RDD转换为DataFrame案例_rdd转换得到dataframe实例

SparkSQL支持两种方式来将RDD转换为DataFrame。

第一种方式，是使用反射来推断包含了特定数据类型的RDD的元数据。这种基于反射的方式，代码比较简洁，当你已经知道你的RDD的元数据时，是一种非常不错的方式。

第二种方式，是通过编程接口来创建DataFrame，你可以在程序运行时动态构建一份元数据，然后将其应用到已经存在的RDD上。这种方式的代码比较冗长，但是如果在编写程序时，还不知道RDD的元数据，只有在程序运行时，才能动态得知其元数据，那么只能通过这种动态构建元数据的方式。

文件students.txt中内容如下：

1,leo,17
2,marry,17
3,jack,18
4,tom,19

1. 使用反射方式将RDD转换为DataFrame

Java代码如下：

public class RDD2DataFrameReclection {
	public static void main(String[] args) {
		SparkConf conf = new SparkConf()
					.setMaster("local")
					.setAppName("RDD2DataFrameReflection");
		JavaSparkContext sc = new JavaSparkContext(conf);
		SQLContext sqlContext = new SQLContext(sc);
		
		JavaRDD<String> lines = sc.textFile("./data/students.txt");
		JavaRDD<Student> students = lines.map(new Function<String, Student>() {
 
			@Override
			public Student call(String line) throws Exception {
				String[] lineSplited = line.split(",");
				Student stu = new Student();
				stu.setId(Integer.valueOf(lineSplited[0].trim()));
				stu.setName(lineSplited[1]);
				stu.setAge(Integer.valueOf(lineSplited[2]));
				
				return stu;
			}
		});
		
		//使用反射方式将RDD转换为DataFrame
		//将Student.class传入进入，其实就是用反射的方式来创建DataFrame
		//因为Student.class本身就是反射的一个应用
		//然后底层还得通过对Student Class进行反射，来获取其中的field
		//这里要求，JavaBean必须实现Serializable接口，是可序列化的
		DataFrame studentDF = sqlContext.createDataFrame(students, Student.class);
	
		//拿到了一个DataFrame之后，就可以将去注册为一个临时表，然后针对其中的数据执行SQL语句
		studentDF.registerTempTable("students");
		//针对students临时表执行SQL语句，查询年龄小于等于18岁的学生，就是teenager
		DataFrame teenagerDF = sqlContext.sql("select * from students where age<=18");
	
		//将查询出来的DataFrame再次转换为RDD
		JavaRDD<Row> teenagerRDD = teenagerDF.javaRDD();
		
		//将RDD中的数据进行映射，映射为student
		JavaRDD<Student> teenagerStudentRDD = teenagerRDD.map(new Function<Row, Student>() {
 
			@Override
			public Student call(Row row) throws Exception {
				//row中的数据顺序可以与期望的不同
				Student stu = new Student();
				stu.setAge(row.getInt(0));
				stu.setId(row.getInt(1));
				stu.setName(row.getString(2));
				
				return stu;
			}
		});
		
		//将数据collect回来，打印出来
		List<Student> studentList = teenagerStudentRDD.collect();
		for(Student stu : studentList)
			System.out.println(stu);
		
	}
}

Scala代码如下：

object RDD2DataFrameReflection extends App {
  
  val conf = new SparkConf()
      .setAppName("RDD2DataFrameReflection")
      .setMaster("local")
  val sc = new SparkContext(conf)
  val sqlContext = new SQLContext(sc)
  
  //在scala中使用反射方式，进行RDD到DataFrame的转换，需要手动导入一个隐式转换
  import sqlContext.implicits._
  
  case class Student(id:Int,name:String,age:Int)
  
  //这里其实就是一个普通的，元素为case class的RDD
  //直接对它使用toDF()方法，即可转换为DataFrame
  val studentDF = sc.textFile("./data/students.txt", 1)
      .map { line => line.split(",") }
      .map { arr => Student(arr(0).trim().toInt, arr(1), arr(2).trim().toInt) }
      .toDF()
     
   studentDF.registerTempTable("students")
   val teenagerDF = sqlContext.sql("select * from students where age<=18")
   
   val teenagerRDD = teenagerDF.rdd
   
   teenagerRDD.map { row => Student(row(0).toString().toInt,row(1).toString(),row(2).toString().toInt) }
   .collect()
   .foreach { stu => println(stu.id + ":" + stu.name + ":" + stu.age) }
   
