SparkSQL（Spark-1.4.0)实战系列（二）——DataFrames进阶

本节主要内容如下

1. DataFrame与RDD的互操作实战
2. 不同数据源构建DataFrame实战

DataFrame与RDD的互操作实战

1 采用反映机制进行Schema类型推导（RDD到DataFrame的转换）
SparkSQL支持RDD到DataFrame的自动转换，实现方法是通过Case类定义表的Schema，Spark会通过反射机制读取case class的参数名并将其配置成表的列名。

//导入该语句后，RDD将会被隐式转换成DataFrame
import sqlContext.implicits._

//定义一个类为Person的Case Class作为Schema
case class Person(name: String, age: Int)

//读取文件并将数据Map成Person实例，然后转换为DataFrame，采用toDF()方法，本实例从HDFS上进行数据读取
val people = sc.textFile("/data/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()

//将实例为peopler的DataFrame注册成表
people.registerTempTable("people")

//采用SQLContext中的sql方法执行SQL语句
val teenagers = sqlContext.sql("SELECT name, age FROM people WHERE age >= 13 AND age <= 19")

//输出返回结果
teenagers.map(t => "Name: " + t(0)).collect().foreach(println)

2 利用程序动态指定Schema
在某些应用场景下，我们可能并不能提前确定对应列的个数，因而case class无法进行定义，此时可以通过传入一个字符串来设置Schema信息。具体过程如下：

// 创建RDD
val people = sc.textFile("/data/people.txt")

//Schema字符串
val schemaString = "name age"

// 导入Row
import org.apache.spark.sql.Row;

//导入Spark SQL数据类型
import org.apache.spark.sql.types.{StructType,StructField,StringType};

//利用schemaString动态生成Schema
val schema =
  StructType(
    schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, true)))

// 将people RDD转换成Rows
val rowRDD = people.map(_.split(",")).map(p => Row(p(0), p(1).trim))

// 创建DataFrame
val peopleDataFrame = sqlContext.createDataFrame(rowRDD, schema)

//注册成表
peopleDataFrame.registerTempTable("people")

//执行SQL语句.
val results = sqlContext.sql("SELECT name FROM people")

//打印输出
results.map(t => "Name: " + t(0)).collect().foreach(println)

通过不同数据源创建DataFrame

前面我们创建DataFrame时，读取的是HDFS中的txt类型数据，在SparkSQL中，它支持多种数据源，主要包括JSON、Parquet等。

//读取json格式数据
val jsonFile= sqlContext.read.json("/data/people.json")

//jsonFile注册成表
jsonFile.registerTempTable("peopleJson")
val teenagers = sqlContext.sql("SELECT name FROM peopleJson WHERE age >= 13 AND age <= 19")
teenagers.map(t => "Name: " + t(0)).collect().foreach(println)

//保存为parquet格式数据
jsonFile.select("name", "age").write.format("parquet").save("/data/namesAndAges.parquet")

parquet文件目录结构如下图

//读取parquet格式数据
val parquetFile = sqlContext.read.parquet(“/data/namesAndAges.parquet”)

//parquetFile注册成表
parquetFile.registerTempTable(“parquetPerson”)
val teenagers = sqlContext.sql(“SELECT name FROM parquetPerson WHERE age >= 13 AND age <= 19”)
teenagers.map(t => “Name: ” + t(0)).collect().foreach(println)

添加公众微信号，可以了解更多最新技术资讯