Spark SQL中RDDs轉化為DataFrame（詳細全面）
除了呼叫SparkSesion.read().json/csv/orc/parqutjdbc 方法從各種外部結構化資料來源建立DataFrame物件外，Spark SQL還支援
將已有的RDD轉化為DataFrame物件，但是需要注意的是，並不是由任意型別物件組成的RDD均可轉化為DataFrame 物件，
只有當組成RDD[T]的每一個T物件內部具有公有且鮮明的欄位結構時，才能隱式或顯式地總結出建立DataFrame物件所必要的
結構資訊(Schema) 進行轉化，進而在DataFrame上呼叫RDD所不具備的強大豐富的API,或執行簡潔的SQL查詢。
Spark SQL支援將現有RDDS轉換為DataFrame的兩種不同方法，其實也就是隱式推斷或者顯式指定DataFrame物件的Schema。
1.使用反射機制( Reflection )推理出schema (結構資訊)
第一種將RDDS轉化為DataFrame的方法是使用Spark SQL內部反射機制來自動推斷包含特定型別物件的RDD的schema
(RDD的結構資訊)進行隱式轉化。採用這種方式轉化為DataFrame物件，往往是因為被轉化的RDDIT]所包含的T物件本身就
是具有典型-一維表嚴格的欄位結構的物件，因此Spark SQL很容易就可以自動推斷出合理的Schema這種基於反射機制隱式
地建立DataFrame的方法往往僅需更簡潔的程式碼即可完成轉化，並且執行效果良好。
Spark SQL的Scala介面支援自動將包含樣例類( case class物件的RDD轉換為DataFrame物件。在樣例類的宣告中 已預先定義
了表的結構資訊，內部通過反射機制即可讀取樣例類的引數的名稱、型別，轉化為DataFrame物件的Schema.樣例類不僅可以
包含Int、Double、String這樣的簡單資料型別，也可以巢狀或包含複雜型別，例如Seq或Arrays.
注意SparkContext是RDD的程式設計的主入口，SparkSession是SparkSQL的主入口，SparkSession初始化時，Sparkcontext
和SparkConf也會例項化，可有SparkSession呼叫。
以下將含有Person的樣例類物件的RDD隱式轉化為DataFrame物件的例項：
首先宣告Person樣例類，Person類物件用於裝載name,age
case class Person(name:String,age:Long)
匯入隱式類
import spark.implicits._
建立RDD
val personRDD = sparkSession.sparkContext.textFile("/spark/data/people.txt").map(_.split(" ")).map(attributes=>Person(attributes(0), attributes(1).trim.toInt))
轉化為DataFrame
val peopleDF = personRDD .toDF()
2.由開發者指定Schema
RDD轉化DataFrame的第二種方法是通過程式設計介面，允許先構建個schema,然後將其應用到現有的RDD(Row),較前一種方法
由樣例類或基本資料型別 (Int、String) 物件組成的RDD加過toDF ()直接隱式轉化為DataFrame不同，不僅需要根據需求、以及
資料結構構建Schema,而且需要將RDD[TI轉化為Row物件組成的RDD (RDD[Row]),這種方法雖然程式碼量一些，但也提供了更高
的自由度，更加靈活。
當case類不能提前定義時(例如資料集的結構資訊已包含在每一行中、一個文字資料集的事段對不同使用者來說需要被解析成不同
的欄位名)，這時就可以通過以下三部完成Dataframe的轉化
(1)根據需求從源RDD轉化成RDD of rows.
(2)建立由符合在驟1中建立的RDD中的Rows結構的StructType表示的模式。
(3)通過SparkSession提供的createDataFrame方法將模式應用於行的RDD.
然後：val peopleDF = spark.createDataFrame(rowRDD,schema)