JAVA SparkSQL初始和建立DataFrame的几种方式

时间 2019-11-10

标签 java sparksql 初始建立 dataframe 几种方式栏目 Java 繁體版

原文原文链接

建议参考SparkSQL官方文档：http://spark.apache.org/docs/latest/sql-programming-guide.htmlhtml

1、前述java

一、SparkSQL介绍mysql

Hive是Shark的前身，Shark是SparkSQL的前身,SparkSQL产生的根本缘由是其彻底脱离了Hive的限制。sql

SparkSQL支持查询原生的RDD。 RDD是Spark平台的核心概念，是Spark可以高效的处理大数据的各类场景的基础。
可以在Scala中写SQL语句。支持简单的SQL语法检查，可以在Scala中写Hive语句访问Hive数据，并将结果取回做为RDD使用。

二、Spark on Hive和Hive on Spark数据库

Spark on Hive： Hive只做为储存角色，Spark负责sql解析优化，执行。apache

Hive on Spark：Hive即做为存储又负责sql的解析优化，Spark负责执行。编程

2、基础概念json

一、DataFrame架构

DataFrame也是一个分布式数据容器。与RDD相似，然而DataFrame更像传统数据库的二维表格，除了数据之外，还掌握数据的结构信息，即schema。同时，与Hive相似，DataFrame也支持嵌套数据类型（struct、array和map）。从API易用性的角度上看， DataFrame API提供的是一套高层的关系操做，比函数式的RDD API要更加友好，门槛更低。分布式

DataFrame的底层封装的是RDD，只不过RDD的泛型是Row类型。

二、SparkSQL的数据源

SparkSQL的数据源能够是JSON类型的字符串，JDBC,Parquent,Hive，HDFS等。

三、SparkSQL底层架构

首先拿到sql后解析一批未被解决的逻辑计划，再通过分析获得分析后的逻辑计划，再通过一批优化规则转换成一批最佳优化的逻辑计划，再通过SparkPlanner的策略转化成一批物理计划，

随后通过消费模型转换成一个个的Spark任务执行。

四、谓词下推（predicate Pushdown）

3、建立DataFrame的几种方式

一、读取json格式的文件建立DataFrame

json文件中的json数据不能嵌套json格式数据。
DataFrame是一个一个Row类型的RDD，df.rdd()/df.javaRdd()。
能够两种方式读取json格式的文件。
df.show()默认显示前20行数据。
DataFrame原生API能够操做DataFrame（不方便）。
注册成临时表时，表中的列默认按ascii顺序显示列。

SparkConf conf = new SparkConf();
conf.setMaster("local").setAppName("jsonfile");
SparkContext sc = new SparkContext(conf);
        
//建立sqlContext
SQLContext sqlContext = new SQLContext(sc);//SprakSQL中是SQLContext对象
        
/**
 * DataFrame的底层是一个一个的RDD  RDD的泛型是Row类型。
 * 如下两种方式均可以读取json格式的文件
 */
 DataFrame df = sqlContext.read().format("json").load("sparksql/json");
// DataFrame df2 = sqlContext.read().json("sparksql/json.txt");
// df2.show();
 /**
  * DataFrame转换成RDD
  */
 RDD<Row> rdd = df.rdd();
/**
 * 显示 DataFrame中的内容，默认显示前20行。若是现实多行要指定多少行show(行数)
 * 注意：当有多个列时，显示的列前后顺序是按列的ascii码前后显示。
 */
// df.show();
/**
 * 树形的形式显示schema信息
 */
 df.printSchema();
        
 /**
  * dataFram自带的API 操做DataFrame（很麻烦）
  */
  //select name from table
 // df.select("name").show();
 //select name age+10 as addage from table
     df.select(df.col("name"),df.col("age").plus(10).alias("addage")).show();
 //select name ,age from table where age>19
     df.select(df.col("name"),df.col("age")).where(df.col("age").gt(19)).show();
 //select count(*) from table group by age
 df.groupBy(df.col("age")).count().show();
        
