前面我们学习了Spark中的Spark core，离线数据计算，下面我们来学习一下Spark中的Spark SQL。

一、Spark SQL

Spark SQL和我们之前讲Hive的时候说的hive on spark是不一样的。

hive on spark是表示把底层的mapreduce引擎替换为spark引擎。

而Spark SQL是Spark自己实现的一套SQL处理引擎。

Spark SQL是Spark中的一个模块，主要用于进行结构化数据的处理。它提供的最核心的编程抽象，就是DataFrame。

DataFrame=RDD+Schema。
它其实和关系型数据库中的表非常类似，RDD可以认为是表中的数据，Schema是表结构信息。DataFrame可以通过很多来源进行构建，包括：结构化的数据文件，Hive中的表，外部的关系型数据库，以及RDD

Spark1.3出现的DataFrame，Spark1.6出现了DataSet，在Spark2.0中两者统一，DataFrame等于DataSet[Row]

二、SparkSession

要使用Spark SQL，首先需要创建一个SpakSession对象。

SparkSession中包含了SparkContext和SqlContext。

所以说想通过SparkSession来操作RDD的话需要先通过它来获取SparkContext。

这个SqlContext是使用sparkSQL操作hive的时候会用到的。

三、创建DataFrame

使用SparkSession，可以从RDD、HIve表或者其它数据源创建DataFrame
那下面我们来使用JSON文件来创建一个DataFrame

想要使用spark-sql需要先添加spark-sql的依赖

<dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.11</artifactId><version>2.4.3</version>
</dependency>

在项目中添加sql这个包名

student.json文件内容如下：

{"name":"jack","age":19,"sex":"male"}
{"name":"tom","age":18,"sex":"female"}
{"name":"jessic","age":27,"sex":"male"}
{"name":"hehe","age":18,"sex":"female"}
{"name":"haha","age":15,"sex":"male"}

1、scala代码如下：

创建object：SqlDemoScala

package com.imooc.scala.sqlimport org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession/*** 需求：使用json文件创建DataFrame*/
object SqlDemoScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("SqlDemoScala").config(conf).getOrCreate()//读取json文件，获取DataFrameval stuDf = sparkSession.read.json("D:\\student.json")//将DataFrame转换为DataSet[Row]//val stuDf = sparkSession.read.json("D:\\student.json").as("stu")//查看DataFrame中的数据stuDf.show()sparkSession.stop()}
}

运行结果如下：

2、java代码如下：

package com.imooc.java.sql;import org.apache.spark.SparkConf;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;/*** 需求：使用json文件创建DataFrame*/
public class SqlDemoJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("SqlDemoJava").config(conf).getOrCreate();//读取json文件，获取Dataset<Row>Dataset<Row> stuDf = sparkSession.read().json("D:\\student.json");//将Dataset<Row>转换为DataFrame//Dataset<Row> stuDf = sparkSession.read().json("D:\\student.json").toDF();stuDf.show();sparkSession.stop();}
}

运行结果如下：

注：
由于DataFrame等于DataSet[Row]，它们两个可以互相转换，所以创建哪个都是一样的
咱们前面的scala代码默认创建的是DataFrame，java代码默认创建的是DataSet
尝试对他们进行转换
在Scala代码中将DataFrame转换为DataSet[Row]，对后面的操作没有影响

//将DataFrame转换为DataSet[Row]
val stuDf = sparkSession.read.json("D:\\student.json").as("stu")

在Java代码中将DataSet[Row]转换为DataFrame

//将Dataset<Row>转换为DataFrame
Dataset<Row> stuDf = sparkSession.read().json("D:\\student.json").toDF();

四、DataFrame常见算子操作

下面来看一下Spark sql中针对DataFrame常见的算子操作
先看一下官方文档

printSchema()
show()
select()
filter()、where()
groupBy()
count()

下面来使用一下这些操作

1、scala代码如下：

package com.imooc.scala.sqlimport org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession/*** 需求：DataFrame常见操作*/
object DataFrameOpScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("DataFrameOpScala").config(conf).getOrCreate()val stuDf = sparkSession.read.json("D:\\student.json")//打印schema信息stuDf.printSchema()//默认显示所有数据，可以通过参数控制显示多少条stuDf.show(2)stuDf.select("name","age").show()//在使用select的时候可以对数据做一些操作，需要添加隐式转换函数，否则语法报错import sparkSession.implicits._stuDf.select($"name",$"age" + 1).show()//对数据进行过滤，需要添加隐式转换函数，否则语法报错stuDf.filter($"age" > 18).show()//where底层调用的就是filterstuDf.where($"age" > 18).show()//对数据进行分组求和stuDf.groupBy("age").count().show()sparkSession.stop()}
}

