Spark SQL 解析-RDD、DataFrame、Dataset 三者之间转换

74 阅读 0 评论 49 点赞

我是靠谱客的博主霸气火龙果，最近开发中收集的这篇文章主要介绍Spark SQL 解析-RDD、DataFrame、Dataset 三者之间转换，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

1.新的起始点SparkSession

在老的版本中，SparkSQL提供两种SQL查询起始点，一个叫SQLContext，用于Spark自己提供的SQL查询，一个叫HiveContext，用于连接Hive的查询，SparkSession是Spark最新的SQL查询起始点，实质上是SQLContext和HiveContext的组合，所以在SQLContext和HiveContext上可用的API在SparkSession上同样是可以使用的。SparkSession内部封装了sparkContext，所以计算实际上是由sparkContext完成的。

import org.apache.spark.sql.SparkSession
val spark = SparkSession
.builder()
.appName("Spark SQL basic example")
.config("spark.some.config.option", "some-value")
.getOrCreate()
// For implicit conversions like converting RDDs to DataFrames
import spark.implicits._

SparkSession.builder 用于创建一个SparkSession。

import spark.implicits._的引入是用于将DataFrames隐式转换成RDD，使df能够使用RDD中的方法。

如果需要Hive支持，则需要以下创建语句：

import org.apache.spark.sql.SparkSession
val spark = SparkSession
.builder()
.appName("Spark SQL basic example")
.config("spark.some.config.option", "some-value")
.enableHiveSupport()
.getOrCreate()
// For implicit conversions like converting RDDs to DataFrames
import spark.implicits._

2.创建DataFrames

在Spark SQL中SparkSession是创建DataFrames和执行SQL的入口，创建DataFrames有三种方式，一种是可以从一个存在的RDD进行转换，还可以从Hive Table进行查询返回，或者通过Spark的数据源进行创建。

2.1 从Spark数据源进行创建：

1).在HDFS文件系统中创建文件夹（在/opt/module/hadoop-2.7.2目录下执行）
hadoop fs -mkdir -p /user/luomk/source/

2).将本地文件上传到HDFS
hadoop fs -copyFromLocal /opt/module/spark-2.1.1-bin-hadoop2.7/source/employees.json /user/luomk/source/

3).通过集群模式读取HDFS文件
val df=spark.read.json("source/employees.json")
或者
val peopleDF = spark.read.format("json").load("source/employees.json")

4).展示
peopleDF.show()
peopleDF.createOrReplaceTempView("employees")
spark.sql("select * FROM employees").show();
spark.sql("select * FROM employees where salary>=4000").show();

2.2 从RDD进行转换

hadoop fs -copyFromLocal /opt/module/spark-2.1.1-bin-hadoop2.7/source/people.txt /user/luomk/source/
val peopleRdd = sc.textFile("source/people.txt ")
val peopleDF3 = peopleRdd.map(_.split(",")).map(paras => (paras(0),paras(1).trim().toInt)).toDF("name","age")
scala> peopleDF.show()

2.3 Hive我们在数据源章节介绍

3.创建DataSet

Dataset是具有强类型的数据集合，需要提供对应的类型信息

//1.
scala> case class Person(name: String, age: Long)
defined class Person
scala> val caseClassDS = Seq(Person("Andy", 32)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]
scala> caseClassDS.show()
+----+---+
|name|age|
+----+---+
|Andy| 32|
+----+---+

//2.
scala> val primitiveDS = Seq(1, 2, 3).toDS()
primitiveDS: org.apache.spark.sql.Dataset[Int] = [value: int]
scala> val primitiveDS = Seq(1, 2, 3).toDS()
primitiveDS: org.apache.spark.sql.Dataset[Int] = [value: int]
scala> primitiveDS.map(_ + 1).collect()
res1: Array[Int] = Array(2, 3, 4)

//3.
scala> val path = "source/employees.json"
path: String = source/employees.json
val peopleDS = spark.read.json(path).as[Person]
peopleDS.show()

4.RDD、DataFrame、Dataset 三者之间转换

4.1 RDD 和 DataFrame 之间的转换

4.1.1 RDD -> DataFrame


(1) 通过 将RDD转换位  元组结构 toDF
rdd.map{x =>
            val pa = x.split(",");
            (pa(0).trim, pa(1).trim)
}.toDF("name", "age”)

