[大数据]大数据之SparkSQL 核心编程 完整使用 (第九章)

一、SparkSQL核心编程

Spark SQL 所提供的 DataFrame 和 DataSet 模型进行编程.，
以及了解它们之间的关系和转换·关于具体的 SQL 书写不是我们的重点。

1、新的起点

Spark Core 中，如果想要执行应用程序，需要首先构建上下文环境对象 SparkContext，
Spark SQL 其实可以理解为对 Spark Core 的一种封装，不仅仅在模型上进行了封装，上下文
环境对象也进行了封装。

在老的版本中，SparkSQL 提供两种 SQL 查询起始点：一个叫 SQLContext，用于 Spark
自己提供的 SQL 查询；一个叫 HiveContext，用于连接 Hive 的查询。

SparkSession 是 Spark 最新的 SQL 查询起始点，实质上是 SQLContext 和 HiveContext
的组合，所以在 SQLContex 和 HiveContext 上可用的 API 在 SparkSession 上同样是可以使用
的。SparkSession 内部封装了 SparkContext，所以计算实际上是由 sparkContext 完成的。当
我们使用 spark-shell 的时候, spark 框架会自动的创建一个名称叫做 spark 的 SparkSession 对 象, 就像我们以前可以自动获取到一个 sc 来表示 SparkContext 对象一样

2、DataFrame

Spark SQL 的 DataFrame API 允许我们使用 DataFrame 而不用必须去注册临时表或者
生成 SQL 表达式。DataFrame API 既有 transformation 操作也有 action 操作。

3、创建 DataFrame

1) 从 Spark 数据源进行创建

? 查看 Spark 支持创建文件的数据源格式

scala> spark.read.

csv format jdbc json load option options orc parquet schema 
table text textFile

? 在 spark 的 bin/data 目录中创建 user.json 文件

{"username":"zhangsan","age":20}

? 读取 json 文件创建 DataFrame

scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， username: string]

注意：如果从内存中获取数据，spark 可以知道数据类型具体是什么。如果是数字，默认作
为 Int 处理；但是从文件中读取的数字，不能确定是什么类型，所以用 bigint 接收，可以和
Long 类型转换，但是和 Int 不能进行转换

2) 从 RDD 进行转换

在后续章节中讨论

3) 从 Hive Table 进行查询返回

在后续章节中讨论

4、SQL语法

SQL 语法风格是指我们查询数据的时候使用 SQL 语句来查询，这种风格的查询必须要
有临时视图或者全局视图来辅助

1) 读取 JSON 文件创建 DataFrame

scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， username: string]

2) 对 DataFrame 创建一个临时表

scala> df.createOrReplaceTempView("people")

3) 通过 SQL 语句实现查询全表

scala> val sqlDF = spark.sql("SELECT * FROM people")
sqlDF: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

4) 结果展示

scala> sqlDF.show
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|
+---+--------+

注意：普通临时表是 Session 范围内的，如果想应用范围内有效，可以使用全局临时表。使 用全局临时表时需要全路径访问，如：global_temp.people

5) 对于 DataFrame 创建一个全局表

scala> df.createGlobalTempView("people")

6) 通过 SQL 语句实现查询全表

scala> spark.sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|
+---+--------+
scala> spark.newSession().sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|
+---+--------+

5、DSL 语法

DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。
可以在 Scala, Java, Python 和 R 中使用 DSL，使用 DSL 语法风格不必去创建临时视图了

1) 创建一个 DataFrame

scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

2) 查看 DataFrame 的 Schema 信息

scala> df.printSchema
root
|-- age: Long (nullable = true)
|-- username: string (nullable = true)

3) 只查看"username"列数据，

scala> df.select("username").show()
+--------+
|username|
+--------+
|zhangsan|
| lisi|
| wangwu|
+--------+

4) 查看"username"列数据以及"age+1"数据

注意:涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式：单引号+字段名

scala> df.select($"username",$"age" + 1).show
scala> df.select('username, 'age + 1).show()

scala> df.select('username, 'age + 1 as "newage").show()
+--------+---------+
|username|(age + 1)|
+--------+---------+
|zhangsan| 21|
| lisi| 31|
| wangwu| 41|
+--------+---------+