 /**
   * 将DataFrame注册成临时的一张表，这张表临时注册到内存中，是逻辑上的表，不会雾化到磁盘
  */
 df.registerTempTable("jtable");
        
 DataFrame sql = sqlContext.sql("select age,count(1) from jtable group by age");
 DataFrame sql2 = sqlContext.sql("select * from jtable");
        
 sc.stop();

二、经过json格式的RDD建立DataFrame

java代码：

SparkConf conf = new SparkConf();
conf.setMaster("local").setAppName("jsonRDD");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
JavaRDD<String> nameRDD = sc.parallelize(Arrays.asList(
    "{\"name\":\"zhangsan\",\"age\":\"18\"}",
    "{\"name\":\"lisi\",\"age\":\"19\"}",
    "{\"name\":\"wangwu\",\"age\":\"20\"}"
));
JavaRDD<String> scoreRDD = sc.parallelize(Arrays.asList(
"{\"name\":\"zhangsan\",\"score\":\"100\"}",
"{\"name\":\"lisi\",\"score\":\"200\"}",
"{\"name\":\"wangwu\",\"score\":\"300\"}"
));

DataFrame namedf = sqlContext.read().json(nameRDD);
DataFrame scoredf = sqlContext.read().json(scoreRDD);
namedf.registerTempTable("name");
scoredf.registerTempTable("score");

DataFrame result = sqlContext.sql("select name.name,name.age,score.score from name,score where name.name = score.name");
result.show();

sc.stop();

三、非json格式的RDD建立DataFrame（重要）

1) 经过反射的方式将非json格式的RDD转换成DataFrame（不建议使用）

自定义类要可序列化
自定义类的访问级别是Public
RDD转成DataFrame后会根据映射将字段按Assci码排序
将DataFrame转换成RDD时获取字段两种方式,一种是df.getInt(0)下标获取（不推荐使用），另外一种是df.getAs(“列名”)获取（推荐使用）
关于序列化问题:

1.反序列化时serializable 版本号不一致时会致使不能反序列化。
              2.子类中实现了serializable接口，父类中没有实现，父类中的变量不能被序列化,序列化后父类中的变量会获得null。
              注意：父类实现serializable接口,子类没有实现serializable接口时，子类能够正常序列化
              3.被关键字transient修饰的变量不能被序列化。
              4.静态变量不能被序列化，属于类，不属于方法和对象，因此不能被序列化。
             另外：一个文件屡次writeObject时，若是有相同的对象已经写入文件，那么下次再写入时，只保存第二次写入的引用，读取时，都是第一次保存的对象。

java代码：

/**
* 注意：
* 1.自定义类必须是可序列化的
* 2.自定义类访问级别必须是Public
* 3.RDD转成DataFrame会把自定义类中字段的名称按assci码排序
*/
SparkConf conf = new SparkConf();
conf.setMaster("local").setAppName("RDD");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
JavaRDD<String> lineRDD = sc.textFile("sparksql/person.txt");
JavaRDD<Person> personRDD = lineRDD.map(new Function<String, Person>() {

    /**
    * 
    */
    private static final long serialVersionUID = 1L;

    @Override
    public Person call(String s) throws Exception {
          Person p = new Person();
          p.setId(s.split(",")[0]);
          p.setName(s.split(",")[1]);
          p.setAge(Integer.valueOf(s.split(",")[2]));
          return p;
    }
});
/**
* 传入进去Person.class的时候，sqlContext是经过反射的方式建立DataFrame
* 在底层经过反射的方式得到Person的全部field，结合RDD自己，就生成了DataFrame
*/
DataFrame df = sqlContext.createDataFrame(personRDD, Person.class);
df.show();
df.registerTempTable("person");
sqlContext.sql("select  name from person where id = 2").show();

/**
* 将DataFrame转成JavaRDD
* 注意：
* 1.可使用row.getInt(0),row.getString(1)...经过下标获取返回Row类型的数据，可是要注意列顺序问题---不经常使用
* 2.可使用row.getAs("列名")来获取对应的列值。
* 
*/
JavaRDD<Row> javaRDD = df.javaRDD();
JavaRDD<Person> map = javaRDD.map(new Function<Row, Person>() {

