Spark-SQL核心编程（二）(三)

Spark-SQL核心编程（二）

DSL 语法 
DataFrame 提供一个特定范畴语言(domain-specific language, DSL)去管理结构化的数据。 可以在 Scala, Java, Python 和 R 中利用 DSL，利用 DSL 语法风格不必去创建暂时视图了。
1.创建一个 DataFrame
val df1 = spark.read.json("D:\\bao\\spark\\spark-3.0.0-bin-hadoop3.2\\bin\\data\\user.json")

 检察 DataFrame 的 Schema 信息
df.printSchema

 只检察"username"列数据
df.select("username").show()

 4.检察"username"列数据以及"age+1"数据
留意:涉及到运算的时间, 每列都必须利用$, 大概接纳引号表达式：单引号+字段名
第一种方法
df.select($"username",$"age" + 1).show

 第二种方法
df.select('username, 'age + 1).show()

 5. 检察"age"大于"18"的数据
df.filter($"age">18).show

 按照"age"分组，检察数据条数
df.groupBy("age").count.show
 

 RDD 转换为 DataFrame
在 IDEA 中开发步调时，假如必要 RDD 与 DF 大概 DS 之间相互操纵，那么必要引入 import spark.implicits._ 这里的 spark 不是 Scala 中的包名，而是创建的 sparkSession 对象的变量名称，以是必 须先创建 SparkSession 对象再导入。这里的 spark 对象不能利用 var 声明，因为 Scala 只支持 val 修饰的对象的引入。
spark-shell 中无需导入，自动完成此操纵。
val idRDD = sc.textFile("data/id.txt")

 展示 idRDD.toDF("id").show
实际开发中，一样平常通过样例类将 RDD 转换为 DataFrame
case class User(name:String, age:Int)

 

 DataFrame 转换为 RDD
DataFrame 着实就是对 RDD 的封装，以是可以直接获取内部的 RDD
val df = sc.makeRDD(List(("zhangsan",30),("lisi",40))).map(t=>User(t._1, t._2)).toDF

 val rdd = df.rdd 

val array = rdd.collect 

array(0) 

array(0)(0)

  

 
array(0).getAs[String]("name")

 Spark-SQL核心编程（三）

创建 DataSet
1. 利用样例类序列创建 DataSet
case class Person(name: String, age: Long)

 

 val caseClassDS = Seq(Person("zhangsan",2)).toDS() 

caseClassDS.show

 
利用根本范例的序列创建 DataSet
val ds = Seq(1,2,3,4,5).toDS

 

 留意：在实际利用的时间，很少用到把序列转换成DataSet，更多的是通过RDD来得到DataSet
RDD 转换为 DataSet
SparkSQL 能够自动将包罗有 case 类的 RDD 转换成 DataSet，case 类定义了 table 的结 构，case 类属性通过反射酿成了表的列名。Case 类可以包罗诸如 Seq 大概 Array 等复杂的结构。
case class User(name:String, age:Int)
sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS
 
DataSet 转换为 RDD
DataSet 着实也是对 RDD 的封装，以是可以直接获取内部的 RDD
case class User(name:String, age:Int)
 
sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS
 
val rdd = res3.rdd
 
rdd.collect
 
DataFrame 和 DataSet 转换
DataFrame 着实是 DataSet 的特例，以是它们之间是可以相互转换的。
DataFrame 转换为 DataSet
case class User(name:String, age:Int)
 
val df = sc.makeRDD(List(("zhangsan",30), ("lisi",49))).toDF("name","age")
 
val ds = df.as[User]
 
DataSet 转换为 DataFrame
val ds = df.as[User]
 
val df = ds.toDF
 
RDD、DataFrame、DataSet 三者的关系
在 SparkSQL 中 Spark 为我们提供了两个新的数据抽象，分别是 DataFrame 和 DataSet。他们 和 RDD 有什么区别呢？从版本的产生上来看：
Spark1.0 => RDD 
Spark1.3 => DataFrame
Spark1.6 => Dataset
假如同样的数据都给到这三个数据结构，他们分别盘算之后，都会给出雷同的效果。差别是的他们的实行效率和实行方式。在后期的 Spark 版本中，DataSet 有大概会渐渐取代 RDD和 DataFrame 成为唯一的 API 接口。
三者的共性
1 RDD、DataFrame、DataSet 全都是 spark 平台下的分布式弹性数据集，为处理惩罚超大型数据提供便利;
2 三者都有惰性机制，在进行创建、转换，如 map 方法时，不会立刻实行，只有在遇到
3 三者有很多共同的函数，如 filter，排序等;
4 在对 DataFrame 和 Dataset 进行操纵很多操纵都必要这个包:
import spark.implicits._（在创建好 SparkSession 对象后只管直接导入）
5  三者都会根据 Spark 的内存环境自动缓存运算，如许纵然数据量很大，也不消担心会内存溢出
6 三者都有分区（partition）的概念
7 DataFrame 和 DataSet 均可利用模式匹配获取各个字段的值和范例
三者的区别
1 RDD
 RDD 一样平常和 spark mllib 同时利用，RDD 不支持 sparksql 操纵
2 DataFrame
 (1)与 RDD 和 Dataset 差别，DataFrame 每一行的范例固定为Row，每一列的值没法直接访问，只有通过剖析才能获取各个字段的值
 (2)DataFrame 与 DataSet 一样平常不与 spark mllib 同时利用
 (3)DataFrame 与 DataSet 均支持 SparkSQL 的操纵，比如 select，groupby 之类，还能注册暂时表/视窗，进行 sql 语句操纵
 （4）DataFrame 与 DataSet 支持一些特别方便的生存方式，比如生存成 csv，可以带上表头，如许每一列的字段名一览无余
3 DataSet
（1） Dataset 和 DataFrame 拥有完全雷同的成员函数，区别只是每一行的数据范例差别。
DataFrame 着实就是 DataSet 的一个特例 type DataFrame = Dataset[Row]
（2） DataFrame 也可以叫 Dataset[Row],每一行的范例是 Row，不剖析，每一行究竟有哪些字段，各个字段又是什么范例都无从得知，只能用上面提到的 getAS 方法大概共性里提到的模式匹配拿出特定字段。而 Dataset 中，每一行是什么范例是不肯定的，在自定义了 case class 之后可以很自由的得到每一行的信息。