赞
踩
1.DataFrame
1.1创建 DataFrame
创建 DataFrame有三种方式:通过 Spark 的数据源进行创建;从一个存在的 RDD 进行转换;还可以从 Hive Table 进行查询返回。
从 Spark 数据源进行创建,在 spark 的 bin/data 目录中创建 user.json 文件
{“username”:“zhangsan”,“age”:20}
scala> val df = spark.read.json(“data/user.json”)
df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]
scala> df.show
±–±-------+
|age|username|
±–±-------+
| 20|zhangsan|
±–±-------+
1
2
3
4
5
6
7
8
注意:如果从内存中获取数据,spark 可以知道数据类型具体是什么。如果是数字,默认作为 Int 处理;但是从文件中读取的数字,不能确定是什么类型,所以用 bigint 接收,可以和Long 类型转换,但是和 Int 不能进行转换
若此处报如下类似错误:
org.apache.spark.sql.AnalysisException: Path does not exist: hdfs://master:9000/user/root/data/user.json;
1
问题原因:spark-shell 与 Hadoop集群管理器YARN集成,访问的是HDFS中的文件。所以可以在hdfs中创建文件或者用本地文件的绝对路径
spark.read.json(“file:///usr/hadoop/spark-2.1.1/bin/data/user.json”)
1
1.2 SQL 语法
这种风格的查询必须要有临时视图或者全局视图来辅助
读取 JSON 文件创建 DataFrame
scala> val df = spark.read.json(“data/user.json”)
df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]
1
2
对 DataFrame 创建一个临时表
scala> df.createOrReplaceTempView(“people”)
1
通过 SQL 语句实现查询全表
scala> val sqlDF = spark.sql(“SELECT * FROM people”)
sqlDF: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
1
2
结果展示
scala> sqlDF.show
±–±-------+
|age|username|
±–±-------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|
±–±-------+
1
2
3
4
5
6
7
8
注意:普通临时表是 Session 范围内的,如果想应用范围内有效,可以使用全局临时表。使用全局临时表时需要全路径访问,如:global_temp.people
5) 对于 DataFrame 创建一个全局表
scala> df.createGlobalTempView(“people”)
1
通过 SQL 语句实现查询全表
scala> spark.sql(“SELECT * FROM global_temp.people”).show()
±–±-------+
|age|username|
±–±-------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|
±–±-------+
scala> spark.newSession().sql(“SELECT * FROM global_temp.people”).show()
±–±-------+
|age|username|
±–±-------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|
±–±-------+
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
1.3 DSL 语法
DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。可以在 Scala, Java, Python 和 R 中使用 DSL,使用 DSL 语法风格不必去创建临时视图了
创建一个 DataFrame
scala> val df = spark.read.json(“data/user.json”)
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
1
2
查看 DataFrame 的 Schema 信息
scala> df.printSchema
root
|-- age: Long (nullable = true)
|-- username: string (nullable = true)
1
2
3
4
只查看"username"列数据,
scala> df.select(“username”).show()
±-------+
|username|
±-------+
|zhangsan|
| lisi|
| wangwu|
±-------+
1
2
3
4
5
6
7
8
查看"username"列数据以及"age+1"数据
注意:涉及到运算的时候, 每列都必须使用
,
或者采用引号表达式:单引号
+
字段名
s
c
a
l
a
>
d
f
.
s
e
l
e
c
t
(
, 或者采用引号表达式:单引号+字段名 scala> df.select(
,或者采用引号表达式:单引号+字段名scala>df.select(“username”,
"
a
g
e
"
+
1
)
.
s
h
o
w
s
c
a
l
a
>
d
f
.
s
e
l
e
c
t
(
′
u
s
e
r
n
a
m
e
,
′
a
g
e
+
1
)
.
s
h
o
w
(
)
12
s
c
a
l
a
>
d
f
.
s
e
l
e
c
t
(
′
u
s
e
r
n
a
m
e
,
′
a
g
e
+
1
a
s
"
n
e
w
a
g
e
"
)
.
s
h
o
w
(
)
+
−
−
−
−
−
−
−
−
+
−
−
−
−
−
−
−
−
−
+
∣
u
s
e
r
n
a
m
e
∣
(
a
g
e
+
1
)
∣
+
−
−
−
−
−
−
−
−
+
−
−
−
−
−
−
−
−
−
+
∣
z
h
a
n
g
s
a
n
∣
21
∣
∣
l
i
s
i
∣
31
∣
∣
w
a
n
g
w
u
∣
41
∣
+
−
−
−
−
−
−
−
−
+
−
−
−
−
−
−
−
−
−
+
12345678
查看
"
a
g
e
"
大于
"
30
"
的数据
s
c
a
l
a
>
d
f
.
