2021年大数据Spark（二十七）：SparkSQL案例一花式查询和案例二WordCount

目录

案例一：花式查询

案例二：WordCount

基于DSL编程

基于SQL编程

具体演示代码如下：

案例一：花式查询

package cn.itcast.sql

import org.apache.spark.SparkContext

import org.apache.spark.rdd.RDD

import org.apache.spark.sql.{DataFrame, SparkSession}

/**

* Author itcast

* Desc 演示SparkSQL的各种花式查询

*/

object FlowerQueryDemo {

case class Person(id:Int,name:String,age:Int)

def main(args: Array[String]): Unit = {

//1.准备环境-SparkSession

val spark: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[*]").getOrCreate()

val sc: SparkContext = spark.sparkContext

sc.setLogLevel("WARN")

//2.加载数据

val lines: RDD[String] = sc.textFile("data/input/person.txt")

//3.切割

//val value: RDD[String] = lines.flatMap(_.split(" "))//错误的

val linesArrayRDD: RDD[Array[String]] = lines.map(_.split(" "))

//4.将每一行(每一个Array)转为样例类(相当于添加了Schema)

val personRDD: RDD[Person] = linesArrayRDD.map(arr=>Person(arr(0).toInt,arr(1),arr(2).toInt))

//5.将RDD转为DataFrame(DF)

//注意:RDD的API中没有toDF方法,需要导入隐式转换!

import spark.implicits._

val personDF: DataFrame = personRDD.toDF

//6.查看约束

personDF.printSchema()

//7.查看分布式表中的数据集

personDF.show(6,false)//false表示不截断列名,也就是列名很长的时候不会用...代替

//演示SQL风格查询

//0.注册表名

//personDF.registerTempTable("t_person")//已经过时

//personDF.createTempView("t_person")//创建表,如果已存在则报错:TempTableAlreadyExistsException

//personDF.createOrReplaceGlobalTempView("t_person")//创建全局表,可以夸session使用,查询的时候使用:SELECT * FROM global_temp.表名;生命周期太大,一般不用

personDF.createOrReplaceTempView("t_person")//创建一个临时表,只有当前session可用!且表如果存在会替换!

//1.查看name字段的数据

spark.sql("select name from t_person").show

//2.查看 name 和age字段数据

spark.sql("select name,age from t_person").show

//3.查询所有的name和age，并将age+1

spark.sql("select name,age,age+1 from t_person").show

//4.过滤age大于等于25的

spark.sql("select name,age from t_person where age >=25").show

//5.统计年龄大于30的人数

spark.sql("select count(age) from t_person where age >30").show

//6.按年龄进行分组并统计相同年龄的人数

spark.sql("select age,count(age) from t_person group by age").show

//演示DSL风格查询

//1.查看name字段的数据

import org.apache.spark.sql.functions._

personDF.select(personDF.col("name")).show

personDF.select(personDF("name")).show

personDF.select(col("name")).show

personDF.select("name").show

//2.查看 name 和age字段数据

personDF.select(personDF.col("name"),personDF.col("age")).show

personDF.select("name","age").show

//3.查询所有的name和age，并将age+1

//personDF.select("name","age","age+1").show//错误,没有age+1这一列

//personDF.select("name","age","age"+1).show//错误,没有age1这一列

personDF.select(col("name"),col("age"),col("age")+1).show

personDF.select($"name",$"age",$"age"+1).show

//$表示将"age"变为了列对象,先查询再和+1进行计算

personDF.select('name,'age,'age+1).show

//'表示将age变为了列对象,先查询再和+1进行计算

//4.过滤age大于等于25的，使用filter方法/where方法过滤

personDF.select("name","age").filter("age>=25").show

personDF.select("name","age").where("age>=25").show

//5.统计年龄大于30的人数

personDF.where("age>30").count()

//6.按年龄进行分组并统计相同年龄的人数

personDF.groupBy("age").count().show

}

}

案例二：WordCount

前面使用RDD封装数据，实现词频统计WordCount功能，从Spark 1.0开始，一直到Spark 2.0，建立在RDD之上的一种新的数据结构DataFrame/Dataset发展而来，更好的实现数据处理分析。DataFrame 数据结构相当于给RDD加上约束Schema，知道数据内部结构（字段名称、字段类型），提供两种方式分析处理数据：DataFrame API（DSL编程）和SQL（类似HiveQL编程），下面以WordCount程序为例编程实现，体验DataFrame使用。

基于DSL编程

使用SparkSession加载文本数据，封装到Dataset/DataFrame中，调用API函数处理分析数据（类似RDD中API函数，如flatMap、map、filter等），编程步骤：

第一步、构建SparkSession实例对象，设置应用名称和运行本地模式；

第二步、读取HDFS上文本文件数据；

第三步、使用DSL（Dataset API），类似RDD API处理分析数据；

第四步、控制台打印结果数据和关闭SparkSession；

基于SQL编程

也可以实现类似HiveQL方式进行词频统计，直接对单词分组group by，再进行count即可，步骤如下：

第一步、构建SparkSession对象，加载文件数据，分割每行数据为单词；

第二步、将DataFrame/Dataset注册为临时视图（Spark 1.x中为临时表）；

第三步、编写SQL语句，使用SparkSession执行获取结果；

第四步、控制台打印结果数据和关闭SparkSession；

具体演示代码如下：

package cn.itcast.sql

import org.apache.spark.SparkContext

import org.apache.spark.rdd.RDD

import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}

/**

* Author itcast

* Desc 使用SparkSQL完成WordCount---SQL风格和DSL风格

*/

object WordCount {

def main(args: Array[String]): Unit = {

//1.准备环境

val spark: SparkSession = SparkSession.builder().appName("WordCount").master("local[*]").getOrCreate()

val sc: SparkContext = spark.sparkContext

sc.setLogLevel("WARN")

import spark.implicits._

//2.加载数据

//val rdd: RDD[String] = sc.textFile("data/input/words.txt")//可以使用该方式,然后使用昨天的知识将rdd转为df/ds

val df: DataFrame = spark.read.text("data/input/words.txt")

val ds: Dataset[String] = spark.read.textFile("data/input/words.txt")

//df.show()//查看分布式表数据

//ds.show()//查看分布式表数据

//3.做WordCount

//切割

//df.flatMap(_.split(" ")) //注意:直接这样写报错!因为df没有泛型,不知道_是String!

//df.flatMap(row=>row.getAs[String]("value").split(" "))

val wordsDS: Dataset[String] = ds.flatMap(_.split(" "))

//wordsDS.show()

//使用SQL风格做WordCount

wordsDS.createOrReplaceTempView("t_words")

val sql:String =

"""

|select value,count(*) as count

|from t_words

|group by value

|order by count desc

|""".stripMargin

spark.sql(sql).show()

//使用DSL风格做WordCount

wordsDS

.groupBy("value")

.count()

.orderBy($"count".desc)

.show()

/*

+-----+-----+

|value|count|

+-----+-----+

|hello|    4|

|  her|    3|

|  you|    2|

|   me|    1|

+-----+-----+

+-----+-----+

|value|count|

+-----+-----+

|hello|    4|

|  her|    3|

|  you|    2|

|   me|    1|

+-----+-----+

*/

}

}

无论使用DSL还是SQL编程方式，底层转换为RDD操作都是一样，性能一致，查看WEB UI监控中Job运行对应的DAG图如下：

从上述的案例可以发现将数据封装到Dataset/DataFrame中，进行处理分析，更加方便简洁，这就是Spark框架中针对结构化数据处理模：Spark SQL模块。

官方文档：

http://spark.apache.org/sql/

spark 大数据

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。