    /**
    * 
    */
    private static final long serialVersionUID = 1L;

    @Override
    public Person call(Row row) throws Exception {
            Person p = new Person();
            //p.setId(row.getString(1));
            //p.setName(row.getString(2));
            //p.setAge(row.getInt(0));

            p.setId((String)row.getAs("id"));
            p.setName((String)row.getAs("name"));
            p.setAge((Integer)row.getAs("age"));
            return p;
    }
});
map.foreach(new VoidFunction<Person>() {
    
    /**
    * 
    */
    private static final long serialVersionUID = 1L;

    @Override
    public void call(Person t) throws Exception {
          System.out.println(t);
    }
});

sc.stop();

2) 动态建立Schema将非json格式的RDD转换成DataFrame（建议使用）

SparkConf conf = new SparkConf();
conf.setMaster("local").setAppName("rddStruct");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
JavaRDD<String> lineRDD = sc.textFile("./sparksql/person.txt");
/**
 * 转换成Row类型的RDD
 */
JavaRDD<Row> rowRDD = lineRDD.map(new Function<String, Row>() {

    /**
     * 
     */
    private static final long serialVersionUID = 1L;

    @Override
    public Row call(String s) throws Exception {
          return RowFactory.create(//这里字段顺序必定要和下边 StructField对应起来
                String.valueOf(s.split(",")[0]),
                String.valueOf(s.split(",")[1]),
                Integer.valueOf(s.split(",")[2])
    );
    }
});
/**
 * 动态构建DataFrame中的元数据，通常来讲这里的字段能够来源自字符串，也能够来源于外部数据库
 */
List<StructField> asList =Arrays.asList(//这里字段顺序必定要和上边对应起来
    DataTypes.createStructField("id", DataTypes.StringType, true),
    DataTypes.createStructField("name", DataTypes.StringType, true),
    DataTypes.createStructField("age", DataTypes.IntegerType, true)
);

StructType schema = DataTypes.createStructType(asList);
DataFrame df = sqlContext.createDataFrame(rowRDD, schema);

df.show();


    JavaRDD<Row> javaRDD = df.javaRDD();
        javaRDD.foreach(new VoidFunction<Row>() {

            /**
             *
             */
            private static final long serialVersionUID = 1L;

            @Override
            public void call(Row row) throws Exception {//Row类型的RDD
                System.out.println(row.getString(0));
            }
        })

sc.stop();

四、读取parquet文件建立DataFrame

注意：

能够将DataFrame存储成parquet文件。保存成parquet文件的方式有两种

df.write().mode(SaveMode.Overwrite).format("parquet").save("./sparksql/parquet");
df.write().mode(SaveMode.Overwrite).parquet("./sparksql/parquet");

SaveMode指定文件保存时的模式。

Overwrite：覆盖

Append：追加

ErrorIfExists：若是存在就报错

Ignore：若是存在就忽略

java代码：

SparkConf conf = new SparkConf();
conf.setMaster("local").setAppName("parquet");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
JavaRDD<String> jsonRDD = sc.textFile("sparksql/json");
DataFrame df = sqlContext.read().json(jsonRDD);
/**
 * 将DataFrame保存成parquet文件，SaveMode指定存储文件时的保存模式
 * 保存成parquet文件有如下两种方式：
 */
df.write().mode(SaveMode.Overwrite).format("parquet").save("./sparksql/parquet");
df.write().mode(SaveMode.Overwrite).parquet("./sparksql/parquet");
df.show();
/**
 * 加载parquet文件成DataFrame    
 * 加载parquet文件有如下两种方式：    
 */

DataFrame load = sqlContext.read().format("parquet").load("./sparksql/parquet");
load = sqlContext.read().parquet("./sparksql/parquet");
load.show();

sc.stop()

五、读取JDBC中的数据建立DataFrame(MySql为例)