5) 查看"age"大于"30"的数据

scala> df.filter($"age">30).show
+---+---------+
|age| username|
+---+---------+
| 40| wangwu|
+---+---------+

6) 按照"age"分组，查看数据条数

scala> df.groupBy("age").count.show
+---+-----+
|age|count|
+---+-----+
| 20| 1|
| 30| 1|
| 40| 1|
+---+-----+ 2.2.4 RDD 转换

6、RDD 转换为 DataFrame

在 IDEA 中开发程序时，如果需要 RDD 与 DF 或者 DS 之间互相操作，那么需要引入
import spark.implicits._

这里的 spark 不是 Scala 中的包名，而是创建的 sparkSession 对象的变量名称，所以必
须先创建 SparkSession 对象再导入。这里的 spark 对象不能使用 var 声明，因为 Scala 只支持
val 修饰的对象的引入。
spark-shell 中无需导入，自动完成此操作。

scala> val rdd = sc.makeRDD(List(1,2,3,4))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[38] at makeRDD at <console>:24

实际开发中，一般通过样例类将 RDD 转换为 DataFrame

scala> val df =rdd.toDF("id")
df: org.apache.spark.sql.DataFrame = [id: int]

scala> df.show
+---+
| id|
+---+
|  1|
|  2|
|  3|
|  4|
+---+

实际开发中，一般通过样例类将 DataFrame 转换为 RDD

scala> df.rdd
res25: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[49] at rdd at <console>:26

7、创建 DataSet

1）使用样例类序列创建DataSet

scala> case class Person(name:String,age:Long)
defined class Person

scala> val list = List(Person("zhangsan",30),Person("gsan",20))
list: List[Person] = List(Person(zhangsan,30), Person(gsan,20))

scala> val ds = list.toDS
ds: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]


scala> ds.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 30|
|    gsan| 20|
+--------+---+

缺类型

scala> case class Emp(name:String,age:Long)
defined class Emp

scala> val d = ds.as[Emp]
d: org.apache.spark.sql.Dataset[Emp] = [name: string, age: bigint]

scala> d.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 30|
|    gsan| 20|
+--------+---+

带数据结构变成DataFrame
只要需要把类型去掉、保存结构

scala> d.toDF
res39: org.apache.spark.sql.DataFrame = [name: string, age: bigint]

2、DataSet和Rdd的转换

scala> val rdd = sc.makeRDD(List(Emp("zhnagsan",20),Emp("lisi",40)))
rdd: org.apache.spark.rdd.RDD[Emp] = ParallelCollectionRDD[59] at makeRDD at <console>:26

RDD转换DataSet

scala> val ds  = rdd.toDS
ds: org.apache.spark.sql.Dataset[Emp] = [name: string, age: bigint]

DataSet转换RDD

scala> ds.rdd
res49: org.apache.spark.rdd.RDD[Emp] = MapPartitionsRDD[62] at rdd at <console>:26

8、RDD、DataFrame、DataSet 三者的关系

在SparkSQL中Spark提供了两个抽象、分别是DataFrame和DataSet,他们和RDD有什么区别

Spark1.0 =>RDD
Spark1.3 =>DataFrame
Spark1.6 =>Dataset

如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不
同是的他们的执行效率和执行方式。在后期的 Spark 版本中，DataSet 有可能会逐步取代 RDD
和 DataFrame 成为唯一的 API 接口。

1、三者的共性

? RDD、DataFrame、DataSet 全都是 spark 平台下的分布式弹性数据集，为处理超大型数
据提供便利;

? 三者都有惰性机制，在进行创建、转换，如 map 方法时，不会立即执行，只有在遇到
Action 如 foreach 时，三者才会开始遍历运算; ? 三者有许多共同的函数，如 filter，排序等;

? 在对 DataFrame 和 Dataset 进行操作许多操作都需要这个包:import spark.implicits._（在
创建好 SparkSession 对象后尽量直接导入）