输出如下：

//打印schema信息
stuDf.printSchema()

//默认显示所有数据，可以通过参数控制显示多少条
stuDf.show(2)

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

//在使用select的时候可以对数据做一些操作，需要添加隐式转换函数，否则语法报错
import sparkSession.implicits._
stuDf.select($"name",$"age" + 1).show()

//对数据进行过滤，需要添加隐式转换函数，否则语法报错
stuDf.filter($"age" > 18).show()

//where底层调用的就是filter
stuDf.where($"age" > 18).show()

//对数据进行分组求和
stuDf.groupBy("age").count().show()

2、java代码如下：

package com.imooc.java.sql;import org.apache.spark.SparkConf;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
import static org.apache.spark.sql.functions.col;/*** 需求：DataFrame常见操作*/
public class DataFrameOpJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("DataFrameOpJava").config(conf).getOrCreate();Dataset<Row> stuDf =  sparkSession.read().json("D:\\student.json");//打印schema信息stuDf.printSchema();//默认显示所有数据，可以通过参数控制显示多少条stuDf.show(2);//查询数据中的指定字段信息stuDf.select("name","age").show();//在select的时候可以对数据做一些操作,需要引入import static org.apache.spark.sql.functions.col;stuDf.select(col("name"),col("age").plus(1)).show();//对数据进行过滤stuDf.filter(col("age").gt(18)).show();//where底层调用的就是filterstuDf.where(col("age").gt(18)).show();stuDf.groupBy("age").count().show();sparkSession.stop();}
}

输出如下：

    //打印schema信息stuDf.printSchema();

    //默认显示所有数据，可以通过参数控制显示多少条stuDf.show(2);

    //查询数据中的指定字段信息stuDf.select("name","age").show();

    //在select的时候可以对数据做一些操作,需要引入import static org.apache.spark.sql.functions.col;stuDf.select(col("name"),col("age").plus(1)).show();

    //对数据进行过滤stuDf.filter(col("age").gt(18)).show();

    //where底层调用的就是filterstuDf.where(col("age").gt(18)).show();

stuDf.groupBy("age").count().show();

这些就是针对DataFrame的一些常见的操作。

但是现在这种方式其实用起来还是不方便，只是提供了一些类似于可以操作表的算子，很对一些简单的查询还是可以的，但是针对一些复杂的操作，使用算子写起来就很麻烦了，所以我们希望能够直接支持用sql的方式执行，Spark SQL也是支持的。

五、DataFrame的sql操作

想要实现直接支持sql语句查询DataFrame中的数据
需要两步操作

1、先将DataFrame注册为一个临时表
2、使用sparkSession中的sql函数执行sql语句

下面来看一个案例

1、scala代码如下：

package com.imooc.scala.sqlimport org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession/*** 需求：使用sql操作DataFrame*/
object DataFrameSqlScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("DataFrameSqlScala").config(conf).getOrCreate()val stuDf = sparkSession.read.json("D:\\student.json")//将DataFrame注册为一个临时表stuDf.createOrReplaceTempView("student")//使用sql查询临时表中的数据sparkSession.sql("select age,count(*) as num from student group by age").show()sparkSession.stop()}
}

结果输出如下：

2、java代码如下：

package com.imooc.java.sql;import org.apache.spark.SparkConf;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;/*** 需求：使用sql操作DataFrame*/
public class DataFrameSqlJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("DataFrameSqlJava").config(conf).getOrCreate();Dataset<Row> stuDf = sparkSession.read().json("D:\\student.json");//将Dataset<Row>注册为一个临时表stuDf.createOrReplaceTempView("student");//使用sql查询临时表中的数据sparkSession.sql("select age,count(*) as num from student group by age").show();sparkSession.stop();}
}

