【Spark-SQL学习之二】 SparkSQL DataFrame创建和储存
环境
虚拟机:VMware 10
Linux版本:CentOS-6.5-x86_64
客户端:Xshell4
FTP:Xftp4
jdk1.8
scala-2.10.4(依赖jdk1.8)
spark-1.6
1、读取json格式的文件创建DataFrame
注意:
(1)json文件中的json数据不能嵌套json格式数据。
(2)DataFrame是一个一个Row类型的RDD,df.rdd()/df.javaRdd()。
(3)可以两种方式读取json格式的文件。
sqlContext.read().format(“json”).load(“path”)
sqlContext.read().json(“path”)
(4)df.show()默认显示前20行数据。
(5)DataFrame原生API可以操作DataFrame(不方便)。
(6)注册成临时表时,表中的列默认按ascii顺序显示列。
数据:json
{"name":"zhangsan","age":"20"}
{"name":"lisi"}
{"name":"wangwu","age":"18"}
示例代码:
Java:
package com.wjy.df; import org.apache.spark.SparkConf; import org.apache.spark.SparkContext; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.rdd.RDD; import org.apache.spark.sql.DataFrame; import org.apache.spark.sql.Row; import org.apache.spark.sql.SQLContext; /** * 读取json格式的文件创建DataFrame * * 注意 :json文件中不能嵌套json格式的内容 * * 1.读取json格式两种方式 * 2.df.show默认显示前20行,使用df.show(行数)显示多行 * 3.df.javaRDD/(scala df.rdd) 将DataFrame转换成RDD * 4.df.printSchema()显示DataFrame中的Schema信息 * 5.dataFram自带的API 操作DataFrame ,用的少 * 6.想使用sql查询,首先要将DataFrame注册成临时表:df.registerTempTable("jtable"),再使用sql,怎么使用sql?sqlContext.sql("sql语句") * 7.不能读取嵌套的json文件 * 8.df加载过来之后将列按照ascii排序了 * @author root * */ public class CreateDFFromJosonFile { public static void main(String[] args) { SparkConf conf = new SparkConf().setMaster("local").setAppName("CreateDFFromJosonFile"); SparkContext sc = new SparkContext(conf);//注意 这里不是JavaSparkContext //创建SQLContext SQLContext sqlContext = new SQLContext(sc); /** * DataFrame的底层是一个一个的RDD RDD的泛型是Row类型。 * 以下两种方式都可以读取json格式的文件 * {"name":"zhangsan","age":"20"} {"name":"lisi"} {"name":"wangwu","age":"18"} */ DataFrame df = sqlContext.read().format("json").load("./data/json");//{"name":"zhangsan","age":"20"}; df.show();// 显示 DataFrame中的内容,默认显示前20行。如果现实多行要指定多少行show(行数) 注意:当有多个列时,显示的列先后顺序是按列的ascii码先后显示。 DataFrame df2 = sqlContext.read().json("./data/json"); df2.show(); /* * +----+--------+ | age| name| +----+--------+ | 20|zhangsan| |null| lisi| | 18| wangwu| +----+--------+ */ //DataFrame转换成RDD JavaRDD<Row> javaRDD = df.javaRDD(); //树形的形式显示schema信息 df.printSchema(); /* * root |-- age: string (nullable = true) |-- name: string (nullable = true) */ //dataFram自带的API 操作DataFrame 这种方式比较麻烦 用的比较少 //select name from table df.select("name").show(); /* * +--------+ | name| +--------+ |zhangsan| | lisi| | wangwu| +--------+ */ //select name ,age+10 as addage from table df.select(df.col("name"),df.col("age").plus(10).alias("addage")).show(); /* * +--------+------+ | name|addage| +--------+------+ |zhangsan| 30.0| | lisi| null| | wangwu| 28.0| +--------+------+ */ //select name ,age from table where age>19 df.select(df.col("name"),df.col("age")).where(df.col("age").gt(19)).show(); /* * +--------+---+ | name|age| +--------+---+ |zhangsan| 20| +--------+---+ */ //select age,count(*) from table group by age df.groupBy(df.col("age")).count().show(); /* * +----+-----+ | age|count| +----+-----+ | 18| 1| | 20| 1| |null| 1| +----+-----+ */ //将DataFrame注册成临时的一张表,这张表相当于临时注册到内存中,是逻辑上的表,不会物化到磁盘 这种方式用的比较多 df.registerTempTable("person"); DataFrame df3 = sqlContext.sql("select age,count(*) as gg from person group by age"); df3.show(); DataFrame df4 = sqlContext.sql("select age, name from person"); df4.show(); sc.stop(); } }