? 三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会
内存溢出

? 三者都有 partition 的概念

? DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型

2、三者的区别

1) RDD

? RDD 一般和 spark mllib 同时使用

? RDD 不支持 sparksql 操作

2) DataFrame

? 与 RDD 和 Dataset 不同，DataFrame 每一行的类型固定为 Row，每一列的值没法直
接访问，只有通过解析才能获取各个字段的值

? DataFrame 与 DataSet 一般不与 spark mllib 同时使用

? DataFrame 与 DataSet 均支持 SparkSQL 的操作，比如 select，groupby 之类，还能
注册临时表/视窗，进行 sql 语句操作

? DataFrame 与 DataSet 支持一些特别方便的保存方式，比如保存成 csv，可以带上表
头，这样每一列的字段名一目了然(后面专门讲解)

3. DataSet

? Dataset 和 DataFrame 拥有完全相同的成员函数，区别只是每一行的数据类型不同。
DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row]

? DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row，不解析，每一行究竟有哪
些字段，各个字段又是什么类型都无从得知，只能用上面提到的 getAS 方法或者共
性中的第七条提到的模式匹配拿出特定字段。而 Dataset 中，每一行是什么类型是
不一定的，在自定义了 case class 之后可以很自由的获得每一行的信息

9、三者的互相转换

10、IDEA 开发 SparkSQL

1、添加依赖

<dependency>
 <groupId>org.apache.spark</groupId>
 <artifactId>spark-sql_2.12</artifactId>
 <version>3.0.0</version>
</dependency>

2、代码实现

相互转换

package com.spack.bigdata.sql

import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}

object Spark01_SparkSQL_Basic {

  def main(args: Array[String]): Unit = {
    //1、创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    import spark.implicits._
    //执行逻辑操作


    //DataFrame

    //val df: DataFrame = spark.read.json("datas/user.json")
    //df.show()


    //DataFrame <=> (SQL)
    //println(".........DataFrame <=> (SQL)..............")
    //df.createOrReplaceTempView("user")
    //spark.sql("select * from user").show()


    //DataFrame <=> (DSL)
    //在使用DataFrame时、如果涉及到转换操作、需要引入转换规则
    // import spark.implicits._
    //println(".........DataFrame <=> (DSL)..............")
    //df.select("username", "age").show()
    //df.select($"age" + 1).show()
    //df.select('age + 1).show()


    // TODO DataSet
    //DataFrame 其实就是特定泛型的DataSet
    //println(".........TODO DataSet..............")
    //val seq = Seq(1, 2, 3, 4)
    //val ds: Dataset[Int] = seq.toDS()
    //ds.show()

    //RDD <=> DataFrame
    val rdd = spark.sparkContext.makeRDD(List((1, "zhangsan", 30), (2, "wangwu", 20), (3, "lisi", 10)))
    val df: DataFrame = rdd.toDF("id", "name", "age")

    //TODO DataFrame <=> RDD
    val rowRDD: RDD[Row] = df.rdd

    // DataFrame <=> DataSet
    val ds: Dataset[User] = df.as[User]
    ds.show()

    //如果 想从DataSet 转换 DataFrame
    val df1: DataFrame = ds.toDF()

    //RDD <=> DataSet
    val ds1: Dataset[User] = rdd.map {
      case (id, name, age) => {
        User(id, name, age)
      }
    }.toDS()
    ds1.show()

    //DataSet  <=> RDD
    val userRDD: RDD[User] = ds1.rdd

    //关闭环境
    spark.close()
  }

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

}

二、用户自定义函数

用户可以通过 spark.udf 功能添加自定义函数，实现自定义功能

1、UDF

1) 创建 DataFrame

package com.spack.bigdata.sql

import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}

/**
 * UDF函数
 * Spark02_SparkSQL_UDF
 */
object Spark02_SparkSQL_UDF {

  def main(args: Array[String]): Unit = {
    //1、创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    import spark.implicits._
    //执行逻辑操作

    val df = spark.read.json("datas/user.json")

    //创建临时表
    df.createOrReplaceTempView("user")

    //自定义UDF函数
    spark.udf.register("prefixName", (name: String) => {
      "Name：" + name
    })

    //应用 UDF
    spark.sql("select age,prefixName(username) from user").show()

    //关闭环境
    spark.close()
  }

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

}

2、UDAF

UserDefinedAggregateFunction

package com.spack.bigdata.sql

import org.apache.spark.SparkConf
import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types.{DataType, LongType, StructField, StructType}