f
i
l
t
e
r
(
"age" + 1).show scala> df.select('username, 'age + 1).show() 1 2 scala> df.select('username, 'age + 1 as "newage").show() +--------+---------+ |username|(age + 1)| +--------+---------+ |zhangsan| 21| | lisi| 31| | wangwu| 41| +--------+---------+ 1 2 3 4 5 6 7 8 查看"age"大于"30"的数据 scala> df.filter(
"age"+1).showscala>df.select(′username,′age+1).show()12scala>df.select(′username,′age+1as"newage").show()+−−−−−−−−+−−−−−−−−−+∣username∣(age+1)∣+−−−−−−−−+−−−−−−−−−+∣zhangsan∣21∣∣lisi∣31∣∣wangwu∣41∣+−−−−−−−−+−−−−−−−−−+12345678查看"age"大于"30"的数据scala>df.filter(“age”>30).show
±–±--------+
|age| username|
±–±--------+
| 40| wangwu|
±–±--------+
1
2
3
4
5
6
按照"age"分组,查看数据条数
scala> df.groupBy(“age”).count.show
±–±----+
|age|count|
±–±----+
| 20| 1|
| 30| 1|
| 40| 1|
±–±----+
1
2
3
4
5
6
7
8
1.4 RDD 转换为 DataFrame
在 IDEA 中开发程序时,如果需要 RDD 与 DF 或者 DS 之间互相操作,那么需要引入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,所以必须先创建 SparkSession 对象再导入。这里的 spark 对象不能使用 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,自动完成此操作。
scala> val idRDD = sc.textFile(“data/id.txt”)
scala> idRDD.toDF(“id”).show
±–+
| id|
±–+
| 1|
| 2|
| 3|
| 4|
±–+
1
2
3
4
5
6
7
8
9
10
实际开发中,一般通过样例类将 RDD 转换为 DataFrame
scala> case class User(name:String, age:Int)
defined class User
scala> sc.makeRDD(List((“zhangsan”,30), (“lisi”,40))).map(t=>User(t._1,
t._2)).toDF.show
±-------±–+
| name|age|
±-------±–+
|zhangsan| 30|
| lisi| 40|
±-------±–+
1
2
3
4
5
6
7
8
9
10
1.5 DataFrame 转换为 RDD
DataFrame 其实就是对 RDD 的封装,所以可以直接获取内部的RDD
scala> val df = sc.makeRDD(List((“zhangsan”,30), (“lisi”,40))).map(t=>User(t._1,
t._2)).toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]
scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[46]
at rdd at :25
scala> val array = rdd.collect
array: Array[org.apache.spark.sql.Row] = Array([zhangsan,30], [lisi,40])
1
2
3
4
5
6
7
8
注意:此时得到的 RDD 存储类型为 Row
scala> array(0)
res28: org.apache.spark.sql.Row = [zhangsan,30]
scala> array(0)(0)
res29: Any = zhangsan
scala> array(0).getAsString
res30: String = zhangsan
1
2
3
4
5
6
2. DataSet
DataSet 是具有强类型的数据集合,需要提供对应的类型信息。
2.1 创建 DataSet
1) 使用样例类序列创建 DataSet
scala> case class Person(name: String, age: Long)
defined class Person
scala> val caseClassDS = Seq(Person(“zhangsan”,2)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: Long]
scala> caseClassDS.show
±--------±–+
| name|age|
±--------±–+
| zhangsan| 2|
±--------±–+
1
2
3
4
5
6
7
8
9
10
2) 使用基本类型的序列创建 DataSet
scala> val ds = Seq(1,2,3,4,5).toDS
ds: org.apache.spark.sql.Dataset[Int] = [value: int]
scala> ds.show
±----+
|value|
±----+
| 1|
| 2|
| 3|
| 4|
| 5|
±----+
1
2
3
4
5
6
7
8
9
10
11
12
注意:在实际使用的时候,很少用到把序列转换成DataSet,更多的是通过RDD来得到DataSet
2.2 RDD 转换为 DataSet
SparkSQL 能够自动将包含有 case 类的 RDD 转换成 DataSet,case 类定义了 table 的结构,case 类属性通过反射变成了表的列名。Case 类可以包含诸如 Seq 或者 Array 等复杂的结构。
scala> case class User(name:String, age:Int)
defined class User
scala> sc.makeRDD(List((“zhangsan”,30), (“lisi”,49))).map(t=>User(t._1,
t._2)).toDS
res11: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
1
2
3
4
5
2.3 DataSet 转换为 RDD
DataSet 其实也是对 RDD 的封装,所以可以直接获取内部的 RDD
scala> case class User(name:String, age:Int)
defined class User
scala> sc.makeRDD(List((“zhangsan”,30), (“lisi”,49))).map(t=>User(t._1,
t._2)).toDS
res11: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> val rdd = res11.rdd
rdd: org.apache.spark.rdd.RDD[User] = MapPartitionsRDD[51] at rdd at
:25
scala> rdd.collect
res12: Array[User] = Array(User(zhangsan,30), User(lisi,49))
1
2
3
4
5
6
7
8
9
10
2.4 DataFrame 和 DataSet 转换
DataFrame 其实是 DataSet 的特例,所以它们之间是可以互相转换的。
➢ DataFrame 转换为 DataSet
scala> case class User(name:String, age:Int)
defined class User
scala> val df = sc.makeRDD(List((“zhangsan”,30),
(“lisi”,49))).toDF(“name”,“age”)
df: org.apache.spark.sql.DataFrame = [name: string, age: int]
scala> val ds = df.as[User]
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
1
2
3
4
5
6
7
➢ DataSet 转换为 DataFrame
scala> val ds = df.as[User]
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> val df = ds.toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]
————————————————
版权声明:本文为CSDN博主「smallworldxyl」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/smallworldxyl/article/details/113530555
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。