Scala:
package com.wjy.df import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext object CreateDFFromJsonFile { def main(args:Array[String]):Unit={ val conf = new SparkConf().setMaster("local").setAppName("CreateDFFromJsonFile"); val sc = new SparkContext(conf); val sqlContext = new SQLContext(sc); val df1 = sqlContext.read.json("./data/json"); df1.show(); val df2 = sqlContext.read.format("json").load("./data/json"); df2.show(); val rdd = df1.rdd; df1.printSchema(); //select name from table df1.select(df1.col("name")).show(); //select name from table where age>19 df1.select(df1.col("name"),df1.col("age")).where(df1.col("age").gt(19)).show(); //select count(*) from table group by age df1.groupBy(df1.col("age")).count().show(); //注册临时表 df1.registerTempTable("person"); val df3 = sqlContext.sql("select * from person"); df3.show(); /* * +----+--------+ | age| name| +----+--------+ | 20|zhangsan| |null| lisi| | 18| wangwu| +----+--------+ */ sc.stop(); } }
2、通过json格式的RDD创建DataFrame
RDD的元素类型是String,但是格式必须是JSON格式
示例代码:
Java:
Scala:
3、通过非json格式的RDD来创建出来一个DataFrame
(1)通过反射的方式 (不建议使用)
(1.1)自定义类要可序列化(注意变量被关键字transient修饰 则不会被序列化;静态变量也不能被序列化)
注意ava中以下几种情况下不被序列化的问题:
1.1.1.反序列化时serializable 版本号不一致时会导致不能反序列化。
1.1.2.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得到null。
注意:父类实现serializable接口,子类没有实现serializable接口时,子类可以正常序列化
1.1.3.被关键字transient修饰的变量不能被序列化。
1.1.4.静态变量不能被序列化,属于类,不属于方法和对象,所以不能被序列化。
另外:一个文件多次writeObject时,如果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。
(1.2)自定义类的访问级别是Public
(1.3)RDD转成DataFrame后会根据映射将字段按Assci码排序
(1.4)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),另一种是df.getAs(“列名”)获取(推荐使用)
示例代码:
Java:
Scala:
(2)动态创建schema的方式
示例代码:
Java:
Scala:
4、读取parquet文件创建DF
注意:
可以将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:如果存在就报错
Ignore:如果存在就忽略
示例代码:
Java:
Scala:
5、读取JDBC中的数据创建DataFrame(MySql为例)
两种方式创建DataFrame
第一种方式读取MySql数据库表,加载为DataFrame
第二种方式读取MySql数据表加载为DataFrame
示例代码:
Java:
Scala:
6、读取Hive中的数据加载成DataFrame
HiveContext是SQLContext的子类,连接Hive建议使用HiveContext。
由于本地没有Hive环境,要提交到集群运行,提交命令:
./spark-submit --master spark://node1:7077,node2:7077 --executor-cores 1 --executor-memory 2G --total-executor-cores 1 --class com.bjsxt.sparksql.dataframe.CreateDFFromHive /root/test/HiveTest.jar
示例代码:
Java:
Scala:
附:Spark On Hive的配置
1、在Spark客户端配置Hive On Spark
在Spark客户端安装包下spark-1.6.0/conf中创建文件hive-site.xml:
配置hive的metastore路径
<configuration> <property> <name>hive.metastore.uris</name> <value>thrift://node1:9083</value> </property> </configuration>
2、启动Hive的metastore服务
hive --service metastore
3、启动zookeeper集群,启动HDFS集群,启动spark集群。
4、启动SparkShell 读取Hive中的表总数,对比hive中查询同一表查询总数测试时间。
./spark-shell --master spark://node1:7077,node2:7077 --executor-cores 1 --executor-memory 1g --total-executor-cores 1 ...... scala>import org.apache.spark.sql.hive.HiveContext; scala>val hc = new HiveContext(sc); scala>hc.sql("show databases").show(); scala>hc.sql("user default").show(); scala>hc.sql("select count(*) from jizhan").show();
注意:
如果使用Spark on Hive 查询数据时,出现错误:Caused by:java.net.UnkonwnHostException:....
找不到HDFS集群路径,要在客户端机器conf/spark-env.sh中设置HDFS的路径:
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
参考:
Spark
原文:https://www.cnblogs.com/cac2020/p/10717889.html