Spark-SQL编程 - 技术栈

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()

}