36、将RDD转换为DataFrame

一、概述

为什么要将RDD转换为DataFrame？
因为这样的话，我们就可以直接针对HDFS等任何可以构建为RDD的数据，使用Spark SQL进行SQL查询了。这个功能是无比强大的。
想象一下，针对HDFS中的数据，直接就可以使用SQL进行查询。

Spark SQL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。

二、使用反射方式将RDD转换为DataFrame

1、说明

Java版本：Spark SQL是支持将包含了JavaBean的RDD转换为DataFrame的。JavaBean的信息，就定义了元数据。
Spark SQL现在是不支持将包含了嵌套JavaBean或者List等复杂数据的JavaBean，作为元数据的。只支持一个包含简单数据类型的field的JavaBean。

Scala版本：而Scala由于其具有隐式转换的特性，所以Spark SQL的Scala接口，是支持自动将包含了case class的RDD转换为DataFrame的。case class就定义了元数据。
Spark SQL会通过反射读取传递给case class的参数的名称，然后将其作为列名。与Java不同的是，Spark SQL是支持将包含了嵌套数据结构的case class作为元数据的，比如包含了Array等。

2、java实现

#students.txt
1,leo,17
2,marry,17
3,jack,18
4,tom,19

-----------------
package cn.spark.study.sql;

import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SQLContext;

/**
 * 使用反射方式将RDD转换为DataFrame
 * @author ming
 *
 */

public class RDD2DataFrameReflection {
    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("D:\\test-file\\sql\\students.txt");
        JavaRDD<Student> students = lines.map(new Function<String, Student>() {

            private static final long serialVersionUID = 1L;

            @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].trim()));

                return stu;
            }

        });

        // 使用反射方式，将RDD转换为DataFrame
        // 将Student.class传入进去，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，就可以将其注册为一个临时表，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
        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>() {

            private static final long serialVersionUID = 1L;

            @Override
            public Student call(Row row) throws Exception {
                Student stu = new Student();
                // row中的数据的顺序，可能是跟我们期望的是不一样的！
                stu.setAge(row.getInt(0));
                stu.setId(row.getInt(1));
                stu.setName(row.getString(2));
                return stu;
            }
        });

        //将数据col1ect回来，打印出来
        List<Student> studentList = teenagerStudentRDD.collect();

        for(Student stu : studentList) {
            System.out.println(stu);
        }

    }

}

Student类，如下：

package cn.spark.study.sql;

import java.io.Serializable;

public class Student implements Serializable{
    private int id;
    private String name;
    private int age;

    public int getId() {
        return id;
    }
    public void setId(int id) {
        this.id = id;
    }
    public String getName() {
        return name;
    }
    public void setName(String name) {
        this.name = name;
    }
    public int getAge() {
        return age;
    }
    public void setAge(int age) {
        this.age = age;
    }

    @Override
    public String toString() {
        return "Student [id=" + id + ", name=" + name + ", age=" + age + "]";
    }

}

3、scala实现

package cn.spark.study.sql

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

/**
 * 如果要用scala开发spark程序
 * 然后在其中，还要实现基于反射的RDD到DataFrame的转换，就必须得用object extends App的方式
 * 不能用def main()方法的方式，来运行程序，否则就会报no typetag for ...class的错误
 * @author Administrator
 */
object RDD2DataFrameReflection extends App {

  val conf = new SparkConf()
      .setMaster("local")
      .setAppName("RDD2DataFrameReflection")
  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("D:\\test-file\\sql\\students.txt", 1)
      .map { line => line.split(",") }
      .map { arr => Student(arr(0).trim().toInt, arr(1), arr(2).trim().toInt) }
      .toDF()    

  // 前面讲的DataFrame的常用操作依然适用
  studentDF.show()
  studentDF.schema
  studentDF.select(studentDF.col("id")).show()
  studentDF.select(studentDF.col("age")).show()
  studentDF.select(studentDF.col("name")).show()
  studentDF.select(studentDF.col("id"), studentDF.col("name"), studentDF.col("age").plus(1))
  studentDF.filter(studentDF.col("age").gt(18)).show()
  studentDF.groupBy(studentDF.col("age")).count.show()

  studentDF.registerTempTable("students")  

  val teenagerDF = sqlContext.sql("select * from students where age<=18")  

  val teenagerRDD = teenagerDF.rdd

  // 在scala中，row中的数据的顺序，反而是按照我们期望的来排列的，这个跟java是不一样的哦
  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) }
}

三、使用编程方式将RDD转换为DataFrame

1、说明

Java版本：当JavaBean无法预先定义和知道的时候，比如要动态从一个文件中读取数据结构，那么就只能用编程方式动态指定元数据了。
首先要从原始RDD创建一个元素为Row的RDD；其次要创建一个StructType，来代表Row；最后将动态定义的元数据应用到RDD<Row>上。

Scala版本：Scala的实现方式，与Java是基本一样的。

2、java实现

package cn.spark.study.sql;

import java.util.ArrayList;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructType;
import org.apache.spark.sql.types.StructField;

/**
 * 以编程方式动态指定元数据，将RDD转换为DataFrame
 * @author Administrator
 *
 */
public class RDD2DataFrameProgrammatically {

    public static void main(String[] args) {
        // 创建SparkConf、JavaSparkContext、SQLContext
        SparkConf conf = new SparkConf()
                .setMaster("local")
                .setAppName("RDD2DataFrameProgrammatically");
        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("D:\\test-file\\sql\\students.txt");

        // 分析一下
        // 它报了一个，不能直接从String转换为Integer的一个类型转换的错误
        // 就说明什么，说明有个数据，给定义成了String类型，结果使用的时候，要用Integer类型来使用
        // 而且，错误报在sql相关的代码中
        // 所以，基本可以断定，就是说，在sql中，用到age<=18的语法，所以就强行就将age转换为Integer来使用
        // 但是，肯定是之前有些步骤，将age定义为了String
        // 所以就往前找，就找到了这里
        // 往Row中塞数据的时候，要注意，什么格式的数据，就用什么格式转换一下，再塞进去
        JavaRDD<Row> studentRDD = lines.map(new Function<String, Row>() {

            private static final long serialVersionUID = 1L;

            @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
        // 或者是配置文件中，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(studentRDD, 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);
        }
    }

}

3、scala实现

package cn.spark.study.sql

import org.apache.spark.sql.Row
import org.apache.spark.sql.types.{StructType,StructField,StringType,IntegerType}
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext

/**
 * @author Administrator
 */

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("D:\\test-file\\sql\\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)  

  // 继续正常使用
  studentDF.registerTempTable("students")  

  val teenagerDF = sqlContext.sql("select * from students where age<=18")  

  val teenagerRDD = teenagerDF.rdd.collect().foreach { row => println(row) }
}