Hadoop+Spark大数据技术第七次作业

第七次作业

复制代码

## 1. 简述Spark SQL使用的数据抽象DataFrame与Dataset的区别。

* DataFrame: 基于 Row 对象的二维表格结构，类似于关系型数据库中的表。 行和列都有明确的 Schema（模式），可以进行类型推断。 提供了丰富的操作接口，如 select、filter、group by、agg 等。 缺点： 需要在操作时进行类型转换，例如使用 col("age").cast("int") 将类型转换为 Int。

* Dataset: 基于特定类型的数据结构，例如 Dataset\[Student\]，其中 Student 是一个 case class。 相比 DataFrame，Dataset 能更方便地进行类型推断，无需显式转换。 优点： 代码更简洁，类型安全，编译器可以进行类型检查。 总结： 当需要进行类型安全的操作时，Dataset 是更好的选择。当数据结构复杂，需要进行类型转换时，DataFrame 更灵活。

复制代码

## 2. 简述创建DataFrame对象的常用方法

* 1. Parquet文件创建：使用\`SparkSession\`的\`read.parquet()\`方法从Parquet文件中创建DataFrame。

* 2. json文件创建DataFrame对象：通过\`SparkSession\`的\`read.json()\`方法，可以从JSON文件中读取数据并创建DataFrame。

* 3. RDD创建DataFrame对象：如果有一个RDD，使用\`SparkSession\`的\`createDataFrame()\`方法将其转换为DataFrame。

* 4. SparkSession创建：\`SparkSession\`是Spark 2.0引入的入口点，可以直接用来创建DataFrame。如

* 5. Seq创建DataFrame对象： \`SparkSession\`的\`createDataFrame()\`方法也可以接受一个包含元组的Scala \`Seq\`。

复制代码

## 3. 简述DataFrame对象的常用操作

* 见实验8

复制代码

## 4. 阅读、分析下列各程序段中各语句的功能，并给出运行结果。

python 复制代码

（1） 设grade.json文件的内容如下，给出分析
{"ID":"106","Name":"Ding","Class":"1","Scala":92,"Spark":91}
{"ID":"242","Name":"Yan","Class":"2","Scala":96,"Spark":90}
{"ID":"107","Name":"Feng","Class":"1","Scala":84,"Spark":91}
{"ID":"230","Name":"Wang","Class":"2","Scala":87,"Spark":91}
{"ID":"153","Name":"Zhang","Class":"1","Scala":62,"Spark":71}
{"ID":"242","Name":"Xu","Class":"2","Scala":88,"Spark":90}
{"ID":"235","Name":"Wu","Class":"1","Scala":83,"Spark":91}
{"ID":"224","Name":"Xia","Class":"2","Scala":89,"Spark":91}

val gradeDF=spark.read.json("grade.json")
gradeDF.count()
gradeDF.groupBy("Class").count().show()

（2） 设grade.txt文件的内容如下，给出分析
106,Ding,92,95,91
242,Yan,96,93,90
107,Feng,84,92,91
230,Wang,87,86,91
153,Zhang,85,90,92
224,Men,83,86,90
236,Wang1,87,85,89
210,Han,73,93,88
101,An,84,93,88
127,Pen,81,93,91
237,Du,83,81,85

    val lineRDD = sc.textFile("grade.txt").map{line => line.split(",")}
    val studentRDD = lineRDD.map(x => (x(0).toInt,x(1).toString,x(2).toInt,x(3).toInt,x(4).toInt))
    val studentDF = studentRDD.toDF("ID","Name","Scala","Spark","Python")
    studentDF.show()

（3） 设grade.txt文件的内容与（2）相同，给出分析
case class Student(ID:Int,Name:String,Scala:Int,Spark:Int,Python:Int)
val stuDS = spark.read.textFile("grade.txt")
val studentDataset = stuDS.map(line => {val x = line.split(",");
val ID = x(0).toInt;
val Name = x(1);
val Java = x(2).toInt;
val Scala = x(3).toInt;
val Python = x(4).toInt;
Student(ID,Name,Java,Scala,Python)})
studentDataset.sort(studentDataset("ID").desc).show()

（1）这段代码分析及运行结果：

`spark.read.json("grade.json")`：从给定的grade.json文件中读取数据，创建一个DataFrame `gradeDF`。
`gradeDF.count()`：返回DataFrame的行数，这里有8行数据。
`gradeDF.groupBy("Class").count().show()`：按照"Class"字段对数据进行分组，并计算每组的行数，然后显示结果。

```

+-----+-----+

|Class|count|

+-----+-----+

| 1 | 4 |

| 2 | 4 |

+-----+-----+

```

输出显示有两个班级，每个班级各有4个学生。

（2）这段代码分析及运行结果：

`sc.textFile("grade.txt").map{line => line.split(",")}`：读取grade.txt文件，将每一行分割成数组，并创建一个新的RDD `lineRDD`。
`lineRDD.map(x => (x(0).toInt,x(1).toString,x(2).toInt,x(3).toInt,x(4).toInt))`：将RDD `lineRDD`中的每个元素（数组）转换为元组，然后创建一个新的RDD `studentRDD`。
`studentRDD.toDF("ID","Name","Scala","Spark","Python")`：将`studentRDD`转换为DataFrame `studentDF`，并指定列名。
`studentDF.show()`：显示DataFrame `studentDF`的内容。

```

+---+----+-----+-----+-----+

+---+----+-----+-----+-----+

|106| Ding| 92| 95| 91|

|242| Yan | 96| 93| 90|

|107| Feng| 84| 92| 91|

|230| Wang| 87| 86| 91|

|153|Zhang| 85| 90| 92|

|224| Men | 83| 86| 90|

|236|Wang1| 87| 85| 89|

|210| Han | 73| 93| 88|

|101| An | 84| 93| 88|

|127| Pen | 81| 93| 91|

|237| Du | 83| 81| 85|

+---+----+-----+-----+-----+

```

输出展示了10个学生的信息，包括ID、Name、Scala、Spark和Python的分数。

（3）这段代码分析及运行结果：

`case class Student(ID:Int,Name:String,Scala:Int,Spark:Int,Python:Int)`：定义了一个名为`Student`的case class，包含5个字段。
`spark.read.textFile("grade.txt")`：读取grade.txt文件，创建RDD `stuDS`。
`stuDS.map...`：将RDD `stuDS`中的每一行数据转换为`Student`对象，然后创建一个新的Dataset `studentDataset`。
`studentDataset.sort(studentDataset("ID").desc).show()`：按ID字段降序排序`studentDataset`，然后显示结果。

```

+---+----+-----+-----+-----+

+---+----+-----+-----+-----+

|237| Du| 83| 81| 85|

|236|Wang1| 87| 85| 89|

|230| Wang| 87| 86| 91|

|224| Men | 83| 86| 90|

|210| Han | 73| 93| 88|

|127| Pen | 81| 93| 91|

|107| Feng| 84| 92| 91|

|106| Ding| 92| 95| 91

Hadoop+Spark大数据技术 第七次作业

第七次作业

Hadoop+Spark大数据技术第七次作业