06 Spark SQL 及其DataFrame的基本操作

1.Spark SQL出现的 原因是什么?

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个叫作Data Frame的编程抽象结构数据模型(即带有Schema信息的RDD)，Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrame API和Dataset API三种方式实现对结构化数据的处理。但无论是哪种API或者是编程语言，都是基于同样的执行引擎，因此可以在不同的API之间随意切换。

Spark SQL的前身是 Shark，Shark最初是美国加州大学伯克利分校的实验室开发的Spark生态系统的组件之一，它运行在Spark系统之上，Shark重用了Hive的工作机制，并直接继承了Hive的各个组件， Shark将SQL语句的转换从MapReduce作业替换成了Spark作业，虽然这样提高了计算效率，但由于 Shark过于依赖Hive，因此在版本迭代时很难添加新的优化策略，从而限制了Spak的发展，在2014年，伯克利实验室停止了对Shark的维护，转向Spark SQL的开发。

Shark Hive on Spark Hive即作为存储又负责sql的解析优化，Spark负责执行

SparkSQL Spark on Hive Hive只作为储存角色，Spark负责sql解析优化，执行

SparkSQL产生的根本原因是为了完全脱离Hive限制（解耦）

2.用spark.read 创建DataFrame

3.观察从不同类型文件创建DataFrame有什么异同?

txt文件：创建的DataFrame数据没有结构

json文件：创建的DataFrame数据有结构

4.观察Spark的DataFrame与Python pandas的DataFrame有什么异同？

 

Spark SQL DataFrame的基本操作

spark.read.text()

file='file:///usr/local/spark/examples/src/main/resources/people.txt'

df=spark.read.text(file)

spark.read.json()

file='file:///usr/local/spark/examples/src/main/resources/people.json'

df1=spark.read.json(file)

打印数据

df.show()默认打印前20条数据，df.show(n)

打印概要

df.printSchema()

df1.printSchema()

查询总行数

df.count()

df1.count()

df.head(3) #list类型，list中每个元素是Row类

df.head(3)

df1.head(3)

输出全部行

df.collect() #list类型，list中每个元素是Row类

df.collect()

df1.collect()

查询概况

df.describe().show()

df1.describe().show()

取列

df[‘name’]

df1['name']

df.name

df1.name

df.select()

df1.select(df1.name).show()

df.filter()

df1.filter(df1.age>20).show()

df.groupBy()

df1.groupBy('age').count().show()

df.sort()

df1.sort(df1.age.desc()).show()