【Spark】Spark SQL基础使用详解和案例

Spark SQL是Apache Spark的一个模块，它提供了一种基于结构化数据的编程接口。
Spark SQL支持结构化数据的处理，包括数据的读取、转换和查询。它可以将传统的基于表和SQL的操作和Spark的分布式计算相结合，提供强大的数据处理和分析能力。
Spark SQL也可以与其他Spark组件集成，如MLlib和GraphX，以支持更广泛的数据处理场景。

1. 读入数据

val spark: SparkSession = SparkSession.builder().master("local").appName("agent_log_df").getOrCreate()

val fileRDD: RDD[String] = spark.sparkContext.textFile("datas/agent.log")
val rowRDD: RDD[Row] = fileRDD.map(_.split(" ")).map(
line => Row(line(0), line(1).toInt, line(2).toInt)
)

2. 创建表结构

// 定义表结构
val df: DataFrame = spark.sqlContext.createDataFrame(rowRDD,
StructType(Seq(StructField("t1", StringType), StructField("t2", IntegerType), StructField("t3", IntegerType)))
)

3. 创建临时表

df.createTempView("tmp_table")

4. sql逻辑

val sql =
  """ |select t1,t2,t3 |from ( |select t1, sum(t2) as t2, sum(t3) as t3 from tmp_table group by t1 |) t |order by t2 desc,t3 desc |limit 10 |""".stripMargin

5. sql执行

val result: DataFrame = spark.sql(sql)

6. 结果展示

result.show()

上述中有几个关键的类和方法：

1. sqlContext

Spark的SQLContext是负责Spark SQL操作的上下文对象，它提供了许多与SQL相关的功能，包括读取和处理各种数据源中的数据、执行SQL查询、创建数据框架和表等等。
通过SQLContext，用户可以使用DataFrame API来以结构化和类型安全的方式处理数据，并可以使用SQL语言和Spark SQL的内置函数来进行数据分析和查询。
总体来说，Spark的SQLContext是非常强大和灵活的，可以适应各种数据处理和分析需求，并且在处理大规模数据时具有出色的性能和扩展性。
在使用Spark的SqlContext之前，需要首先初始化一个SparkContext对象并创建一个RDD。

使用SqlContext需要进行以下步骤：

创建一个SparkConf对象，并设置一些参数，如AppName和Master。
使用SparkConf对象创建一个SparkContext对象。
通过SparkContext对象创建一个SqlContext对象。
使用SqlContext对象加载数据，并将其转换为DataFrame类型。
以下是具体的代码示例：

from pyspark.sql import SQLContext
from pyspark import SparkContext, SparkConf

#创建SparkConf
conf = SparkConf().setAppName("sql_example").setMaster("local[*]")

#创建SparkContext
sc = SparkContext(conf=conf)

#创建SqlContext
sqlContext = SQLContext(sc)

#读取数据文件
people = sc.textFile("people.txt")

#将数据转换为一个DataFrame对象
people_df = sqlContext.createDataFrame(people.map(lambda row: row.split(",")), ["name", "age"])

在以上示例中，我们首先创建了一个SparkConf对象，并设置了AppName和Master属性。然后使用SparkConf对象创建了一个SparkContext对象，并将其传递给SqlContext构造函数。接着读取了一个数据文件，并使用SqlContext对象将数据转换成DataFrame对象。

注意：使用SqlContext时需要将数据转换成DataFrame对象，而不是RDD对象。如果需要在SqlContext中使用RDD对象，可以将其转换为DataFrame对象，再进行操作。

2. StructType

Spark的StructType是一种定义结构化数据的数据类型。
它类似于SQL表的结构，每个StructType都由一组结构字段组成，每个结构字段都有一个名称和数据类型。
使用StructType，用户可以对结构化数据进行索引、查询和分析。
StructType被广泛应用于Spark中的DataFrame API和SQL查询中。

使用方法：

导入 Spark SQL 的相关包
import org.apache.spark.sql.types.{
    StructType, StructField, StringType, IntegerType}
定义 StructType
例如，假设要定义一个包含 name 和 age 两个字段的 StructType。则可以按照以下方式定义：

val schema = StructType(
    StructField("name", StringType, true) ::
    StructField("age", IntegerType, true) :: Nil
)
// 其中，StructType 用于表示整个数据结构，StructField 用于表示每个字段的信息，StringType 用于表示字段类型为字符串类，IntegerType 用于表示字段类型为整数。

// 使用 StructType
// 在创建 DataFrame 时，可以通过传递定义好的 StructType 对象来指定 DataFrame 的结构。例如：

val data = spark.sparkContext.parallelize(Seq(("John", 25), ("Mary", 30), ("Jack", 22)))
val df = spark.createDataFrame(data).toDF("name", "age")

df.printSchema()
df.show()

输出结果为：

root
 |-- name: string (nullable = true)
 |-- age: integer (nullable = true)

+----+---+
|name|age|
+----+---+
|John| 25|
|Mary| 30|
|Jack| 22|
+----+---+

栗子

给一个日志文件，过滤出两张表，然后设计表结构，使用Spark SQL实现两张表的连接

object spark_sql_code_1 {
    
  def main(args: Array[String]): Unit = {
    
    // TODO 1: 创建spark环境
    val spark: SparkSession = SparkSession.builder().master("local").appName("spark sql code").getOrCreate()

    // TODO 2: 读取数据
    val rowRDD: RDD[Row] = spark.sparkContext.textFile("datas/agent.log")
      .map(line => {
    
        val words: Array[String] = line.split(" ");
        Row(words(1), words(2).toInt, words(3).toInt)
      })

    rowRDD.persist()

    val tableRDD1: RDD[Row] = rowRDD.filter(row => {
    
      row.getInt(1) % 2 == 0
    })

    val tableRDD2: RDD[Row] = rowRDD.filter(row => {
    
      row.getInt(2) % 2 == 0
    })


    // TODO 3: 创建表结构和临时表
    // 定义表结构
    val df1: DataFrame = spark.sqlContext.createDataFrame(tableRDD1,
      StructType(Seq(StructField("t1", StringType), StructField("t2", IntegerType), StructField("t3", IntegerType)))
    )

    df1.createTempView("t")

    val df2: DataFrame = spark.sqlContext.createDataFrame(tableRDD2,
      StructType(Seq(StructField("r1", StringType), StructField("r2", IntegerType), StructField("r3", IntegerType)))
    )

    df2.createTempView("r")

    // TODO 4: sql逻辑
    val sql: String =
      """ |select r1 as t1, r2 as t2, r3 as t3, 'r' as tp from r |""".stripMargin


    // TODO 5: 执行sql
    val result: DataFrame = spark.sql(sql)

    // TODO 6: 结果显示
    result.show()

    // TODO 7: 关闭spark环境
    spark.stop()
  }