SparkSQL

一、什么是Spark SQL？

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了2个编程抽象：DataFrame和DataSet，并且作为分布式SQL查询引擎的作用。

我们已经学习了Hive，它是将Hive SQL转换成MapReduce然后提交到集群上执行，大大简化了编写MapReduc的程序的复杂性，由于MapReduce这种计算模型执行效率比较慢。所有Spark SQL的应运而生，它是将Spark SQL转换成RDD，然后提交到集群执行，执行效率非常快！

特点：

1）易整合       2）统一的数据访问方式        3）兼容Hive      4）标准的数据连接

二、DataFrame

与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。同时，与Hive类似，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作，比函数式的RDD API要更加友好，门槛更低。

 上图直观地体现了DataFrame和RDD的区别。左侧的RDD[Person]虽然以Person为类型参数，但Spark框架本身不了解Person类的内部结构。而右侧的DataFrame却提供了详细的结构信息，使得Spark SQL可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么。DataFrame是为数据提供了Schema的视图。可以把它当做数据库中的一张表来对待，DataFrame也是懒执行的。性能上比RDD要高。

1、创建案例

（一）Linux的spark-shell下：

  连接spark-shell

bin/spark-shell --master spark://hdp-1:7077 --executor-memory 512m --total-executor-cores 2

  创建了一个数据集，实现了并行化

val seq= Seq((“1”,“xiaoming”,15),(“2”,“xiaohong”,20),(“3”,“xiaobi”,10))
val rdd1 = sc.parallelize(seq)

  转换为DataFrame对象,空参的情况下。默认 _1 _2 _3.....列名

val df1 = rdd.toDF
val df2 = rdd1.toDF("id","name","age")

#查看数据 show 算子来打印，show是一个action类型算子,此时执行在集群上了
df1.show     df2.show

查询信息

(1)DSL 风格语法

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

#条件过滤
df.select("name","age").filter("age >10").show
df.select("name","age").filter(col("age") >10).show

#分组统计个数
df.groupBy("age").count().show()

#打印DataFrame结构信息
df2.printSchema

（2）Sql 风格语法：

将DataFrame注册成表(临时表)，表会被存储

df.registerTempTable("t_person")

查询：

spark.sqlContext.sql("select name,age from t_person where age > 10").show
spark.sqlContext.sql("select name,age from t_person order by age desc limit 2").show

（二）在idea中

注意：依赖spark版本要和spark-sql版本对应，参照https://mvnrepository.com/，否则报错

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.11</artifactId>
    <version>${spark.version}</version>
</dependency>

方法一：DSL、SQL

import org.apache.spark.{SparkConf, SparkContext}

class SqlOperation {
}

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}

object SqlOperation {
  def main(args: Array[String]): Unit = {
    val sc  =new SparkContext(new SparkConf().setAppName("SparkSQL").setMaster("local[*]"))

    //创建SQLContext对象
    val sqlc = new SQLContext(sc)
    val lineRDD: RDD[Array[String]] = sc.textFile("sql\\sql1.txt").map(_.split(" "))
    //将获取数据 关联到样例类中   Person自定义的类
    val personRDD: RDD[Person] = lineRDD.map(x => Person(x(0).toInt,x(1),x(2).toInt))

    //toDF相当于反射，这里若要使用的话，需要导入包，且必须放在第一个toDF上面
    import sqlc.implicits._
    val personDF: DataFrame = personRDD.toDF()
//    val personDF: DataFrame = personRDD.toDF("ID","NAME","AGE")
//    一、DSL风格
    personDF.show()
    personDF.select("id","name","age").filter("age>15").show()

//    二、使用Sql语法
    //注册临时表，这个表相当于存储在 SQLContext中所创建对象中
    personDF.registerTempTable("t_person")
    val sql = "select * from t_person where age > 20 order by age"
    //查询
    val res = sqlc.sql(sql)
    res.show()  //默认打印是20行
    // 固化数据,将数据写到文件中mode是以什么形式写  写成什么文件
    //    res.write.mode("append").json("out3")
    //除了这两种还可以csv模式,json模式
    res.write.mode("append").save("out4")
  }

  //case class,编译器自动为你创建class和它的伴生 object，并实现了apply方法让你不需要通过 new 来创建类实例
  case class Person(id:Int,name:String,age:Int)
}

方法二：StructType对象创建DataFrame

class SqlOper2 {
}
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Row, SQLContext}
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}

object SqlOper2 {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("SparkSQLStructTypeDemo").setMaster("local"))
    val sqlcontext = new SQLContext(sc)

    val lineRDD =  sc.textFile("sql\\sql1.txt").map(_.split(" "))
    //创建StructType对象  封装了数据结构(类似于表的结构)
    val structType: StructType = StructType {
      List(
        //列名   数据类型 是否为空(false是非空，即not nullable)
        StructField("id", IntegerType, false),
        StructField("name", StringType, true),
        StructField("age", IntegerType, false)
      )
    }
    //Row是spark.sql自带的，封装数据
    val rowRDD: RDD[Row] = lineRDD.map(arr => Row(arr(0).toInt,arr(1),arr(2).toInt))
    //将RDD转换为DataFrame
    val personDF: DataFrame = sqlcontext.createDataFrame(rowRDD,structType)
    personDF.show()
    println(personDF.orderBy("age").count())
  }
}

三、把数据写到mysql中

import java.util.Properties
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Row, SQLContext}
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}

object DataFormeInputJDBC {
  def main(args: Array[String]): Unit = {
    val sc = new SparkContext(new SparkConf().setAppName("DataFormeInputJDBC").setMaster("local"))
    val sqlContext = new SQLContext(sc)
    val lines = sc.textFile("sql").map(_.split(" "))
    // StructType 存的表结构
    val structType: StructType = StructType(
      Array(
        StructField("id", IntegerType, false),
        StructField("name", StringType, true),
        StructField("age", IntegerType, true)
      )
    )
    //开始映射
    val rowRDD: RDD[Row] = lines.map(arr => Row(arr(0).toInt,arr(1),arr(2).toInt))
    //将当前RDD转换为DataFrame
    val personDF: DataFrame = sqlContext.createDataFrame(rowRDD,structType)

    //创建一个用于写入mysql配置信息
    val prop = new Properties()
    prop.put("user","root")
    prop.put("password","zxc123456")
    prop.put("driver","com.mysql.cj.jdbc.Driver")
    val jdbcurl = "jdbc:mysql://localhost/sparksql?characterEncoding=utf-8&serverTimezone=UTC"
    val table = "person"
    //propertities的实现是HashTable    表不存在会自动创建，存在会追加数据
    personDF.write.mode("append").jdbc(jdbcurl,table,prop)
    println("插入数据成功")
    sc.stop()
  }
}