開始入門
1. 起始點:SparkSession
Spark SQL中所有功能的入口點是Sparksession類。要創建一個Sparksession,僅使用 SparkSession.builder()就可以了:
Find full example code at “examples/src/main/java/org/apache/spark/examples/sql/JavaSparkSQLExample.java” in the Spark repo.
import org.apache.spark.sql.SparkSession;
SparkSession spark = SparkSession
.builder()
.appName("Java Spark SQL basic example")
.master("local[*]")
.config("spark.some.config.option", "some-value")
.getOrCreate();
Spark2.0中的Sparksession爲Hive特性提供了內嵌的支持,包括使用HiveQL編寫查詢的能力,訪問Hive UDF,以及從Hive表中讀取數據的能力。爲了使用這些特性,你不需要去有一個已存在的Hive設置。
2. 創建DataFrames
在一個Sparksession中,應用程序可以從一個已經存在的RDD ,從hive表,或者從Spark數據源中創建一個DataFrames。
舉個例子,下面就是基於一個JSON文件創建一個DataFrame
Find full example code at “examples/src/main/java/org/apache/spark/examples/sql/JavaSparkSQLExample.java” in the Spark repo.
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
Dataset<Row> df = spark.read().json("examples/src/main/resources/people.json");
// DatasetFrame 標準輸出顯示的內容 *Displays the content of the DataFrame to stdout*
df.show();
// +----+-------+
// | age| name|
// +----+-------+
// |null|Michael|
// | 30| Andy|
// | 19| Justin|
// +----+-------+
3. 無類型的Dataset操作(aka DataFrame 操作)
DataFrames 提供了一個特定的語法用在 Scala,Java,Python and R中機構化數據的操作。
正如上面提到的一樣,Spark 2.0 中,DataFrames 在 Scala 和 Java API 中,僅僅是多個 Row 的 Dataset。這些操作也參考了與強類型的 Scala/Java Datasets 中的 “類型轉換” 對應的 “無類型轉換” 。
這裏包括一些使用 Dataset 進行結構化數據處理的示例 :
Find full example code at “examples/src/main/java/org/apache/spark/examples/sql/JavaSparkSQLExample.java” in the Spark repo.
// col("...") is preferable to df.col("...")
import static org.apache.spark.sql.functions.col;
// 以樹格式打印架構 *Print the schema in a tree format*
df.printSchema();
// root
// |-- age: long (nullable = true)
// |-- name: string (nullable = true)
// 僅選擇“name”列 *Select only the "name" column*
df.select("name").show();
// +-------+
// | name|
// +-------+
// |Michael|
// | Andy|
// | Justin|
// +-------+
// 選擇所有人,但年齡增加1 *Select everybody, but increment the age by 1*
df.select(col("name"), col("age").plus(1)).show();
// +-------+---------+
// | name|(age + 1)|
// +-------+---------+
// |Michael| null|
// | Andy| 31|
// | Justin| 20|
// +-------+---------+
// 選擇21歲以上的人 *Select people older than 21*
df.filter(col("age").gt(21)).show();
// +---+----+
// |age|name|
// +---+----+
// | 30|Andy|
// +---+----+
// 按年齡計算人數 *Count people by age*
df.groupBy("age").count().show();
// +----+-----+
// | age|count|
// +----+-----+
// | 19| 1|
// |null| 1|
// | 30| 1|
// +----+-----+
爲了能夠在 DataFrame 上被執行的操作類型的完整列表請參考 API 文檔。
除了簡單的列引用和表達式之外,DataFrame 也有豐富的函數庫,包括 string 操作,date 算術,常見的 math 操作以及更多。可用的完整列表請參考 DataFrame 函數指南。
4. 應用程序以編程的方式運行 SQL 查詢(Running SQL Queries Programmatically)
SparkSession 的 sql 函數可以讓應用程序以編程的方式運行 SQL 查詢,並將結果作爲一個 Dataset<Row> 返回。
Find full example code at “examples/src/main/java/org/apache/spark/examples/sql/JavaSparkSQLExample.java” in the Spark repo.
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
//將DataFrame 註冊爲SQL臨時視圖 *Register the DataFrame as a SQL temporary view*
df.createOrReplaceTempView("people");
Dataset<Row> sqlDF = spark.sql("SELECT * FROM people");
sqlDF.show();
// +----+-------+
// | age| name|
// +----+-------+
// |null|Michael|
// | 30| Andy|
// | 19| Justin|
// +----+-------+