Spark Sql 简明教程

Spark SQL - DataFrames

数据帧是一个分布式数据集合，按指定列排列。从概念上讲，它相当于关系表，带有良好的优化技术。

数据帧可基于不同源的数组构建，如 Hive 表、结构化数据文件、外部数据库或现有的 RDD。此 API 设计用于现代大数据和数据科学应用程序，灵感源自 DataFrame in R Programming 和 Pandas in Python 。

Features of DataFrame

以下是 DataFrame 的一些特征特性集合 −

  1. 在单个节点集群到大集群上处理千兆字节到 PB（拍字节）规模数据的能力。

  2. 支持不同的数据格式（Avro、csv、弹性搜索和 Cassandra）和存储系统（HDFS、HIVE 表、MySQL 等）。

  3. 通过 Spark SQL Catalyst 优化器（树变换框架）进行最先进的优化和代码生成。

  4. 可以通过 Spark Core 轻松与所有大数据工具和框架集成。

  5. 提供 Python、Java、Scala 和 R 编程的 API。

SQLContext

SQLContext 是一个类，用于初始化 Spark SQL 的功能。SparkContext 类对象 (sc) 用于初始化 SQLContext 类对象。

以下命令用于通过 spark-shell 初始化 SparkContext。

$ spark-shell

默认情况下，当 spark-shell 启动时，SparkContext 对象会使用名称 sc 初始化。

使用以下命令创建 SQLContext。

scala> val sqlcontext = new org.apache.spark.sql.SQLContext(sc)

Example

我们来考虑一个名为 employee.json 的 JSON 文件中的员工记录示例。使用以下命令创建 DataFrame (df) 并读取一个名为 employee.json 的 JSON 文档，其内容如下。

employee.json − 将此文件放在当前 scala> 指针所在的目录中。

{
   {"id" : "1201", "name" : "satish", "age" : "25"}
   {"id" : "1202", "name" : "krishna", "age" : "28"}
   {"id" : "1203", "name" : "amith", "age" : "39"}
   {"id" : "1204", "name" : "javed", "age" : "23"}
   {"id" : "1205", "name" : "prudvi", "age" : "23"}
}

DataFrame Operations

DataFrame 提供了专门针对结构化数据处理的领域性语言。此处，我们包括使用 DataFrame 进行结构化数据处理的一些基本示例。

按照以下步骤执行 DataFrame 操作 −

Read the JSON Document

首先，我们必须读取 JSON 文档。基于此，生成名为 (dfs) 的 DataFrame。

使用以下命令读取名为 employee.json 的 JSON 文档。数据以一个包含字段 − id、name 和 age 的表格形式显示。

scala> val dfs = sqlContext.read.json("employee.json")

Output − 字段名称自动从 employee.json 中获取。

dfs: org.apache.spark.sql.DataFrame = [age: string, id: string, name: string]

Show the Data

如果您想要查看 DataFrame 中的数据，请使用以下命令。

scala> dfs.show()

Output − 您可以在表格格式中查看员工数据。

<console>:22, took 0.052610 s
+----+------+--------+
|age | id   |  name  |
+----+------+--------+
| 25 | 1201 | satish |
| 28 | 1202 | krishna|
| 39 | 1203 | amith  |
| 23 | 1204 | javed  |
| 23 | 1205 | prudvi |
+----+------+--------+

Use printSchema Method

如果您想查看 DataFrame 的结构（模式），请使用以下命令。

scala> dfs.printSchema()

Output

root
   |-- age: string (nullable = true)
   |-- id: string (nullable = true)
   |-- name: string (nullable = true)

Use Select Method

使用以下命令从 DataFrame 中三个列中获取 name 列。

scala> dfs.select("name").show()

Output − 您可以看到 name 列的值。

<console>:22, took 0.044023 s
+--------+
|  name  |
+--------+
| satish |
| krishna|
| amith  |
| javed  |
| prudvi |
+--------+

Use Age Filter

使用以下命令查找年龄大于 23 岁（age > 23）的员工。

scala> dfs.filter(dfs("age") > 23).show()

Output

<console>:22, took 0.078670 s
+----+------+--------+
|age | id   | name   |
+----+------+--------+
| 25 | 1201 | satish |
| 28 | 1202 | krishna|
| 39 | 1203 | amith  |
+----+------+--------+

Use groupBy Method

使用以下命令计算同一年龄的员工人数。

scala> dfs.groupBy("age").count().show()

Output − 两名员工的年龄为 23 岁。

<console>:22, took 5.196091 s
+----+-----+
|age |count|
+----+-----+
| 23 |  2  |
| 25 |  1  |
| 28 |  1  |
| 39 |  1  |
+----+-----+

Running SQL Queries Programmatically

SQLContext 允许应用程序在运行 SQL 函数时以编程方式运行 SQL 查询，并将结果返回为 DataFrame。

通常，在后台，SparkSQL 支持两种不同的将现有 RDD 转换为 DataFrame 的方法 −

Sr. No

Methods & Description

1

Inferring the Schema using Reflection 此方法使用反射来生成包含特定类型对象的 RDD 的模式。

2

Programmatically Specifying the Schema 创建 DataFrame 的第二种方法是通过允许您构造模式然后将其应用于现有 RDD 的编程接口。