Spark SQL实战(04)-API编程之DataFrame

我就是我 2024-03-26 21:21 73阅读 0赞

### 1 SparkSession ###

Spark Core: SparkContext

Spark SQL: 难道就没有SparkContext？

2.x之后统一的

package com.javaedge.bigdata.chapter04
    
    import org.apache.spark.sql.{
        DataFrame, SparkSession}
    
    object SparkSessionApp {
        
    
      def main(args: Array[String]): Unit = {
        
    
        // DF/DS编程的入口点
        val spark: SparkSession = SparkSession.builder()
          .master("local").getOrCreate()
    
        // 读取文件的API
        val df: DataFrame = spark.read.text("/Users/javaedge/Downloads/sparksql-train/data/input.txt")
    
        // TODO 业务逻辑处理，通过DF/DS提供的API完成业务
        df.printSchema()
        df.show() // 展示出来  只有一个字段，string类型的value
    
        spark.stop()
      }
    }

#### 1.x的Spark SQL编程入口点 ####

*  SQLContext
 *  HiveContext

Spark SQL中，SQLContext、HiveContext都是用来创建DataFrame和Dataset主要入口点，二者区别如下：

1.  数据源支持：SQLContext支持的数据源包括JSON、Parquet、JDBC等等，而HiveContext除了支持SQLContext的数据源外，还支持Hive的数据源。因此，如果需要访问Hive中的数据，需要使用HiveContext。
2.  元数据管理：SQLContext不支持元数据管理，因此无法在内存中创建表和视图，只能直接读取数据源中的数据。而HiveContext可以在内存中创建表和视图，并将其存储在Hive Metastore中。
3.  SQL语言支持：SQLContext和HiveContext都支持Spark SQL中的基本语法，例如SELECT、FROM、WHERE等等。但HiveContext还支持Hive中的所有SQL语法，例如INSERT、CREATE TABLE AS等等。
4.  数据格式支持：HiveContext支持更多的数据格式，包括ORC、Avro、SequenceFile等等。而SQLContext只支持JSON、Parquet、JDBC等几种常用的数据格式。

如若访问Hive中数据或在内存中创建表和视图，推荐HiveContext；若只需访问常见数据源，使用SQLContext。

Spark 2.x后，HiveContext已被SparkSession替代，因此推荐SparkSession创建DataFrame、Dataset。

package com.javaedge.bigdata.chapter04
    
    import org.apache.spark.{
        SparkConf, SparkContext}
    import org.apache.spark.sql.{
        DataFrame, SQLContext}
    
    /**
     * 了解即可，已过时
     */
    object SQLContextApp {
        
    
      def main(args: Array[String]): Unit = {
        
        val sparkConf: SparkConf = new SparkConf().setAppName("SQLContextApp").setMaster("local")
        // 此处一定要把SparkConf传进来
        val sc: SparkContext = new SparkContext(sparkConf)
        val sqlContext: SQLContext = new SQLContext(sc)
    
        val df: DataFrame = sqlContext.read.text("/Users/javaedge/Downloads/sparksql-train/data/input.txt")
        df.show()
    
        sc.stop()
      }
    }
    
    
    output:
    +-------------+
    |        value|
    +-------------+
    |     pk,pk,pk|
    |jepson,jepson|
    |     xingxing|
    +-------------+

### 2 DataFrame ###

最早在R语言数据分析包中提出，表示一种类似表格的数据结构，其中行和列都可以有命名。

Spark的DataFrame是基于RDD（弹性分布式数据集）的一种高级抽象，类似关系型数据库的表格。Spark DataFrame可看作带有模式（Schema）的RDD，而Schema则是由结构化数据类型（如字符串、整型、浮点型等）和字段名组成。

#### 2.1 命名变迁 ####

Spark 1.0的Spark SQL的数据结构称为SchemaRDD，具有结构化模式（schema）的分布式数据集合。

Spark 1.3版本开始，SchemaRDD重命名为DataFrame，以更好反映其API和功能实质。因此，DataFrame曾被称为SchemaRDD，但现已不再使用这名称。

#### 2.2 Spark SQL的DataFrame优点 ####

*  可通过SQL语句、API等多种方式进行查询和操作，还支持内置函数、用户自定义函数等功能
 *  支持优化器和执行引擎，可自动对查询计划进行优化，提高查询效率

因此，DataFrame已成Spark SQL核心组件，广泛应用于数据分析、数据挖掘。

### 3 数据分析选型：PySpark V.S R 语言 ###

1.  数据规模：如果需要处理大型数据集，则使用PySpark更为合适，因为它可以在分布式计算集群上运行，并且能够处理较大规模的数据。而R语言则可能会受限于单机内存和计算能力。
2.  熟练程度：如果你或你的团队已经很熟悉Python，那么使用PySpark也许更好一些，因为你们不需要再去学习新的编程语言。相反，如果已经对R语言很熟悉，那么继续使用R语言也许更为方便。
3.  生态系统：Spark生态系统提供了许多额外的库和工具，例如Spark Streaming和GraphX等，这些库和工具可以与PySpark无缝集成。而R语言的生态系统也有一些类似的库和工具，但相对来说可选择性就更少一些。