结果输出如下：

六、RDD转换为DataFrame

为什么要将RDD转换为DataFrame?
在实际工作中我们可能会先把hdfs上的一些日志数据加载进来，然后进行一些处理，最终变成结构化的数据，希望对这些数据做一些统计分析，当然了我们可以使用spark中提供的transformation算子来实现，只不过会有一些麻烦，毕竟是需要写代码的，如果能够使用sql实现，其实是更加方便的。
所以可以针对我们前面创建的RDD，将它转换为DataFrame，这样就可以使用dataFrame中的一些算子或者直接写sql来操作数据了。

Spark SQL支持这两种方式将RDD转换为DataFrame

1、反射方式
2、编程方式

1、反射方式

下面来看一下反射方式：
这种方式是使用反射来推断RDD中的元数据。
基于反射的方式，代码比较简洁，也就是说当你在写代码的时候，已经知道了RDD中的元数据，这样的话使用反射这种方式是一种非常不错的选择。

Scala具有隐式转换的特性，所以spark sql的scala接口是支持自动将包含了case class的RDD转换为DataFrame的
下面来举一个例子

（1）scala代码如下：

package com.imooc.scala.sqlimport org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession/*** 需求：使用反射方式实现RDD转换为DataFrame*/
object RddToDataFrameByReflectScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("RddToDataFrameByReflectScala").config(conf).getOrCreate()//获取SparkContextval sc = sparkSession.sparkContextval dataRDD = sc.parallelize(Array(("jack",18),("tom",20),("jessic",30)))//基于反射直接将包含Student对象的dataRDD转换为DataFrame//需要导入隐式转换import sparkSession.implicits._val stuDf = dataRDD.map(tup=>Student(tup._1,tup._2)).toDF()//下面就可以通过DataFrame的方式操作dataRDD中的数据了stuDf.createOrReplaceTempView("student")//执行sql查询val resDf = sparkSession.sql("select name,age from student where age > 18")sparkSession.sql("select name,age from student where age > 18").show()//将DataFrame转化为RDDval resRDD = resDf.rdd//从row中取数据，封装成student，打印到控制台resRDD.map(row=>Student(row(0).toString,row(1).toString.toInt)).collect().foreach(println(_))//使用row的getAs()方法，获取指定列名的值resRDD.map(row=>Student(row.getAs[String]("name"),row.getAs[Int]("age"))).collect().foreach(println(_))sparkSession.stop()}
}//定义一个Student
case class Student(name:String,age:Int)

输出如下：

（2）java代码如下：

package com.imooc.java.sql;import org.apache.spark.SparkConf;
import org.apache.spark.SparkContext;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.rdd.RDD;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
import scala.Tuple2;import java.io.Serializable;
import java.util.Arrays;
import java.util.List;/*** 需求：使用反射方式实现RDD转换为DataFrame*/
public class RddToDataFrameByReflectJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("RddToDataFrameByReflectJava").config(conf).getOrCreate();//获取SparkContext//从sparkSession中获取的是scala中的sparkContext，所以需要转换成java中的sparkContextJavaSparkContext sc = JavaSparkContext.fromSparkContext(sparkSession.sparkContext());Tuple2<String, Integer> t1 = new Tuple2<String, Integer>("jack", 18);Tuple2<String, Integer> t2 = new Tuple2<String, Integer>("tom", 20);Tuple2<String, Integer> t3 = new Tuple2<String, Integer>("jessic", 30);JavaRDD<Tuple2<String,Integer>> dataRDD = sc.parallelize(Arrays.asList(t1,t2,t3));JavaRDD<Student> stuRDD = dataRDD.map(new Function<Tuple2<String, Integer>, Student>() {@Overridepublic Student call(Tuple2<String, Integer> tup) throws Exception {return new Student(tup._1, tup._2);}});//注意：Student这个类必须声明为public，并且必须实现序列化Dataset<Row> stuDf = sparkSession.createDataFrame(stuRDD,Student.class);stuDf.createOrReplaceTempView("student");//执行sql查询Dataset<Row> resDf = sparkSession.sql("select name,age from student where age > 18");//将DataFrame转化为RDD，注意：这里需要转为JavaRDDJavaRDD<Row> resRDD = resDf.javaRDD();//从row中取数据，封装成student，打印到控制台List<Student> resList = resRDD.map(new Function<Row, Student>() {@Overridepublic Student call(Row row) throws Exception {//return new Student(row.getString(0), row.getInt(1));//通过getAs获取数据return new Student(row.getAs("name").toString(), Integer.parseInt(row.getAs("age").toString()));}}).collect();for(Student stu : resList){System.out.println(stu);}sparkSession.stop();}
}