/**
 * UDAF函数
 * Spark03_SparkSQL_UDAF
 */
object Spark03_SparkSQL_UDAF {

  def main(args: Array[String]): Unit = {
    //1、创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    //执行逻辑操作

    val df = spark.read.json("datas/user.json")

    //创建临时表
    df.createOrReplaceTempView("user")

    //自定义UDF函数
    spark.udf.register("ageAvg", new MyAvgUDAF)

    //应用 UDF
    spark.sql("select ageAvg(age) from user").show()

    //关闭环境
    spark.close()
  }

  /**
   * 自定义聚合类：计算年龄的平均值
   * 1、继承UserDefinedAggregateFunction
   * 2、重写方法
   */
  class MyAvgUDAF extends UserDefinedAggregateFunction {

    //输入数据的结构
    override def inputSchema: StructType = {
      StructType(
        Array(
          StructField("age", LongType)
        )
      )
    }

    //缓冲区数据的结构 :Buffer
    override def bufferSchema: StructType = {
      StructType(
        Array(
          StructField("total", LongType),
          StructField("count", LongType)
        )
      )
    }

    //函数计算结果的数据类型：Out
    override def dataType: DataType = LongType

    //函数的稳定性
    override def deterministic: Boolean = true

    //缓冲区初始化
    override def initialize(buffer: MutableAggregationBuffer): Unit = {
      //      buffer(0) = 0L
      //      buffer(1) = 0L

      buffer.update(0, 0L) //代表结构里面第一个数据
      buffer.update(1, 0L)
    }

    //根据输入的值更新缓冲区数据
    override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
      buffer.update(0, buffer.getLong(0) + input.getLong(0)) //年龄的总和
      buffer.update(1, buffer.getLong(1) + 1) //代表数量
    }

    //缓冲区合并
    override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
      buffer1.update(0, buffer1.getLong(0) + buffer2.getLong(0))
      buffer1.update(1, buffer1.getLong(1) + buffer2.getLong(1))
    }

    //计算平均值
    override def evaluate(buffer: Row): Any = {
      buffer.getLong(0) / buffer.getLong(1)
    }
  }

}

3、 UDAF函数自定义函数升级

package com.spack.bigdata.sql

import com.spack.bigdata.sql.Spark03_SparkSQL_UDAF3.{Buff, MyAvgAgeUDAF}
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql._

/**
 * UDAF函数
 * 自定义函数升级
 * 171
 */
object Spark03_SparkSQL_UDAF1 {

  def main(args: Array[String]): Unit = {
    //1、创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    //执行逻辑操作

    val df = spark.read.json("datas/user.json")
    df.createOrReplaceTempView("user")


    // TODO 注册到 SparkSQL 中    // TODO 创建 UDAF 函数
    spark.udf.register("avgAge", functions.udaf(new MyAvgAgeUDAF))
    // TODO 在 SQL 中使用聚合函数
    // 定义用户的自定义聚合函数
    spark.sql("select avgAge(age) from user").show

    //关闭环境
    spark.close()
  }

  /**
   * 自定义聚合类：计算年龄的平均值
   * 1、继承Aggregator 定义泛型
   * IN: 输入的数据类型Long
   * BUF: 缓冲区的数据类型 Buff
   * OUT: 输出的数据类型Long
   *
   * 2、重写方法
   */
  case class Buff(var total: Long, var count: Long)

  //TODO 强类型
  class MyAvgAgeUDAF extends Aggregator[Long, Buff, Long] {

    //z &zero :初始化或零值
    //缓冲区的初始化
    override def zero: Buff = {
      Buff(0, 0)
    }

    //根据输入的数据更新缓冲区的数据
    override def reduce(buff: Buff, in: Long): Buff = {
      buff.total = buff.total + in
      buff.count = buff.count + 1
      buff
    }


    //合并缓冲区
    override def merge(buff1: Buff, buff2: Buff): Buff = {
      buff1.total = buff1.total + buff2.total
      buff1.count = buff1.count + buff2.count
      buff1
    }

