目錄

前言：

本文主要介紹下SparkSQL以及SparkSQL的簡單使用。這裡只是做了一個非常簡單的介紹，後續工作中如果有用到相關的知識，我會再總結。

1、Spark SQL

1.1、Spark SQL概述

1.1.1、什麼是Spark SQL
Spark SQL是Spark用來處理結構化資料的一個模組，它提供了一個程式設計抽象叫做DataFrame並且作為分散式SQL查詢引擎的作用。

1.1.2、為什麼要學習Spark SQL
我們已經學習了Hive，它是將Hive SQL轉換成MapReduce然後提交到叢集上執行，大大簡化了編寫MapReduce的程式的複雜性，由於MapReduce這種計算模型執行效率比較慢。所有Spark SQL的應運而生，它是將Spark SQL轉換成RDD，然後提交到叢集執行，執行效率非常快！

1.2、DataFrames

1.2.1、什麼是DataFrames
與RDD類似，DataFrame也是一個分散式資料容器。然而DataFrame更像傳統資料庫的二維表格，除了資料以外，還記錄資料的結構資訊，即schema。同時，與Hive類似，DataFrame也支援巢狀資料型別（struct、array和map）。從API易用性的角度上 看，DataFrame API提供的是一套高層的關係操作，比函式式的RDD API要更加友好，門檻更低。由於與R和Pandas的DataFrame類似，Spark DataFrame很好地繼承了傳統單機資料分析的開發體驗。

1.在本地建立一個檔案，有三列，分別是id、name、age，用空格分隔，然後上傳到hdfs上

hdfs dfs -put person.txt /

2.在spark shell執行下面命令，讀取資料，將每一行的資料使用列分隔符分割

val lineRDD=sc.textFile("hdfs://node1.itcast.cn:9000/person.txt").map(_.split(" "))
 

3.定義case class（相當於表的schema）

case class Person(id:Int, name:String, age:Int)

4.將RDD和case class關聯

val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))

5.將RDD轉換成DataFrame

val personDF = personRDD.toDF

6.對DataFrame進行處理

personDF.show

1.3、DataFrame常用操作

1.3.1、DSL風格語法

//檢視DataFrame中的內容
personDF.show

//檢視DataFrame部分列中的內容
personDF.select(personDF.col("name")).show
personDF.select(col("name"), col("age")).show
personDF.select("name").show

//列印DataFrame的Schema資訊
personDF.printSchema

//查詢所有的name和age，並將age+1
personDF.select(col("id"), col("name"), col("age") + 1).show
personDF.select(personDF("id"), personDF("name"), personDF("age") + 1).show

//過濾age大於等於18的
personDF.filter(col("age") >= 18).show

//按年齡進行分組並統計相同年齡的人數
personDF.groupBy("age").count().show()

1.3.2、SQL風格語法
如果想使用SQL風格的語法，需要將DataFrame註冊成表

personDF.registerTempTable("t_person")

//查詢年齡最大的前兩名
sqlContext.sql("select * from t_person order by age desc limit 2").show

//顯示錶的Schema資訊
sqlContext.sql("desc t_person").show

總結：

對於SparkSQL來說，目前博主也只是做了一個簡單的瞭解。希望各位通過該文章能學到以下幾點：
1、知道SparkSQL內部是將對應的SQL轉換為RDD來處理的。
2、知道SparkSQL是什麼以及有什麼優缺點。
3、最重要的一點是知道SparkSQL一些常用的操作。