2021年大数据Spark（二十七）：SparkSQL案例一花式查询和案例二WordCount

案例一：花式查询

案例二：WordCount

基于DSL编程

基于SQL编程

具体演示代码如下：

案例一：花式查询

package cn.itcast.sqlimport org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, SparkSession}/*** Author itcast* Desc 演示SparkSQL的各种花式查询*/
object FlowerQueryDemo {case class Person(id:Int,name:String,age:Int)def main(args: Array[String]): Unit = {//1.准备环境-SparkSessionval spark: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[*]").getOrCreate()val sc: SparkContext = spark.sparkContextsc.setLogLevel("WARN")//2.加载数据val lines: RDD[String] = sc.textFile("data/input/person.txt")//3.切割//val value: RDD[String] = lines.flatMap(_.split(" "))//错误的val linesArrayRDD: RDD[Array[String]] = lines.map(_.split(" "))//4.将每一行(每一个Array)转为样例类(相当于添加了Schema)val personRDD: RDD[Person] = linesArrayRDD.map(arr=>Person(arr(0).toInt,arr(1),arr(2).toInt))//5.将RDD转为DataFrame(DF)//注意:RDD的API中没有toDF方法,需要导入隐式转换!import spark.implicits._val personDF: DataFrame = personRDD.toDF//6.查看约束personDF.printSchema()//7.查看分布式表中的数据集personDF.show(6,false)//false表示不截断列名,也就是列名很长的时候不会用...代替//演示SQL风格查询//0.注册表名//personDF.registerTempTable("t_person")//已经过时//personDF.createTempView("t_person")//创建表,如果已存在则报错:TempTableAlreadyExistsException//personDF.createOrReplaceGlobalTempView("t_person")//创建全局表,可以夸session使用,查询的时候使用:SELECT * FROM global_temp.表名;生命周期太大,一般不用personDF.createOrReplaceTempView("t_person")//创建一个临时表,只有当前session可用!且表如果存在会替换!//1.查看name字段的数据spark.sql("select name from t_person").show//2.查看 name 和age字段数据spark.sql("select name,age from t_person").show//3.查询所有的name和age，并将age+1spark.sql("select name,age,age+1 from t_person").show//4.过滤age大于等于25的spark.sql("select name,age from t_person where age >=25").show//5.统计年龄大于30的人数spark.sql("select count(age) from t_person where age >30").show//6.按年龄进行分组并统计相同年龄的人数spark.sql("select age,count(age) from t_person group by age").show//演示DSL风格查询//1.查看name字段的数据import org.apache.spark.sql.functions._personDF.select(personDF.col("name")).showpersonDF.select(personDF("name")).showpersonDF.select(col("name")).showpersonDF.select("name").show//2.查看 name 和age字段数据personDF.select(personDF.col("name"),personDF.col("age")).showpersonDF.select("name","age").show//3.查询所有的name和age，并将age+1//personDF.select("name","age","age+1").show//错误,没有age+1这一列//personDF.select("name","age","age"+1).show//错误,没有age1这一列personDF.select(col("name"),col("age"),col("age")+1).showpersonDF.select($"name",$"age",$"age"+1).show//$表示将"age"变为了列对象,先查询再和+1进行计算personDF.select('name,'age,'age+1).show//'表示将age变为了列对象,先查询再和+1进行计算//4.过滤age大于等于25的，使用filter方法/where方法过滤personDF.select("name","age").filter("age>=25").showpersonDF.select("name","age").where("age>=25").show//5.统计年龄大于30的人数personDF.where("age>30").count()//6.按年龄进行分组并统计相同年龄的人数personDF.groupBy("age").count().show}}

案例二：WordCount

前面使用RDD封装数据，实现词频统计WordCount功能，从Spark 1.0开始，一直到Spark 2.0，建立在RDD之上的一种新的数据结构DataFrame/Dataset发展而来，更好的实现数据处理分析。DataFrame 数据结构相当于给RDD加上约束Schema，知道数据内部结构（字段名称、字段类型），提供两种方式分析处理数据：DataFrame API（DSL编程）和SQL（类似HiveQL编程），下面以WordCount程序为例编程实现，体验DataFrame使用。

基于DSL编程

使用SparkSession加载文本数据，封装到Dataset/DataFrame中，调用API函数处理分析数据（类似RDD中API函数，如flatMap、map、filter等），编程步骤：

第一步、构建SparkSession实例对象，设置应用名称和运行本地模式；

第二步、读取HDFS上文本文件数据；

第三步、使用DSL（Dataset API），类似RDD API处理分析数据；

第四步、控制台打印结果数据和关闭SparkSession；

基于SQL编程

也可以实现类似HiveQL方式进行词频统计，直接对单词分组group by，再进行count即可，步骤如下：

第一步、构建SparkSession对象，加载文件数据，分割每行数据为单词；

第二步、将DataFrame/Dataset注册为临时视图（Spark 1.x中为临时表）；

第三步、编写SQL语句，使用SparkSession执行获取结果；

第四步、控制台打印结果数据和关闭SparkSession；

具体演示代码如下：

package cn.itcast.sqlimport org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}/*** Author itcast* Desc 使用SparkSQL完成WordCount---SQL风格和DSL风格*/
object WordCount {def main(args: Array[String]): Unit = {//1.准备环境val spark: SparkSession = SparkSession.builder().appName("WordCount").master("local[*]").getOrCreate()val sc: SparkContext = spark.sparkContextsc.setLogLevel("WARN")import spark.implicits._//2.加载数据//val rdd: RDD[String] = sc.textFile("data/input/words.txt")//可以使用该方式,然后使用昨天的知识将rdd转为df/dsval df: DataFrame = spark.read.text("data/input/words.txt")val ds: Dataset[String] = spark.read.textFile("data/input/words.txt")//df.show()//查看分布式表数据//ds.show()//查看分布式表数据//3.做WordCount//切割//df.flatMap(_.split(" ")) //注意:直接这样写报错!因为df没有泛型,不知道_是String!//df.flatMap(row=>row.getAs[String]("value").split(" "))val wordsDS: Dataset[String] = ds.flatMap(_.split(" "))//wordsDS.show()//使用SQL风格做WordCountwordsDS.createOrReplaceTempView("t_words")val sql:String ="""|select value,count(*) as count|from t_words|group by value|order by count desc|""".stripMarginspark.sql(sql).show()//使用DSL风格做WordCountwordsDS.groupBy("value").count().orderBy($"count".desc).show()/*+-----+-----+|value|count|+-----+-----+|hello|    4||  her|    3||  you|    2||   me|    1|+-----+-----++-----+-----+|value|count|+-----+-----+|hello|    4||  her|    3||  you|    2||   me|    1|+-----+-----+*/}
}

无论使用DSL还是SQL编程方式，底层转换为RDD操作都是一样，性能一致，查看WEB UI监控中Job运行对应的DAG图如下：

从上述的案例可以发现将数据封装到Dataset/DataFrame中，进行处理分析，更加方便简洁，这就是Spark框架中针对结构化数据处理模：Spark SQL模块。

官方文档：http://spark.apache.org/sql/