Spark sql 简单使用

一、认识Spark sql

1、什么是Sparksql?

spark sql是spark的一个模块，主要用于进行结构化数据的处理，它提供的最核心抽象就是DataFrame。

2、SparkSQL的作用？

提供一个编程抽象（DataFrame），并且作为分布式SQL查询引擎

DataFrame：它可以根据很多源进行构建，包括：结构化的数据文件、hive中的表，外部的关系型数据库、以及RDD

3、运行原理

将SparkSQL转化为RDD，然后提交到集群执行

4、特点

容易整合、统一的数据访问方式、兼容Hive、标准的数据连接

5、SparkSession

SparkSession是Spark 2.0引如的新概念。SparkSession为用户提供了统一的切入点，来让用户学习spark的各项功能。 
  在spark的早期版本中，SparkContext是spark的主要切入点，由于RDD是主要的API，我们通过sparkcontext来创建和操作RDD。对于每个其他的API，我们需要使用不同的context。例如，对于Streming，我们需要使用StreamingContext；对于sql，使用sqlContext；对于Hive，使用hiveContext。但是随着DataSet和DataFrame的API逐渐成为标准的API，就需要为他们建立接入点。所以在spark2.0中，引入SparkSession作为DataSet和DataFrame API的切入点，SparkSession封装了SparkConf、SparkContext和SQLContext。为了向后兼容，SQLContext和HiveContext也被保存下来。 
　　 
　　SparkSession实质上是SQLContext和HiveContext的组合（未来可能还会加上StreamingContext），所以在SQLContext和HiveContext上可用的API在SparkSession上同样是可以使用的。SparkSession内部封装了sparkContext，所以计算实际上是由sparkContext完成的。

特点：

　　 ---- 为用户提供一个统一的切入点使用Spark 各项功能

        ---- 允许用户通过它调用 DataFrame 和 Dataset 相关 API 来编写程序

        ---- 减少了用户需要了解的一些概念，可以很容易的与 Spark 进行交互

        ---- 与 Spark 交互之时不需要显示的创建 SparkConf, SparkContext 以及 SQlContext，这些对象已经封闭在 SparkSession 中

6、DataFrame

在Spark中，DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库中的二维表格。DataFrame与RDD的主要区别在于，前者带有schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型。这使得Spark SQL得以洞察更多的结构信息，从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化，最终达到大幅提升运行时效率的目标。反观RDD，由于无从得知所存数据元素的具体内部结构，Spark Core只能在stage层面进行简单、通用的流水线优化。

二、RDD转换成DataFrame

使用spark1.x版本的方式

测试数据：

qqq,12
ddd,11
ccc,44

1、方式一：通过case class创建DataFrames（反射推断模式）

使用反射推断的时候需要注意以下方式
1、将本地的一个文件转换成RDD  拿到文件-->拆分-->组合成样例类的格式
2、将转换之后的RDD又转成DataFrame  .toDF
3、为DF注册一个临时表名
4、调用sqlContext.sql("sql语句")就可以调用show方法了
5、关闭

object DataFrameTest {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("DataFrameTest").setMaster("local")
    val sc = new SparkContext(conf)
    val context = new SQLContext(sc)
    // 将本地的数据读入 RDD， 并将 RDD 与 case class 关联
    val peopleRDD = sc.textFile("D:\\Student.txt")
      .map(line => Student(line.split(",")(0), line.split(",")(1).trim.toInt))
    import context.implicits._
    // 将RDD 转换成 DataFrames
    val df = peopleRDD.toDF
    //将DataFrames注册成一张临时表
    df.registerTempTable("Student")
    //使用SQL语句进行查询
    context.sql("select * from Student").show()
  }
  case class Student(name:String,age:Int)
}

方式二：通过 structType 创建 DataFrames（编程接口）

用户自定义模式：
1、构造出StructType类型
2、构造RDD[Row]
3、创建dataFrame
4、注册表名
5、执行sql
6、关闭

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Row, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}
object StructTypeTest {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("hello sql")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)
    //加入隐式转换
    //将普通文件转换成RDD
    val textRDD = sc.textFile("d:/Student.txt")
    //定义schema的字段名
    val schemaString: String = "name age"
    import org.apache.spark.sql.types.{StringType, StructField, StructType}
    //构造StructType类型
    val structType: StructType = StructType(schemaString.split(" ").map(field => StructField(field, StringType, true)))
    //将RDD转换成Row
    val rowRDD: RDD[Row] = textRDD.map(_.split(",")).map(x => Row(x(0), x(1)))
    //将schema与数据进行关联
    val frame: DataFrame = sqlContext.createDataFrame(rowRDD, structType)
    frame.registerTempTable("person") //创建虚表
    val sql: DataFrame = sqlContext.sql("select * from person where age>2") //执行语句
    sql.show()
  }
}

方式三：通过 json 文件创建 DataFrames

{"name":"sada","age":12}
{"name":"wew","age":22}
{"name":"sadsda","age":23}

object JsonDatFrameTest {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local[*]").setAppName("hello sql")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)
    val df: DataFrame = sqlContext.read.json("D://Student.json")
    df.registerTempTable("Student")
    val sql: DataFrame = sqlContext.sql("select * from Student") //执行语句
    sql.show()
  }
}

