- Spark-SQL连接Hive
连接方式概述：Spark SQL编译时可选择包含Hive支持，包含后能支持Hive表访问、UDF、HQL等功能，且无需事先安装Hive。连接方式有内嵌Hive、外部Hive、Spark-SQL CLI、Spark beeline及代码操作。
具体连接方式
内嵌Hive：使用时无需额外操作，但实际生产中很少使用。
外部Hive：在spark-shell中连接外部Hive，需拷贝hive-site.xml到conf/目录并修改连接地址，将MySQL驱动拷贝到jars/目录，拷贝core-site.xml和hdfs-site.xml到conf/目录，最后重启spark-shell。
Spark beeline：Spark Thrift Server兼容HiveServer2，可使用hive的beeline访问。连接步骤与连接外部Hive类似，还需启动Thrift Server，再用beeline连接。
Spark-SQL CLI：可在本地运行Hive元数据服务并执行查询任务。将mysql驱动和hive-site.xml分别放入jars/和conf/目录，运行bin/目录下的spark-sql.cmd即可。
代码操作Hive：导入spark-hive_2.12和hive-exec依赖，将hive-site.xml拷贝到项目resources目录。代码中创建SparkSession时启用Hive支持，可执行Hive相关操作。若出现权限问题，可设置HADOOP_USER_NAME解决；还可通过配置spark.sql.warehouse.dir指定数据库仓库地址。
- 统计有效数据条数及用户数量最多的前二十个地址
实验内容：利用Spark-SQL统计有效数据（uid、phone、addr字段均无空值）条数，并找出用户数量最多的前二十个地址。
数据处理思路：数据为json格式，需用get_json_object函数转换格式后分析处理。
代码示例（Scala）
scala
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions.get_json_object
object SparkSQLExperiment {
def main(args: Array[String]): Unit = {
val spark = SparkSession.builder()
.appName("SparkSQLExperiment")
.master("local[*]")
.getOrCreate()
// 读取json数据
val df = spark.read.json("path/to/your/json/data.json")
// 提取字段并过滤有效数据
val validData = df.select(
get_json_object("value", ".uid").alias("uid"),
get_json_object("value", ".phone").alias("phone"),
get_json_object("value", ".addr").alias("addr")
).filter("uid".isNotNull \&\& "phone".isNotNull && $"addr".isNotNull)
// 统计有效数据条数
val validDataCount = validData.count()
println(s"有效数据条数: $validDataCount")
// 按地址分组统计用户数量并取前二十
val top20Addrs = validData.groupBy("addr").count().orderBy($"count".desc).limit(20)
top20Addrs.show()
spark.stop()
}
}