Student类：

package com.imooc.java.sql;import java.io.Serializable;/****/
public class Student implements Serializable {private String name;private int age;public Student(String name, int age) {this.name = name;this.age = age;}public String getName() {return name;}public void setName(String name) {this.name = name;}public int getAge() {return age;}public void setAge(int age) {this.age = age;}@Overridepublic String toString() {return "Student{" +"name='" + name + '\'' +", age=" + age +'}';}
}

输出如下：

2、编程方式

接下来是编程的方式
这种方式是通过编程接口来创建DataFrame，你可以在程序运行时动态构建一份元数据，就是Schema，然后将其应用到已经存在的RDD上。这种方式的代码比较冗长，但是如果在编写程序时，还不知道RDD的元数据，只有在程序运行时，才能动态得知其元数据，那么只能通过这种动态构建元数据的方式。

也就是说当case calss中的字段无法预先定义的时候，就只能用编程方式动态指定元数据了

下面看一个案例

（1）scala代码如下：

package com.imooc.scala.sqlimport org.apache.spark.SparkConf
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.sql.{Row, SparkSession}/*** 需求：使用编程方式实现RDD转换为DataFrame**/
object RddToDataFrameByProgramScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("RddToDataFrameByProgramScala").config(conf).getOrCreate()//获取SparkContextval sc = sparkSession.sparkContextval dataRDD = sc.parallelize(Array(("jack",18),("tom",20),("jessic",30)))//组装rowRDDval rowRDD = dataRDD.map(tup=>Row(tup._1,tup._2))//指定元数据信息【这个元数据信息就可以动态从外部获取了，比较灵活】val schema = StructType(Array(StructField("name",StringType,true),StructField("age",IntegerType,true)))//组装DataFrameval stuDf = sparkSession.createDataFrame(rowRDD,schema)//下面就可以通过DataFrame的方式操作dataRDD中的数据了stuDf.createOrReplaceTempView("student")//执行sql查询val resDf = sparkSession.sql("select name,age from student where age > 18")//将DataFrame转化为RDDval resRDD = resDf.rddresRDD.map(row=>(row(0).toString,row(1).toString.toInt)).collect().foreach(println(_))sparkSession.stop()}}

输出如下：

（2）java代码如下：

package com.imooc.java.sql;import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
import scala.Tuple2;import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;/*** 需求：使用编程方式实现RDD转换为DataFrame**/
public class RddToDataFrameByProgramJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("RddToDataFrameByProgramJava").config(conf).getOrCreate();//获取SparkContext//从sparkSession中获取的是scala中的sparkContext，所以需要转换成java中的sparkContextJavaSparkContext sc = JavaSparkContext.fromSparkContext(sparkSession.sparkContext());Tuple2<String, Integer> t1 = new Tuple2<String, Integer>("jack", 18);Tuple2<String, Integer> t2 = new Tuple2<String, Integer>("tom", 20);Tuple2<String, Integer> t3 = new Tuple2<String, Integer>("jessic", 30);JavaRDD<Tuple2<String, Integer>> dataRDD = sc.parallelize(Arrays.asList(t1, t2, t3));//组装rowRDDJavaRDD<Row> rowRDD = dataRDD.map(new Function<Tuple2<String, Integer>, Row>() {@Overridepublic Row call(Tuple2<String, Integer> tup) throws Exception {return RowFactory.create(tup._1, tup._2);}});//指定元数据信息ArrayList<StructField> structFieldList = new ArrayList<StructField>();structFieldList.add(DataTypes.createStructField("name", DataTypes.StringType, true));structFieldList.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));StructType schema = DataTypes.createStructType(structFieldList);//构建DataFrameDataset<Row> stuDf = sparkSession.createDataFrame(rowRDD, schema);stuDf.createOrReplaceTempView("student");//执行sql查询Dataset<Row> resDf = sparkSession.sql("select name,age from student where age > 18");//将DataFrame转化为RDD，注意：这里需要转为JavaRDDJavaRDD<Row> resRDD = resDf.javaRDD();List<Tuple2<String, Integer>> resList = resRDD.map(new Function<Row, Tuple2<String, Integer>>() {@Overridepublic Tuple2<String, Integer> call(Row row) throws Exception {return new Tuple2<String, Integer>(row.getString(0), row.getInt(1));}}).collect();for(Tuple2<String,Integer> tup : resList){System.out.println(tup);}sparkSession.stop();}
}

