Spark 系列（九）—— Spark SQL 之 Structured API

黑白影發表於2019-08-13
SparkSQLStructAPI

一、建立DataFrame和Dataset

1.1 建立DataFrame

Spark 中所有功能的入口點是 SparkSession，可以使用 SparkSession.builder() 建立。建立後應用程式就可以從現有 RDD，Hive 表或 Spark 資料來源建立 DataFrame。示例如下：

val spark = SparkSession.builder().appName("Spark-SQL").master("local[2]").getOrCreate()
val df = spark.read.json("/usr/file/json/emp.json")
df.show()

// 建議在進行 spark SQL 程式設計前匯入下面的隱式轉換，因為 DataFrames 和 dataSets 中很多操作都依賴了隱式轉換
import spark.implicits._

可以使用 spark-shell 進行測試，需要注意的是 spark-shell 啟動後會自動建立一個名為 spark 的 SparkSession，在命令列中可以直接引用即可：

Spark 系列（九）—— Spark SQL 之 Structured API


1.2 建立Dataset

Spark 支援由內部資料集和外部資料集來建立 DataSet，其建立方式分別如下：

1. 由外部資料集建立

// 1.需要匯入隱式轉換
import spark.implicits._

// 2.建立 case class,等價於 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long, 
               hiredate: String, job: String, mgr: Long, sal: Double)

// 3.由外部資料集建立 Datasets
val ds = spark.read.json("/usr/file/emp.json").as[Emp]
ds.show()

2. 由內部資料集建立

// 1.需要匯入隱式轉換
import spark.implicits._

// 2.建立 case class,等價於 Java Bean
case class Emp(ename: String, comm: Double, deptno: Long, empno: Long, 
               hiredate: String, job: String, mgr: Long, sal: Double)

// 3.由內部資料集建立 Datasets
val caseClassDS = Seq(Emp("ALLEN", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0),
                      Emp("JONES", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0))
                    .toDS()
caseClassDS.show()


1.3 由RDD建立DataFrame

Spark 支援兩種方式把 RDD 轉換為 DataFrame，分別是使用反射推斷和指定 Schema 轉換：

1. 使用反射推斷

// 1.匯入隱式轉換
import spark.implicits._

// 2.建立部門類
case class Dept(deptno: Long, dname: String, loc: String)

// 3.建立 RDD 並轉換為 dataSet
val rddToDS = spark.sparkContext
  .textFile("/usr/file/dept.txt")
  .map(_.split("\t"))
  .map(line => Dept(line(0).trim.toLong, line(1), line(2)))
  .toDS()  // 如果呼叫 toDF() 則轉換為 dataFrame

2. 以程式設計方式指定Schema

import org.apache.spark.sql.Row
import org.apache.spark.sql.types._


// 1.定義每個列的列型別
val fields = Array(StructField("deptno", LongType, nullable = true),
                   StructField("dname", StringType, nullable = true),
                   StructField("loc", StringType, nullable = true))

// 2.建立 schema
val schema = StructType(fields)

// 3.建立 RDD
val deptRDD = spark.sparkContext.textFile("/usr/file/dept.txt")
val rowRDD = deptRDD.map(_.split("\t")).map(line => Row(line(0).toLong, line(1), line(2)))


// 4.將 RDD 轉換為 dataFrame
val deptDF = spark.createDataFrame(rowRDD, schema)
deptDF.show()


1.4 DataFrames與Datasets互相轉換

Spark 提供了非常簡單的轉換方法用於 DataFrame 與 Dataset 間的互相轉換，示例如下：

# DataFrames轉Datasets
scala> df.as[Emp]
res1: org.apache.spark.sql.Dataset[Emp] = [COMM: double, DEPTNO: bigint ... 6 more fields]

# Datasets轉DataFrames
scala> ds.toDF()
res2: org.apache.spark.sql.DataFrame = [COMM: double, DEPTNO: bigint ... 6 more fields]


二、Columns列操作

2.1 引用列

Spark 支援多種方法來構造和引用列，最簡單的是使用 col() 或 column() 函式。

col("colName")
column("colName")

// 對於 Scala 語言而言，還可以使用$"myColumn"和'myColumn 這兩種語法糖進行引用。
df.select($"ename", $"job").show()
df.select('ename, 'job).show()

2.2 新增列

// 基於已有列值新增列
df.withColumn("upSal",$"sal"+1000)
// 基於固定值新增列
df.withColumn("intCol",lit(1000))

2.3 刪除列

// 支援刪除多個列
df.drop("comm","job").show()

2.4 重新命名列

df.withColumnRenamed("comm", "common").show()

需要說明的是新增，刪除，重新命名列都會產生新的 DataFrame，原來的 DataFrame 不會被改變。


三、使用Structured API進行基本查詢

// 1.查詢員工姓名及工作
df.select($"ename", $"job").show()

// 2.filter 查詢工資大於 2000 的員工資訊
df.filter($"sal" > 2000).show()

// 3.orderBy 按照部門編號降序，工資升序進行查詢
df.orderBy(desc("deptno"), asc("sal")).show()

// 4.limit 查詢工資最高的 3 名員工的資訊
df.orderBy(desc("sal")).limit(3).show()

// 5.distinct 查詢所有部門編號
df.select("deptno").distinct().show()

// 6.groupBy 分組統計部門人數
df.groupBy("deptno").count().show()


四、使用Spark SQL進行基本查詢

4.1 Spark SQL基本使用

// 1.首先需要將 DataFrame 註冊為臨時檢視
df.createOrReplaceTempView("emp")

// 2.查詢員工姓名及工作
spark.sql("SELECT ename,job FROM emp").show()

// 3.查詢工資大於 2000 的員工資訊
spark.sql("SELECT * FROM emp where sal > 2000").show()

// 4.orderBy 按照部門編號降序，工資升序進行查詢
spark.sql("SELECT * FROM emp ORDER BY deptno DESC,sal ASC").show()

// 5.limit  查詢工資最高的 3 名員工的資訊
spark.sql("SELECT * FROM emp ORDER BY sal DESC LIMIT 3").show()

// 6.distinct 查詢所有部門編號
spark.sql("SELECT DISTINCT(deptno) FROM emp").show()

// 7.分組統計部門人數
spark.sql("SELECT deptno,count(ename) FROM emp group by deptno").show()

4.2 全域性臨時檢視

上面使用 createOrReplaceTempView 建立的是會話臨時檢視，它的生命週期僅限於會話範圍，會隨會話的結束而結束。

你也可以使用 createGlobalTempView 建立全域性臨時檢視，全域性臨時檢視可以在所有會話之間共享，並直到整個 Spark 應用程式終止後才會消失。全域性臨時檢視被定義在內建的 global_temp 資料庫下，需要使用限定名稱進行引用，如 SELECT * FROM global_temp.view1。

// 註冊為全域性臨時檢視
df.createGlobalTempView("gemp")

// 使用限定名稱進行引用
spark.sql("SELECT ename,job FROM global_temp.gemp").show()

參考資料

Spark SQL, DataFrames and Datasets Guide > Getting Started

更多大資料系列文章可以參見 GitHub 開源專案： 大資料入門指南

相關文章