实验环境: Linux Ubuntu 20.04
前提条件:
- 完成Java运行环境部署(详见第2章Java安装)
- 完成Hadoop 3.0.0的单点部署(详见第2章安装单机版Hadoop)
- 完成Spark Local模式的部署(详见本章实验一:Spark Local模式的安装)
基于上述前提条件,完成基础的Spark SQL的使用:
- 创建DataFrame和Dataset
- Columns列操作
- 使用Structured API进行基本查询
- 使用Spark SQL进行基本查询
在命令行终端中输入下面的命令即可启动Scala Shell
spark-shell
启动后终端显示如下:
如上出现了 Scala> 表明进入了Scala的Shell
Spark 中所有功能的入口点是 SparkSession
,可以使用 SparkSession.builder()
创建。创建后应用程序就可以从现有 RDD,Hive 表或 Spark 数据源创建 DataFrame。注意从hdfs文件系统导入时,需要先将本地文件emp.json导入到hdfs中再进行操作,同时hadoop服务也需要启动。创建DataFrame的示例如下:
// 建议在进行 spark SQL 编程前导入下面的隐式转换,因为 DataFrames 和 dataSets 中很多操作都依赖了隐式转换
import spark.implicits._
val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
//从hdfs文件系统导入
val df = spark.read.json("/home/datawhale/json/emp.json")
//从本地文件系统导入
val df = spark.read.json("file:///home/datawhale/emp.json")
df.show()
需要注意的是 spark-shell
启动后会自动创建一个名为 spark
的 SparkSession
,在命令行中可以直接引用即可,结果显示如下:
其中emp.json
的内容在本仓库的resources 目录下 。
Spark 支持由内部数据集和外部数据集来创建 Dataset,其创建方式分别如下:
- 由外部数据集创建
// 1.需要导入隐式转换
import spark.implicits._
// 2.创建 case class,等价于 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long,
hiredate: String, job: String, mgr: Long, sal: Double)
// 3.由外部数据集创建 Datasets
val ds = spark.read.json("file:///home/datawhale/emp.json").as[Emp]
//4.展示数据集
ds.show()
- 由内部数据集创建
// 1.需要导入隐式转换
import spark.implicits._
// 2.创建 case class,等价于 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long,
hiredate: String, job: String, mgr: Long, sal: Double)
// 3.由内部数据集创建 Datasets
val caseClassDS = Seq(Emp("ALLEN", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0),Emp("JONES", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0)).toDS()
//4.展示数据集
caseClassDS.show()
Spark 支持两种方式把 RDD 转换为 DataFrame,分别是使用反射推断和指定 Schema 转换。其中dept.txt
的内容在本仓库的resources 目录下 。
- 使用反射推断
// 1.导入隐式转换
import spark.implicits._
// 2.创建部门类
case class Dept(deptno: Long, dname: String, loc: String)
// 3.创建 RDD 并转换为 dataSet
val rddToDS = spark.sparkContspt
.tsptFile("file:///home/datawhale/dept.txt")
.map(_.split("\t"))
.map(line => Dept(line(0).trim.toLong, line(1), line(2)))
.toDS() // 如果调用 toDF() 则转换为 dataFrame
//4.展示数据集
rddToDS.show()
- 以编程方式指定Schema
import org.apache.spark.sql.Row
import org.apache.spark.sql.types._
// 1.定义每个列的列类型
val fields = Array(StructField("deptno", LongType, nullable = true),
StructField("dname", StringType, nullable = true),
StructField("loc", StringType, nullable = true))
// 2.创建 schema
val schema = StructType(fields)
// 3.创建 RDD
val deptRDD = spark.sparkContspt.tsptFile("file:///home/datawhale/dept.txt")
val rowRDD = deptRDD.map(_.split("\t")).map(line => Row(line(0).toLong, line(1), line(2)))
// 4.将 RDD 转换为 dataFrame
val deptDF = spark.createDataFrame(rowRDD, schema)
//5.展示数据集
deptDF.show()
Spark 提供了非常简单的转换方法用于 DataFrame 与 Dataset 间的互相转换,命令如下:
//DataFrames转Datasets
df.as[Emp]
//Datasets转DataFrames
ds.toDF()
//Spark 支持多种方法来构造和引用列,最简单的是使用 col() 或 column() 函数。
col("colName")
column("colName")
// 对于 Scala 语言而言,还可以使用$"myColumn"和'myColumn 这两种语法糖进行引用。
df.select($"ename", $"job").show()
df.select('ename, 'job).show()
// 基于已有列值新增列
df.withColumn("upSal",$"sal"+1000)
// 基于固定值新增列
df.withColumn("intCol",lit(1000))
// 支持删除多个列
df.drop("comm","job").show()
df.withColumnRenamed("comm", "common").show()
需要说明的是新增,删除,重命名列都会产生新的 DataFrame ,原来的 DataFrame 不会被改变。
// 1.查询员工姓名及工作
df.select($"ename", $"job").show()
// 2.filter 查询工资大于 2000 的员工信息
df.filter($"sal" > 2000).show()
// 3.orderBy 按照部门编号降序,工资升序进行查询
df.orderBy(desc("deptno"), asc("sal")).show()
// 4.limit 查询工资最高的 3 名员工的信息
df.orderBy(desc("sal")).limit(3).show()
// 5.distinct 查询所有部门编号
df.select("deptno").distinct().show()
// 6.groupBy 分组统计部门人数
df.groupBy("deptno").count().show()
// 1.首先需要将 DataFrame 注册为临时视图
df.createOrReplaceTempView("emp")
// 2.查询员工姓名及工作
spark.sql("SELECT ename,job FROM emp").show()
// 3.查询工资大于 2000 的员工信息
spark.sql("SELECT * FROM emp where sal > 2000").show()
// 4.orderBy 按照部门编号降序,工资升序进行查询
spark.sql("SELECT * FROM emp ORDER BY deptno DESC,sal ASC").show()
// 5.limit 查询工资最高的 3 名员工的信息
spark.sql("SELECT * FROM emp ORDER BY sal DESC LIMIT 3").show()
// 6.distinct 查询所有部门编号
spark.sql("SELECT DISTINCT(deptno) FROM emp").show()
// 7.分组统计部门人数
spark.sql("SELECT deptno,count(ename) FROM emp group by deptno").show()
至此,Spark SQL的基本命令介绍完成,本次实验结束啦!