两种方式建立DataFrame

java代码：

SparkConf conf = new SparkConf();
conf.setMaster("local").setAppName("mysql");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
/**
 * 第一种方式读取MySql数据库表，加载为DataFrame
 */
Map<String, String> options = new HashMap<String,String>();
options.put("url", "jdbc:mysql://192.168.179.4:3306/spark");
options.put("driver", "com.mysql.jdbc.Driver");
options.put("user", "root");
options.put("password", "123456");
options.put("dbtable", "person");
DataFrame person = sqlContext.read().format("jdbc").options(options).load();
person.show();
person.registerTempTable("person");
/**
 * 第二种方式读取MySql数据表加载为DataFrame
 */
DataFrameReader reader = sqlContext.read().format("jdbc");
reader.option("url", "jdbc:mysql://192.168.179.4:3306/spark");
reader.option("driver", "com.mysql.jdbc.Driver");
reader.option("user", "root");
reader.option("password", "123456");
reader.option("dbtable", "score");
DataFrame score = reader.load();
score.show();
score.registerTempTable("score");

DataFrame result = 
sqlContext.sql("select person.id,person.name,score.score from person,score where person.name = score.name");
result.show();
/**
 * 将DataFrame结果保存到Mysql中
 */
Properties properties = new Properties();
properties.setProperty("user", "root");
properties.setProperty("password", "123456");
result.write().mode(SaveMode.Overwrite).jdbc("jdbc:mysql://192.168.179.4:3306/spark", "result", properties);

sc.stop();

感谢博主整理分享： http://www.javashuo.com/article/p-zqreulic-p.html

博主大数据相关专栏和博客，能够多学习： https://www.cnblogs.com/LHWorldBlog/category/1132119.html

Java Spark RDD编程:常见操做、持久化

http://www.javashuo.com/article/p-obnhjwqq-gy.html

常见的action操做

一、count
count：对dataset中的记录数进行统计个数的操做

二、first
first：获取数据集中的第一条数据

三、reduce
reduce：对数据集中的全部数据进行归约的操做，多条变成一条

四、show
show，默认将dataset数据打印前20条

五、take
take，从数据集中获取指定条数

六、collect
collect：将分布式存储在集群上的分布式数据集（好比dataset），中的全部数据都获取到driver端来

七、foreach
foreach：遍历数据集中的每一条数据，对数据进行操做，这个跟collect不一样，collect是将数据获取到driver端进行操做
foreach是将计算操做推到集群上去分布式执行
foreach(println(_))这种，真正在集群中执行的时候，是没用的，由于输出的结果是在分布式的集群中的，咱们是看不到的

-----------------------------------------------------------------------------------

spark sql 2.0 基本操做，读取数据，dataset 的查询聚合操做，以及注册成表：

http://www.javashuo.com/article/p-datlnmwu-eh.html

//===========================================1 spark SQL===================  
        //数据导入方式  
        Dataset<Row> df = spark.read().json("..\\sparkTestData\\people.json");  
        //查看表  
        df.show();  
        //查看表结构  
        df.printSchema();  
        //查看某一列 相似于MySQL： select name from people  
        df.select("name").show();  
        //查看多列并做计算 相似于MySQL: select name ,age+1 from people  
        df.select(col("name"), col("age").plus(1)).show();  
        //设置过滤条件 相似于MySQL:select * from people where age>21  
        df.filter(col("age").gt(21)).show();  
        //作聚合操做 相似于MySQL:select age,count(*) from people group by age  
        df.groupBy("age").count().show();  
        //上述多个条件进行组合 select ta.age,count(*) from (select name,age+1 as "age" from people) as ta where ta.age>21 group by ta.age  
        df.select(col("name"), col("age").plus(1).alias("age")).filter(col("age").gt(21)).groupBy("age").count().show();  
  
        //直接使用spark SQL进行查询  
        //先注册为临时表  
        df.createOrReplaceTempView("people");  
        Dataset<Row> sqlDF = spark.sql("SELECT * FROM people");  
        sqlDF.show();