    //计算结果
    override def finish(buff: Buff): Long = {
      buff.total / buff.count
    }

    override def bufferEncoder: Encoder[Buff] = Encoders.product

    override def outputEncoder: Encoder[Long] = Encoders.scalaLong
  }

}

3、UDAF函数早期强类型函数实现

package com.spack.bigdata.sql

import com.spack.bigdata.sql.Spark03_SparkSQL_UDAF1.Buff
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{Dataset, Encoder, Encoders, SparkSession, TypedColumn}

/**
 * UDAF函数
 * 早期强类型函数实现
 * 172
 */
object Spark03_SparkSQL_UDAF2 {

  def main(args: Array[String]): Unit = {
    //1、创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    //执行逻辑操作

    val df = spark.read.json("datas/user.json")

    //早期版本种，Spark不能在SQL中使用强类型UDAF操作
    // SQL & DSL
    //早期的UDAF 强类型聚合函数使用DSL语法操作
    import spark.implicits._
    val ds: Dataset[User] = df.as[User]

    val udafCol: TypedColumn[User, Long] = new MyAvgAgeUDAF().toColumn

    ds.select(udafCol).show
    //关闭环境
    spark.close()
  }

  /**
   * 自定义聚合类：计算年龄的平均值
   * 1、继承Aggregator 定义泛型
   * IN: 输入的数据类型User
   * BUF: 缓冲区的数据类型 Buff
   * OUT: 输出的数据类型Long
   *
   * 2、重写方法
   */
  case class User(username: String, age: Long)

  case class Buff(var total: Long, var count: Long)

  //TODO 强类型
  class MyAvgAgeUDAF extends Aggregator[User, Buff, Long] {

    //z &zero :初始化或零值
    //缓冲区的初始化
    override def zero: Buff = {
      Buff(0, 0)
    }

    //根据输入的数据更新缓冲区的数据
    override def reduce(buff: Buff, in: User): Buff = {
      buff.total = buff.total + in.age
      buff.count = buff.count + 1
      buff
    }


    //合并缓冲区
    override def merge(buff1: Buff, buff2: Buff): Buff = {
      buff1.total = buff1.total + buff2.total
      buff1.count = buff1.count + buff2.count
      buff1
    }

    //计算结果
    override def finish(buff: Buff): Long = {
      buff.total / buff.count
    }

    override def bufferEncoder: Encoder[Buff] = Encoders.product

    override def outputEncoder: Encoder[Long] = Encoders.scalaLong
  }

}

三、数据的加载和保存

1、通用的加载和保存方式

SparkSQL 提供了通用的保存数据和数据加载的方式。这里的通用指的是使用相同的
API，根据不同的参数读取和保存不同格式的数据，SparkSQL 默认读取和保存的文件格式
为 parquet

1) 加载数据

spark.read.load 是加载数据的通用方法

scala> spark.read.
csv format jdbc json load option options orc parquet schema 
table text textFile

如果读取不同格式的数据，可以对不同的数据格式进行设定

scala> spark.read.format("…")[.option("…")].load("…")

? format("…")：指定加载的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和
"textFile"。 

? load("…")：在"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"格式下需要传入加载
数据的路径。

? option("…")：在"jdbc"格式下需要传入 JDBC 相应参数，url、user、password 和 dbtable
我们前面都是使用 read API 先把文件加载到 DataFrame 然后再查询，其实，我们也可以直
接在文件上进行查询: 文件格式.`文件路径`

scala>spark.sql("select * from json.`/opt/module/data/user.json`").show

2) 保存数据

df.write.save 是保存数据的通用方法

scala>df.write.
csv jdbc json orc parquet textFile… …

scala>df.write.format("…")[.option("…")].save("…")

? format("…")：指定保存的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和
"textFile"。 

? save ("…")：在"csv"、"orc"、"parquet"和"textFile"格式下需要传入保存数据的路径。

? option("…")：在"jdbc"格式下需要传入 JDBC 相应参数，url、user、password 和 dbtable
保存操作可以使用 SaveMode, 用来指明如何处理数据，使用 mode()方法来设置。
有一点很重要: 这些 SaveMode 都是没有加锁的, 也不是原子操作。

SaveMode 是一个枚举类，其中的常量包括：

df.write.mode("append").json("/opt/module/data/output")

