Spark-SQL编程

  1. 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。

  1. 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()

}

}

相关推荐
IvanCodes18 小时前
三、Spark 运行环境部署:全面掌握四种核心模式
大数据·分布式·spark
喻师傅2 天前
SparkSQL 子查询 IN/NOT IN 对 NULL 值的处理
大数据·spark
星星妳睡了吗3 天前
Spark DataFrame与数据源交互
大数据·分布式·spark
神仙别闹3 天前
基于Spark图计算的社会网络分析系统
大数据·分布式·spark
IvanCodes3 天前
二、Spark 开发环境搭建 IDEA + Maven 及 WordCount 案例实战
大数据·spark·scala
涤生大数据3 天前
从8h到40min的极致并行优化:Spark小数据集UDTF处理的深度实践与原理剖析
大数据·分布式·spark·涤生大数据
qq_463944863 天前
【Spark征服之路-3.7-Spark-SQL核心编程(六)】
sql·ajax·spark
青云交5 天前
Java 大视界 -- 基于 Java 的大数据分布式计算在地球物理勘探数据处理与地质结构建模中的应用(356)
java·大数据·spark·地质建模·分布式计算·地球物理勘探·地震数据处理
qq_463944865 天前
【Spark征服之路-3.6-Spark-SQL核心编程(五)】
sql·ajax·spark
淦暴尼9 天前
基于spark的二手房数据分析可视化系统
大数据·分布式·数据分析·spark