总之，选择使用哪种工具进行数据分析应该基于具体情况进行考虑。如果需要处理大规模数据集，并需要与Spark生态系统集成，那么PySpark可能更适合；如果更加熟悉R语言，或者数据量较小，那么使用R语言也可以做到高效的数据分析。

### 4 深入理解 ###

Dataset是一个分布式数据集，提供RDD强类型和使用强大的lambda函数的能力，并结合了Spark SQL优化的执行引擎。Dataset可以从JVM对象构建而成，并通过函数式转换（如map、flatMap、filter等）进行操作。Scala和Java都支持Dataset API，但Python没有对Dataset API提供支持。由于Python是一种动态语言，许多Dataset API的优点已经自然地可用，例如可以通过名称访问行的字段。R语言也有类似的特点。

DataFrame，具有命名列的Dataset，类似：

*  关系数据库中的表
 *  Python中的数据框

但内部有更多优化功能。DataFrame可从各种数据源构建，如:

*  结构化数据文件
 *  Hive表
 *  外部数据库
 *  现有RDD

DataFrame API 在 Scala、Java、Python 和 R 都可用。在Scala和Java中，DataFrame由一组Rows组成的Dataset表示：

*  Scala API中，DataFrame只是Dataset\[Row\]的类型别名
 *  Java API中，用户需要使用Dataset表示DataFrame

通常将Scala/Java中的Dataset of Rows称为DataFrame。

### 5 实战 ###

People.json

{
        "name":"Michael"}
    {
        "name":"Andy", "age":30}
    {
        "name":"Justin", "age":19}

package com.javaedge.bigdata.chapter04
    
    import org.apache.spark.sql.{
        DataFrame, SparkSession}
    
    object DataFrameAPIApp {
        
    
      def main(args: Array[String]): Unit = {
        
    
        val spark = SparkSession.builder()
          .master("local").appName("DataFrameAPIApp")
          .getOrCreate()
        import spark.implicits._
    
    
        val people: DataFrame = spark.read.json(
          "/Users/javaedge/Downloads/sparksql-train/data/people.json")
    
        // 查看DF的内部结构：列名、列的数据类型、是否可以为空
        people.printSchema()
    
        // 展示出DF内部的数据
        people.show()
      }
    }
    
    
    output:
    root
      |-- age: long (nullable = true)
      |-- name: string (nullable = true)
    
    +----+-------+
    | age|   name|
    +----+-------+
    |null|Michael|
    |  30|   Andy|
    |  19| Justin|
    +----+-------+

// select * from people where age > 21
    people.filter($"age" > 21).show()
    people.filter("age > 21").show()
    
    
    output:
    +---+----+
    |age|name|
    +---+----+
    | 30|Andy|
    +---+----+

// select age, count(1) from people group by age
    people.groupBy("age").count().show()
    
    output:
    +----+-----+
    | age|count|
    +----+-----+
    |  19|    1|
    |null|    1|
    |  30|    1|
    +----+-----+

#### createOrReplaceTempView ####

若现在，我就想完全使用 SQL 查询了，怎么实现 DF 到表的转换呢？

Spark SQL用来将一个 DataFrame 注册成一个临时表（Temporary Table）的方法。之后可使用 Spark SQL 语法及已注册的表名对 DataFrame 进行查询和操作。

允许为 DataFrame 指定一个名称，并将其保存为一个临时表。该表只存在于当前 SparkSession 的上下文，不会在元数据存储中注册表，也不会在磁盘创建任何文件。因此，临时表在SparkSession终止后就会被删。

一旦临时表被注册，就可使用 SQL 或 DSL 对其查询。如：

people.createOrReplaceTempView("people")
    
    spark.sql("select name from people where age > 21").show()

#### 大文件处理 ####

val zips: DataFrame = spark.read.json("/Users/javaedge/Downloads/sparksql-train/data/zips.json")
    zips.printSchema()
    
    zips.show(5)

loc信息没用展示全，超过一定长度就使用…来展示，默认只显示前20条：show() ==> show(20) ==> show(numRows, truncate = true)

![26fb9ff918b346e58da51e8b1e293cd7.png][]

不想被截断就这样：

![5a8a8a4cdf66418c88a28a6acfc62c6b.png][]

zips.head(3).foreach(println)
    zips.first()
    zips.take(5)

Output：

![0afe2e5405ba445387ef1bfb5d342af8.png][]

###### head(n: Int) ######

Spark的DataFrame API中的一个方法，可以返回一个包含前n行数据的数组。这个方法通常用于快速检查一个DataFrame的前几行数据，以了解数据集的大致结构和内容。

*  先对DataFrame使用`.limit(n)`方法，限制返回行数前n行
 *  然后使用`queryExecution`方法生成一个Spark SQL查询计划
 *  最后使用`collectFromPlan`方法收集数据并返回一个包含前n行数据的数组