2、Parquet

Spark SQL 的默认数据源为 Parquet 格式。Parquet 是一种能够有效存储嵌套数据的列式 存储格式。

数据源为 Parquet 文件时，Spark SQL 可以方便的执行所有的操作，不需要使用 format。修改配置项 spark.sql.sources.default，可修改默认数据源格式。

1) 加载数据

scala> val df = spark.read.load("examples/src/main/resources/users.parquet")
scala> df.show

2) 保存数据

scala> var df = spark.read.json("/opt/module/data/input/people.json")
//保存为 parquet 格式
scala> df.write.mode("append").save("/opt/module/data/output")

3、JSON

Spark SQL 能够自动推测 JSON 数据集的结构，并将它加载为一个 Dataset[Row]. 可以
通过 SparkSession.read.json()去加载 JSON 文件

·注意：Spark 读取的 JSON 文件不是传统的 JSON 文件，每一行都应该是一个 JSON 串。格 式如下·

{"name":"Michael"}
{"name":"Andy"， "age":30}
[{"name":"Justin"， "age":19},{"name":"Justin"， "age":19}]

1）导入隐式转换

import spark.implicits._

2）加载 JSON 文件

val path = "/opt/module/spark-local/people.json"
val peopleDF = spark.read.json(path)

3）创建临时表

peopleDF.createOrReplaceTempView("people")

4）数据查询

val teenagerNamesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13 
AND 19")
teenagerNamesDF.show()
+------+
| name|
+------+
|Justin|
+------+

4、CSV

Spark SQL 可以配置 CSV 文件的列表信息，读取 CSV 文件,CSV 文件的第一行设置为
数据列

scala> val df = spark.read.format("csv").option("sep",";").option("inferSchema","true").option("header","true").load("pe
ople.csv")
df: org.apache.spark.sql.DataFrame = [name: string, age: int ... 1 more field]

scala> df.show
+-----+---+---------+
| name|age|      job|
+-----+---+---------+
|Jorge| 30|Developer|
|  Bob| 32|Developer|
+-----+---+---------+


scala>

5、mysql

Spark SQL 可以通过 JDBC 从关系型数据库中读取数据的方式创建 DataFrame，通过对
DataFrame 一系列的计算后，还可以将数据再写回关系型数据库中。如果使用 spark-shell 操
作，可在启动 shell 时指定相关的数据库驱动路径或者将相关的数据库驱动放到 spark 的类
路径下

1、POM

       <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.27</version>
        </dependency>

2、查询代码

object Spark04_SparkSQL_JDBC {

  def main(args: Array[String]): Unit = {
    //1、创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    //执行逻辑操作

    val df = spark.read
      .format("jdbc")
      .option("url", HttpUtils.url1)
      .option("driver", "com.mysql.jdbc.Driver")
      .option("user", "root")
      .option("password", HttpUtils.pawd)
      .option("dbtable", "api_order")
      .load()

    df.show
      }
    
    }

3、保存代码

   //保存数据
   object Spark04_SparkSQL_JDBC {

  def main(args: Array[String]): Unit = {
    //1、创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    //执行逻辑操作
    df.write
      .format("jdbc")
      .option("url", HttpUtils.url1)
      .option("driver", "com.mysql.jdbc.Driver")
      .option("user", "root")
      .option("password", HttpUtils.pawd)
      .option("dbtable", "api_order1") //类似创建个新表

      //保存模式涉及出错的问题
      .mode(SaveMode.Append)
      .save()
      	}
      
      }

6、Hive

Apache Hive 是 Hadoop 上的 SQL 引擎，Spark SQL 编译时可以包含 Hive 支持，也可以不包含。包含 Hive 支持的 Spark SQL 可以支持 Hive 表访问、UDF (用户自定义函数)以及 Hive 查询语言(HiveQL/HQL)等。需要强调的一点是，如果要在 Spark SQL 中包含Hive 的库，并不需要事先安装 Hive。一般来说，最好还是在编译 Spark SQL 时引入 Hive支持，这样就可以使用这些特性了。如果你下载的是二进制版本的 Spark，它应该已经在编译时添加了 Hive 支持。

