DataFrame编程模型初谈与Spark SQL

　　Spark SQL在Spark内核基础上提供了对结构化数据的处理，在Spark1.3版本中，Spark SQL不仅可以作为分布式的SQL查询引擎，还引入了新的DataFrame编程模型。

　　在Spark1.3版本中，Spark SQL不再是Alpha版本，除了提供更好的SQL标准兼容之外，还引进了新的组件DataFrame。同时，Spark SQL数据源API也实现了与新组件DataFrame的交互，允许用户直接通过Hive表、Parquet文件以及一些其他数据源生成DataFrame。用户可以在同一个数据集上混合使用SQL和DataFrame操作符。新版本还提供了从JDBC读写表的能力，可以更原生地支持Postgres、MySQL及其他RDBMS系统。

　　Spark SQL所有功能的入口点是SQLContext，或它的一个子类。只需要一个SparkContext实例就可以构建一个基本的SQLContext。

package cn.spark.study.sql

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext

/**
* @author Administrator
*/
object DataFrameCreate {

def main(args: Array[String]) {
val conf = new SparkConf()
.setAppName("DataFrameCreate")
.setMaster("local");
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)

// val df = sqlContext.read.json("hdfs://spark1:9000/students.json")//从hdfs

// val df = sqlContext.read.json("./data/people.json")
val df = sqlContext.read.json("./data/aa.json")
//Spark DataFrame小试牛刀,见https://segmentfault.com/a/1190000002614456
//Spark DataFrames入门指南：创建和操作DataFrame，见http://blog.csdn.net/lw_ghy/article/details/51480358
//创建dataframe ，就是把数据 和数据元封装一起 形成一个数据表。
//spark DataFrame用法，见http://blog.csdn.net/dreamer2020/article/details/51284789
//RDD与DataFrame的转换，见http://www.cnblogs.com/namhwik/p/5967910.html

df.show()

}

}

//输入
//{"name":"Michael"}
//{"name":"Andy", "age":30}
//{"name":"Justin", "age":19}

//输出
//+----+-------+
//| age| name|
//+----+-------+
//|null|Michael|
//| 30| Andy|
//| 19| Justin|
//+----+-------+

//输入
//{"name":"中国","provinces":[{"name":"黑龙江","citys":["佳木斯","大庆","哈尔滨","齐齐哈尔","牡丹江"]},{"name":"辽宁","citys":["沈阳","大连","盘锦"]},{"name":"吉林","citys":["吉林市","长春市","四平市"]}]}

//输出
//+----+--------------------+
//|name| provinces|
//+----+--------------------+
//| 中国|[[WrappedArray(佳木...|
//+----+--------------------+

　　再次强调，spark-shell除了帮我们构建了SQLContext实例外，还帮我们导入了隐式转换：import sqlContext.implicits._。在以spark-submit方式提交的应用程序中，需要手动导入该隐式转换才能访问某些API。

　　DataFrame编程模型极大地简化了Spark SQL的编程复杂度。

　　Spark SQL允许Spark执行用SQL语言，HiveQL语言或者Scala语言表示的关系查询。在Spark1.3之前，这个模块的核心是SchemaRDD类型。SchemaRDD由行（Row）对象组成，行对象通过scheme来描述行中每一列的数据类型。

　　而在Spark1.3中，开始引入了DataFrame来重命名SchemaRDD类型，在Spark1.3中，DataFrame是一个以命名列方式组织的分布式数据集，在概念上类似于关系型数据库中的一个表，也相当于R/Python中的Dta Frames。DataFrame可以由结构化数据文件转换得到，或从Hive中的表得来，也可以转换自外部数据库或现有的RDD。

　　DataFrame编程模型具有的功能特性有：

　　1、从KB到PB级的数据量支持

　　2、多种数据格式和多种存储系统支持

　　3、通过Spark SQL的Catalyst优化器进行先进的优化，生成代码

　　4、位Python、Java、Scala和R语言（Spark R）提供API。