三、DataFrame的read和save和savemode

1、数据的读取

object TestRead {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("TestDataFrame2").setMaster("local")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)
    //方式一
    val df1 = sqlContext.read.json("E:\\666\\people.json")
　　//面向列式存储
    val df2 = sqlContext.read.parquet("E:\\666\\users.parquet")
    //方式二
    val df3 = sqlContext.read.format("json").load("E:\\666\\people.json")
    val df4 = sqlContext.read.format("parquet").load("E:\\666\\users.parquet")
    //方式三，默认是parquet格式
    val df5 = sqlContext.load("E:\\666\\users.parquet")
  }
}

2、数据的保存

object TestSave {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("TestDataFrame2").setMaster("local")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)
    val df1 = sqlContext.read.json("E:\\666\\people.json")
    //方式一
    df1.write.json("E:\\111")
　　//注意：在持久化的时候，读取json格式的文件，直接保存的时候，默认为parquet模式
    df1.write.parquet("E:\\222")
　　
    //方式二
    df1.write.format("json").save("E:\\333")
    df1.write.format("parquet").save("E:\\444")
    //方式三
    df1.write.save("E:\\555")

  }
}

3、数据的保存模式

使用mode

df1.write.format("parquet").mode(SaveMode.Ignore).save("E:\\444")

四、数据源

1、json格式
读取json格式，并持久化为parquet格式,并保存在d盘
val conf = new SparkConf().setMaster("local[*]").setAppName("hello sql")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
//加入隐式转换
import sqlContext.implicits._
//读取json文件的时候操作方式
val frame: DataFrame = sqlContext.read.json("d:/hello.json")
//    frame.show()//直接控制台显示
frame.select("name").write.format("parquet").save("d:/task")//持久化为parquet格式，保存在d盘
注意：在持久化的时候，读取json格式的文件，直接保存的时候，默认为parquet模式

如果需要将结构输出为文本格式的话，可以将dataFrame转为RDD之后在进行处理并操作
//读取json文件的时候操作方式
val frame: DataFrame = sqlContext.read.json("d:/hello.json")
val frame1: DataFrame = frame.select("name")
//将frame1转为一个RDD
val rdd: RDD[Row] = frame1.rdd
rdd.map(_.get(0)).saveAsTextFile("d:/task3")

2、parquet格式：面向列式存储
读取parquet格式，并持久化为json格式
//读取parquet格式文件的操作方式
val frame: DataFrame = sqlContext.read.load("d:/task")
frame.select("name").write.format("json").save("d:/task1")

3、jdbc格式
需要加入相应的驱动包
<dependency>
     <groupId>mysql</groupId>
     <artifactId>mysql-connector-java</artifactId>
     <version>5.1.38</version>
</dependency>
var option=Map("url"->"jdbc:mysql://192.168.100.121/big_data?user=root&password=1234","dbtable"->"person")
val frame: DataFrame = sqlContext.read.format("jdbc").options(option).load()
frame.select("name").show()

或者

val conf = new SparkConf().setAppName("TestMysql").setMaster("local")
val sc = new SparkContext(conf) val sqlContext = new SQLContext(sc) 
val url = "jdbc:mysql://192.168.123.102:3306/hivedb" val table = "dbs" 
val properties = new Properties() 
properties.setProperty("user","root") 
properties.setProperty("password","root") //需要传入Mysql的URL、表明、properties（连接数据库的用户名密码）
val df = sqlContext.read.jdbc(url,table,properties) 
df.createOrReplaceTempView("dbs") 
sqlContext.sql("select * from dbs").show()

4、txt格式采用反射推断或者用户自定义格式
//RDD   text保存只支持string类型
 sc.makeRDD(1 to(10)).map(_.toString).toDF("number").write.text("d:/task4")

5、数据源之Hive

（1）准备工作

在pom.xml文件中添加依赖

<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-hive -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_2.11</artifactId>
            <version>2.3.0</version>
        </dependency>

开发环境则把resource文件夹下添加hive-site.xml文件，集群环境把hive的配置文件要发到$SPARK_HOME/conf目录下

<configuration>
        <property>
                <name>javax.jdo.option.ConnectionURL</name>
                <value>jdbc:mysql://localhost:3306/hivedb?createDatabaseIfNotExist=true</value>
                <description>JDBC connect string for a JDBC metastore</description>
                <!-- 如果 mysql 和 hive 在同一个服务器节点，那么请更改 hadoop02 为 localhost -->
        </property>
        <property>
                <name>javax.jdo.option.ConnectionDriverName</name>
                <value>com.mysql.jdbc.Driver</value>
                <description>Driver class name for a JDBC metastore</description>
        </property>
        <property>
                <name>javax.jdo.option.ConnectionUserName</name>
                <value>root</value>
                <description>username to use against metastore database</description>
        </property>
        <property>
                <name>javax.jdo.option.ConnectionPassword</name>
                <value>root</value>
        <description>password to use against metastore database</description>
        </property>
    <property>
                <name>hive.metastore.warehouse.dir</name>
                <value>/hive/warehouse</value>
                <description>hive default warehouse, if nessecory, change it</description>
        </property>
</configuration>

（2）测试代码

object TestHive {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName(this.getClass.getSimpleName)
    val sc = new SparkContext(conf)
    val sqlContext = new HiveContext(sc)
    sqlContext.sql("select * from myhive.student").show()
  }
}

运行结果