若要把 Spark SQL 连接到一个部署好的 Hive 上，你必须把 hive-site.xml 复制到
Spark 的配置文件目录中($SPARK_HOME/conf)。即使没有部署好 Hive，Spark SQL 也可以
运行。 需要注意的是，如果你没有部署好 Hive，Spark SQL 会在当前的工作目录中创建出
自己的 Hive 元数据仓库，叫作 metastore_db。此外，如果你尝试使用 HiveQL 中的
CREATE TABLE (并非 CREATE EXTERNAL TABLE)语句来创建表，这些表会被放在你默
认的文件系统中的 /user/hive/warehouse 目录中(如果你的 classpath 中有配好的
hdfs-site.xml，默认的文件系统就是 HDFS，否则就是本地文件系统)。

spark-shell 默认是 Hive 支持的；代码中是默认不支持的，需要手动指定（加一个参数即可）。

1）内嵌的 HIVE

如果使用 Spark 内嵌的 Hive, 则什么都不用做, 直接使用即可.
Hive 的元数据存储在 derby 中, 默认仓库地址:$SPARK_HOME/spark-warehouse

scala> spark.sql("show tables").show
。。。
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+ +--------+---------+-----------+
scala> spark.sql("create table aa(id int)")
。。。
scala> spark.sql("show tables").show
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
| default| aa| false|
+--------+---------+-----------+

向表加载本地数据

scala> spark.sql("load data local inpath 'input/ids.txt' into table aa")
。。。
scala> spark.sql("select * from aa").show
+---+
| id|
+---+
| 1|
| 2|
| 3|
| 4|
+---+

**在实际使用中, 几乎没有任何人会使用内置的 Hive**

2）外部的 HIVE

如果想连接外部已经部署好的 Hive，需要通过以下几个步骤：

? Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下

? 把 Mysql 的驱动 copy 到 jars/目录下

? 如果访问不到 hdfs，则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下

? 重启 spark-shell

scala> spark.sql("show tables").show
22/07/25 21:05:14 WARN ObjectStore: Failed to get database global_temp, returning 
NoSuchObjectException
+--------+--------------------+-----------+
|database| tableName|isTemporary|
+--------+--------------------+-----------+
| default| emp| false|
| default|hive_hbase_emp_table| false|
| default| relevance_hbase_emp| false|
| default| staff_hive| false|
| default| ttt| false|
| default| user_visit_action| false|
+--------+--------------------+-----------+

3）运行 Spark SQL CLI

Spark SQL CLI 可以很方便的在本地运行 Hive 元数据服务以及从命令行执行查询任务。在
Spark 目录下执行如下命令启动 Spark SQL CLI，直接执行 SQL 语句，类似一 Hive 窗口

bin/spark-sql

4）运行 Spark beeline

Spark Thrift Server 是 Spark 社区基于 HiveServer2 实现的一个 Thrift 服务。旨在无缝兼容
HiveServer2。因为 Spark Thrift Server 的接口和协议都和 HiveServer2 完全一致，因此我们部
署好 Spark Thrift Server 后，可以直接使用 hive 的 beeline 访问 Spark Thrift Server 执行相关
语句。Spark Thrift Server 的目的也只是取代 HiveServer2，因此它依旧可以和 Hive Metastore
进行交互，获取到 hive 的元数据。

如果想连接 Thrift Server，需要通过以下几个步骤： ? Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下
? 把 Mysql 的驱动 copy 到 jars/目录下
? 如果访问不到 hdfs，则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下
? 启动 Thrift Server

sbin/start-thriftserver.sh

? 使用 beeline 连接 Thrift Server

[atguigu@hadoop102 spark-local]$ bin/beeline -u jdbc:hive2://hadoop102:10000 -n root
log4j:WARN No appenders could be found for logger (org.apache.hadoop.util.Shell).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
Connecting to jdbc:hive2://hadoop102:10000
Connected to: Spark SQL (version 3.0.0)
Driver: Hive JDBC (version 2.3.7)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 2.3.7 by Apache Hive