   // 在scala中，对row的使用，比java中的row的使用，更加丰富
   // 在scala中，可以用row的getAs()方法，获取指定列名的列
   teenagerRDD.map { row => Student(row.getAs[Int]("id"),row.getAs[String]("name"),row.getAs[Int]("age")) }
   .collect()
   .foreach { stu => println(stu.id + ":" + stu.name + ":" + stu.age) }
   
    // 还可以通过row的getValuesMap()方法，获取指定几列的值，返回的是个map
   val studentRDD = teenagerRDD.map { row => {
     val map = row.getValuesMap[Any](Array("id","name","age"));
     Student(map("id").toString().toInt,map("name").toString(),map("age").toString().toInt)
   } 
   }
   studentRDD.collect().foreach { stu => println(stu.id + ":" + stu.name + ":" + stu.age) }

}

2. 以编程方式动态指定元数据，将RDD转换为DataFrame

Java代码如下：

public class RDD2DataFrameProgramatically {
	
	public static void main(String[] args) {
		//创建SparkConf、JavaSparkContext、SQLContext
		SparkConf conf = new SparkConf()
					.setMaster("local")
					.setAppName("RDD2DataFrameProgramatically");
		
		JavaSparkContext sc = new JavaSparkContext(conf);
		SQLContext sqlContext = new SQLContext(sc);
		
		//第一步，创建一个普通的RDD，但是，必须将其转换为RDD<Row>的这种格式
		JavaRDD<String> lines = sc.textFile("./data/students.txt");
		
		JavaRDD<Row> studentRows = lines.map(new Function<String, Row>() {
 
			@Override
			public Row call(String line) throws Exception {
				String[] lineSplited = line.split(",");
				return RowFactory.create(Integer.valueOf(lineSplited[0])
						,lineSplited[1],
						Integer.valueOf(lineSplited[2]));
			}
		});
		
		//第二步，动态构造元数据
		//比如说，id、name等，field的名称和类型，可能都是在程序运行过程中，动态从mysql db里
		//或者配置文件中，加载出来的，是不固定的
		//所以特别适合用这种编程的方式，来构造元数据
		List<StructField> structFields = new ArrayList<StructField>();
		structFields.add(DataTypes.createStructField("id", DataTypes.IntegerType, true));
		structFields.add(DataTypes.createStructField("name", DataTypes.StringType, true));
		structFields.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));
		
		StructType structType = DataTypes.createStructType(structFields);
		
		//第三步，使用动态构造的元数据将RDD转换为DataFrame
		DataFrame studentDF = sqlContext.createDataFrame(studentRows, structType);
		
		//后面，就可以使用DataFrame了
		studentDF.registerTempTable("students");
		
		DataFrame teenagerDF = sqlContext.sql("select * from students where age < 18");
		
		List<Row> rows = teenagerDF.javaRDD().collect();
		for(Row row : rows) {
			System.out.println(row);
		}
	}
}

Scala代码如下：

object RDD2DataFrameProgrammatically extends App {
  
  val conf = new SparkConf()
        .setMaster("local")
        .setAppName("RDD2DataFrameProgrammatically")
        
  val sc = new SparkContext(conf)
  val sqlContext = new SQLContext(sc)
  
  //第一步，构造出元素为Row的普通RDD
  val studentRDD = sc.textFile("./data/students.txt", 1)
        .map { line => Row(line.split(",")(0).toInt, line.split(",")(1), line.split(",")(2).toInt) }
  
  //第二步，编程方式动态构造元数据
  val structType = StructType(Array(
      StructField("id",IntegerType,true),
      StructField("name",StringType,true),
      StructField("age",IntegerType,true)))
  
  //第三步，进行RDD到DataFrame的转换
  val studentDF = sqlContext.createDataFrame(studentRDD, structType)
  
  //接续正常使用
  studentDF.registerTempTable("students")
  
  val teenagerDF = sqlContext.sql("select * from students where age<=18")
  
  val teenagerRDD = teenagerDF.rdd.collect().foreach { row => println(row) }
}