输出如下：

七、load和save操作

对于Spark SQL的DataFrame来说，无论是从什么数据源创建出来的DataFrame，都有一些共同的load和save操作。
load操作主要用于加载数据，创建出DataFrame；
save操作，主要用于将DataFrame中的数据保存到文件中。

我们前面操作json格式的数据的时候好像没有使用load方法，而是直接使用的json方法，这是什么特殊用法吗？
查看json方法的源码会发现，它底层调用的是format和load方法。

def json(paths: String*): DataFrame = format("json").load(paths : _*)

注意：如果看不到源码，需要点击idea右上角的download source提示信息下载依赖的源码。
我们如果使用原始的format和load方法加载数据，
此时如果不指定format，则默认读取的数据源格式是parquet，也可以手动指定数据源格式。Spark SQL内置了一些常见的数据源类型，比如json, parquet, jdbc, orc, csv, text

通过这个功能，就可以在不同类型的数据源之间进行转换了。

来看一个案例：

1、scala代码如下：

package com.imooc.scala.sqlimport org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession/*** 需求：load和save的使用**/
object LoadAndSaveOpScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("LoadAndSaveOpScala").config(conf).getOrCreate()//读取数据val stuDf = sparkSession.read.format("json").load("D:\\student.json")//保存数据stuDf.select("name","age").write.format("csv").save("hdfs://bigdata01:9000/out-save001")sparkSession.stop()}}

执行代码，查看结果，csv文件是使用逗号分隔的：

[root@bigdata01 hadoop-3.2.0]# hdfs dfs -ls /out-save001
Found 2 items
-rw-r--r--   3 yehua supergroup          0 2020-05-29 17:53 /out-save001/_SUCCESS
-rw-r--r--   3 yehua supergroup         46 2020-05-29 17:53 /out-save001/part-00000-9bf82de6-b23e-4118-bc05-34e0466aa295-c000.csv
[root@bigdata01 hadoop-3.2.0]# hdfs dfs -cat /out-save001/part-00000-9bf82de6-b23e-4118-bc05-34e0466aa295-c000.csv
jack,19
tom,18
jessic,27
hehe,18
haha,15

2、java代码如下：

package com.imooc.java.sql;import org.apache.spark.SparkConf;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;/*** 需求：load和save的使用*/
public class LoadAndSaveOpJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("LoadAndSaveOpJava").config(conf).getOrCreate();//读取数据Dataset<Row> stuDf = sparkSession.read().format("json").load("D:\\student.json");//保存数据stuDf.select("name","age").write().format("csv").save("hdfs://bigdata01:9000/out-save002");sparkSession.stop();}}

八、SaveMode

Spark SQL对于save操作，提供了不同的save mode。
主要用来处理，当目标位置已经有数据时应该如何处理。save操作不会执行锁操作，并且也不是原子的，因此是有一定风险出现脏数据的。

SaveMode                         解释
SaveMode.ErrorIfExists (默认) 如果目标位置已经存在数据，那么抛出一个异常
SaveMode.Append                 如果目标位置已经存在数据，那么将数据追加进去
SaveMode.Overwrite              如果目标位置已经存在数据，那么就将已经存在的数据删除，用新数据进行覆盖
SaveMode.Ignore                 如果目标位置已经存在数据，那么就忽略，不做任何操作

在LoadAndSaveOpScala中增加SaveMode的设置，重新执行，验证结果
将SaveMode设置为Append，如果目标已存在，则追加

stuDf.select("name","age").write.format("csv").mode(SaveMode.Append)//追加.save("hdfs://bigdata01:9000/out-save001")

执行之后的结果确实是追加到之前的结果目录中了

[root@bigdata01 hadoop-3.2.0]# hdfs dfs -ls /out-save001              Found 3 items
-rw-r--r--   3 yehua supergroup          0 2020-05-29 17:59 /out-save001/_SUCCESS
-rw-r--r--   3 yehua supergroup         46 2020-05-29 17:59 /out-save001/part-00000-94a0141a-49f1-45a5-b2a4-0bdd89647ab1-c000.csv
-rw-r--r--   3 yehua supergroup         46 2020-05-29 17:53 /out-save001/part-00000-9bf82de6-b23e-4118-bc05-34e0466aa295-c000.csv

