xixi where age > 25").show()
+---+-------+---+
| id   |  name |age|
+---+-------+---+
|  2   |   lisi     | 29  |
|  4   | zhaoliu| 30 |
|  5   | tianqi  | 35  |
|  6   |  jerry   | 40  |
+---+-------+---+

Dataset概述

RDD**、DataFrame及Dataset的区别**

•RDD数据的表现形式，即序号（1），此时RDD数据没有数据类型和元数据信息。

•DataFrame数据的表现形式，即序号（2），此时DataFrame数据中添加Schema元数据信息（列名和数据类型，如ID：String），DataFrame每行类型固定为Row类型，每列的值无法直接访问，只有通过解析才能获取各个字段的值。

Dataset数据的表现形式，序号（3）和（4），其中序号（3）是在RDD每行数据的基础之上，添加一个数据类型（value：String）作为Schema元数据信息。而序号（4）每行数据添加People强数据类型，在Dataset[Person]中里存放了3个字段和属性，Dataset每行数据类型可自定义，一旦定义后，就具有错误检查机制。