该 API 可能导致数据集的全部数据被加载到内存，因此在处理大型数据集时应该谨慎使用。若只想查看数据集结构和内容，使用：

*  `.show()`
 *  或`.take()`

获取前几行数据，而非`.head()`。

// 过滤出大于40000，字段重新命名
    zips.filter(zips.col("pop") > 40000)
      .withColumnRenamed("_id", "new_id")
      .show(5, truncate = false)
    output:
    +------+----------+-----------------------+-----+-----+
    |new_id|city      |loc                    |pop  |state|
    +------+----------+-----------------------+-----+-----+
    |01040 |HOLYOKE   |[-72.626193, 42.202007]|43704|MA   |
    |01085 |MONTGOMERY|[-72.754318, 42.129484]|40117|MA   |
    |01201 |PITTSFIELD|[-73.247088, 42.453086]|50655|MA   |
    |01420 |FITCHBURG |[-71.803133, 42.579563]|41194|MA   |
    |01701 |FRAMINGHAM|[-71.425486, 42.300665]|65046|MA   |
    +------+----------+-----------------------+-----+-----+
    
    
    import org.apache.spark.sql.functions._
    // 统计加州pop最多的10个城市名称和ID  desc是一个内置函数
    zips.select("_id", "city", "pop", "state")
      .filter(zips.col("state") === "CA")
      .orderBy(desc("pop"))
      .show(5, truncate = false)
    output：
    +-----+------------+-----+-----+
    |_id  |city        |pop  |state|
    +-----+------------+-----+-----+
    |90201|BELL GARDENS|99568|CA   |
    |90011|LOS ANGELES |96074|CA   |
    |90650|NORWALK     |94188|CA   |
    |91331|ARLETA      |88114|CA   |
    |90280|SOUTH GATE  |87026|CA   |
    +-----+------------+-----+-----+

可惜啊，我不会写代码，可以使用 MySQL 语法吗？

zips.createOrReplaceTempView("zips")
    spark.sql("select _id,city,pop,state" +
      "from zips where state='CA'" +
      "order by pop desc" +
      "limit 10").show()

#### import spark.implicits.\_ 作用 ####

在Scala中使用Apache Spark进行数据分析时经常用到的，它的作用是将隐式转换函数导入当前作用域中。这些隐式转换函数包含了许多DataFrame和Dataset的转换方法，例如将RDD转换为DataFrame或将元组转换为Dataset等。

具体来说，这行代码使用了SparkSession对象中的implicits属性，该属性返回了一个类型为org.apache.spark.sql.SQLImplicits的实例。通过调用该实例的方法，可以将各种Scala数据类型（如case class、元组等）与Spark SQL中的数据类型（如Row、DataFrame、Dataset等）之间进行转换，从而方便地进行数据操作和查询。

在使用许多Spark SQL API的时候，往往需要使用这行代码将隐式转换函数导入当前上下文，以获得更加简洁和易于理解的代码编写方式。

##### 如果不导入会咋样 #####

如果不导入`spark.implicits._`会导致编译错误或者运行时异常。因为在进行DataFrame和Dataset的操作时，需要使用到一些隐式转换函数。如果没有导入`spark.implicits._`，则这些隐式转换函数无法被自动引入当前上下文，就需要手动地导入这些函数，这样会使编码变得比较麻烦。

例如，在进行RDD和DataFrame之间的转换时，如果不导入`spark.implicits._`，则需要手动导入`org.apache.spark.sql.Row`以及`org.apache.spark.sql.functions._`等包，并通过调用`toDF()`方法将RDD转换为DataFrame。而有了导入`spark.implicits._`后，只需要直接调用RDD对象的`toDF()`方法即可完成转换。

因此，为了简化编码，通常会在Scala中使用Spark SQL时导入`spark.implicits._`，从而获得更加简洁易读的代码。

##### 案例 #####

people.select($"name").show()

如果不导入 `spark.implicits._`，则可以手动创建一个 `Column` 对象来进行筛选操作。例如，可以使用 `col` 函数来创建一个 `Column` 对象，然后在 `select` 方法中使用该列：

import org.apache.spark.sql.functions.col
    
    val selected = people.select(col("name"))
    selected.show()

这样就可以实现与 `people.select($"name").show()` 相同的效果，但需要手动创建 `Column` 对象。显然，在编写复杂的数据操作时，手动创建 `Column` 对象可能会变得非常繁琐和困难，因此通常情况下我们会选择使用隐式转换函数，从而更加方便地使用DataFrame的API。

[26fb9ff918b346e58da51e8b1e293cd7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/498e719b12034487bbdd530e1495f11f.png
[5a8a8a4cdf66418c88a28a6acfc62c6b.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/cdee334fb2ef4773adaefb6d6f4b788b.png
[0afe2e5405ba445387ef1bfb5d342af8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/5a93b3e491cc4ce88c18edaced68e4ef.png