九、内置函数

Spark中提供了很多内置的函数，

种类               函数
聚合函数            avg, count, countDistinct, first, last, max, mean, min, sum, sumDistinct
集合函数            array_contains, explode, size
日期/时间函数 datediff, date_add, date_sub, add_months, last_day, next_day, months_between, current_date, current_timestamp, date_format
数学函数            abs, ceil, floor, round
混合函数            if, isnull, md5, not, rand, when
字符串函数       concat, get_json_object, length, reverse, split, upper
窗口函数            denseRank, rank, rowNumber

其实这里面的函数和hive中的函数是类似的

注意：SparkSQL中的SQL函数文档不全，其实在使用这些函数的时候，大家完全可以去查看hive中sql的文档，使用的时候都是一样的。

Spark15：Spark SQL：DataFrame常见算子操作、DataFrame的sql操作、RDD转换为DataFrame、load和save操作、SaveMode、内置函数相关推荐

spark sql uv_内置函数_SparkSQL学习 - 编程那点事
Spark 1.5.x版本引入的内置函数在Spark 1.5.x版本,增加了一系列内置函数到DataFrame API中,并且实现了code-generation的优化.与普通的函数不同,DataFr ...
RDD转换为DataFrame的两种方式详解
Spark支持两种方法将存在的RDD转换为DataFrame(SchemaRDD),后面附完整样例代码元数据:person.txt 1 zhangsan 20 2 lisi 29 3 wangwu ...
dataframe 转rdd java,在pyspark中将RDD转换为Dataframe
我想在pyspark中将我的RDD转换为Dataframe . 我的RDD: [(['abc', '1,2'], 0), (['def', '4,6,7'], 1)] 我希望RDD以Dataframe ...
Spark SQL 内置函数（五）Aggregate Functions（基于 Spark 3.2.0）
前言本文隶属于专栏<1000个问题搞定大数据技术体系>,该专栏为笔者原创,引用请注明来源,不足和错误之处请在评论区帮忙指出,谢谢! 本专栏目录结构和参考文献请见1000个问题搞定大数据技 ...
Spark SQL 内置函数（一）Array Functions（基于 Spark 3.2.0）
前言本文隶属于专栏<1000个问题搞定大数据技术体系>,该专栏为笔者原创,引用请注明来源,不足和错误之处请在评论区帮忙指出,谢谢! 本专栏目录结构和参考文献请见1000个问题搞定大数据技 ...
【spark内置函数】lit和typedLit
一.说明 typedlit内置函数在spark2.2.0版本开始出现. org.apache.spark.sql.functions.typedLit,可以添加List,Seq和Map类型的常量列. ...
python 常见内置函数setattr、getattr、delattr、setitem、getitem、delitem
常见内置函数内置函数:在类的内部,特定时机自动触发的函数示例1:setattr.getattr.delattr class Person: # def __init__(self, name): ...
Hive基本操作，DDL操作(创建表，修改表，显示命令)，DML操作(Load Insert Select),Hive Join,Hive Shell参数(内置运算符、内置函数)等
1. Hive基本操作 1.1DDL操作 1.1.1 创建表建表语法 CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name [(col_nam ...
使用内置函数操作数据库
0.视频:http://www.imooc.com/video/3383 1.笔记: ContentValues: 1)用于存储一组可以被ContentResolve处理的值: 2)代码示例: Con ...

Spark15：Spark SQL：DataFrame常见算子操作、DataFrame的sql操作、RDD转换为DataFrame、load和save操作、SaveMode、内置函数

一、Spark SQL

二、SparkSession

三、创建DataFrame

1、scala代码如下：

2、java代码如下：

四、DataFrame常见算子操作

1、scala代码如下：

2、java代码如下：

五、DataFrame的sql操作

1、scala代码如下：

2、java代码如下：

六、RDD转换为DataFrame

1、反射方式

（1）scala代码如下：

（2）java代码如下：

2、编程方式

（1）scala代码如下：

（2）java代码如下：

七、load和save操作

1、scala代码如下：

2、java代码如下：

八、SaveMode

九、内置函数

Spark15：Spark SQL：DataFrame常见算子操作、DataFrame的sql操作、RDD转换为DataFrame、load和save操作、SaveMode、内置函数相关推荐

最新文章

热门文章