0: jdbc:hive2://hadoop102:10000> show tables;
+-----------+-------------------------+--------------+
| database  |        tableName        | isTemporary  |
+-----------+-------------------------+--------------+
| default   | bigtable                | false        |
| default   | bigtable2               | false        |
| default   | bigtable_buck1          | false        |
| default   | bigtable_buck2          | false        |
| default   | business                | false        |
| default   | dept                    | false        |
| default   | dept_no_par2            | false        |
| default   | dept_partition          | false        |
| default   | dept_partition2         | false        |
| default   | dept_partition_all      | false        |
| default   | dept_partition_dy       | false        |
| default   | emp                     | false        |
| default   | emp_sex                 | false        |
| default   | gulivideo_orc           | false        |
| default   | gulivideo_orc_category  | false        |
| default   | gulivideo_ori           | false        |
| default   | gulivideo_user_orc      | false        |
| default   | gulivideo_user_ori      | false        |
| default   | hive_hbase_emp_table    | false        |
| default   | input                   | false        |
| default   | jointable               | false        |
| default   | location                | false        |
| default   | log_orc                 | false        |
| default   | log_orc_snappy          | false        |
| default   | log_orc_zlib            | false        |
| default   | log_parquet             | false        |
| default   | log_parquet_snappy      | false        |
| default   | log_text                | false        |
| default   | movie_info              | false        |
| default   | nullidtable             | false        |
| default   | person_info             | false        |
| default   | score                   | false        |
| default   | smalltable              | false        |
| default   | staff                   | false        |
| default   | staff_hive              | false        |
| default   | stu_buck                | false        |
| default   | student                 | false        |
| default   | student1                | false        |
| default   | student3                | false        |
| default   | student5                | false        |
| default   | student6                | false        |
| default   | student8                | false        |
| default   | test                    | false        |
| default   | test1                   | false        |
| default   | test3                   | false        |
| default   | test4                   | false        |
| default   | test5                   | false        |
| default   | test6                   | false        |
| default   | test7                   | false        |
| default   | test8                   | false        |
| default   | udtf2                   | false        |
+-----------+-------------------------+--------------+
51 rows selected (0.405 seconds)

0: jdbc:hive2://hadoop102:10000> show databases;
+------------+
| namespace  |
+------------+
| default    |
| hive       |
| hxx1       |
| hxx2       |
| hxx3       |
| hxx_1      |
| hxx_2      |
+------------+
7 rows selected (0.111 seconds)

6、代码操作 Hive

1）导入依赖

<dependency>
 <groupId>org.apache.spark</groupId>
 <artifactId>spark-hive_2.12</artifactId>
 <version>3.0.0</version>
</dependency>
<dependency>
 <groupId>org.apache.hive</groupId>
 <artifactId>hive-exec</artifactId>
 <version>1.2.1</version>
</dependency>
<dependency>
 <groupId>mysql</groupId>
 <artifactId>mysql-connector-java</artifactId>
 <version>5.1.27</version>
</dependency>

2）将 hive-site.xml 文件拷贝到项目的 resources 目录中，代码实现

//创建 SparkSession
val spark: SparkSession = SparkSession
 .builder()
 .enableHiveSupport()
 .master("local[*]")
 .appName("sql")
 .getOrCreate()

注意：在开发工具中创建数据库默认是在本地仓库，通过参数修改数据库仓库的地址:

config(“spark.sql.warehouse.dir”, “hdfs://linux1:8020/user/hive/warehouse”)

如果在执行操作时，出现如下错误：

可以代码最前面增加如下代码解决：

System.setProperty("HADOOP_USER_NAME", "root")

此处的 root 改为你们自己的 hadoop 用户名称

代码

package com.spack.bigdata.sql

import org.apache.spark.SparkConf
import org.apache.spark.sql._

/**
 *
 * 连接外部SQL
 *
 */
object Spark05_SparkSQL_Hive {

  def main(args: Array[String]): Unit = {
    //1、创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    //enableHiveSupport 启用HIVE
    val spark = SparkSession.builder().enableHiveSupport().config(sparkConf).getOrCreate()


    //使用SparkSQL 连接外置的Hive
    //1、考贝Hive-Size.xml文件到ClassPath下
    //2、启用Hive的支持
    //3、增加对应的依赖关系（包含MySQL驱动）
    spark.sql("show tables").show()

    //TODO关闭环境
    spark.close()
  }
}