(2) 反射
需要样例类:
case class Person(name:String,age:String)
rdd.map{x=>
   val pa = x.split(",");
  Person(pa(0).trim, pa(1).trim)
}.toDF

(3) 编程方式【你提前不知道都有多少列，通过程序动态生成】
val peopleRDD = spark.sparkContext.textFile("source/people.txt")
// The schema is encoded in a string,应该是动态通过程序生成的
val schemaString = "name,age"
import org.apache.spark.sql.types._
// Generate the schema based on the string of schema   Array[StructFiled]
val fields = schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, nullable = true))
// val filed = schemaString.split(" ").map(filename=> filename match{ case "name"=> StructField(filename,StringType,nullable = true); case "age"=>StructField(filename, IntegerType,nullable = true)} )
val schema = StructType(fields)
// Convert records of the RDD (people) to Rows
import org.apache.spark.sql._
val rowRDD = peopleRDD.map(_.split(",")).map(attributes => Row(attributes(0), attributes(1).trim))
// Apply the schema to the RDD
val peopleDF = spark.createDataFrame(rowRDD, schema)

4.1.2 DataFrame -> RDD

dataframe.rdd

如何读取：
1、df.map(_.getString(0)).collect
2、df.map(_.getAs[String]("name")).collect

4.2 RDD 和 DataSet 之间的转换

4.2.1 RDD -> DataSet

需要样例类
Scala case class Person(name:String,age:String)
rdd.map{x=>
   val pa = x.split(",");
    Person(pa(0).trim, pa(1).trim)
}.toDS   注意转换为Person对象

4.2.1 DataSet -> RDD

ds.rdd
读取:直接读取对象的属性

4.3 DataFrame 和 DataSet 之间的转换

4.3.1 DataFrame -> DataSet

需要样例类【样例类的属性名称需要和DataFrame的列名相同】
case class Person(name:String,age:String)
df.as[Person]

4.3.2 DataSet -> DataFrame

ds.toDF

4.4 示例

4.4.1 数据准备

原始数据：people.txt格式如下：
Michael 29
Andy 30
Justin 20

将原始数据上传到HDFS：
hadoop fs -copyFromLocal /tmp/20190109-190008-c32c/people.txt /

scala> val peopleRdd = sc.textFile("/people.txt")
peopleRdd: org.apache.spark.rdd.RDD[String] = /people.txt MapPartitionsRDD[13] at textFile at <console>:24

scala> peopleRdd.collect
res3: Array[String] = Array(Michael 29, Andy 30, Justin 20)

4.4.2 RDD和DataFrame格式的相互转换：

• RDD -> DataFrame


需要注意，只有import spark.implicits._之后，RDD才有toDF、toDS功能
//（1）通过将RDD转换为原组结构实现
scala> val peopleDF1 = peopleRdd.map{x => val pa = x.split(","); (pa(0).trim ,pa(1).trim)}.toDF("name","age")
scala> peopleDF1.show
另一种方式
scala> val peopleDF3 = peopleRdd.map(_.split(",")).map(paras => (paras(0),paras(1).trim().toInt)).toDF("name","age")
scala> peopleDF3.show()


//（2）通过反射的方式
case class Person(name:String,age:String)
peopleRdd.collect
peopleRdd.map{x=>val pa = x.split(",");Person(pa(0).trim, pa(1).trim)}.toDF


//(3) 通过编程方式来转换【你提前不知道都有多少列，通过程序动态生成】
val peopleRDD = spark.sparkContext.textFile("source/people.txt")
// The schema is encoded in a string,应该是动态通过程序生成的
val schemaString = "name,age"
import org.apache.spark.sql.types._
// Generate the schema based on the string of schema   Array[StructFiled]
val fields = schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, nullable = true))
// val filed = schemaString.split(" ").map(filename=> filename match{ case "name"=> StructField(filename,StringType,nullable = true); case "age"=>StructField(filename, IntegerType,nullable = true)} )
val schema = StructType(fields)
// Convert records of the RDD (people) to Rows
import org.apache.spark.sql._
val rowRDD = peopleRDD.map(_.split(",")).map(attributes => Row(attributes(0), attributes(1).trim))
// Apply the schema to the RDD
val peopleDF = spark.createDataFrame(rowRDD, schema)

• DataFrame -> RDD

peopleDF1.rdd   

读取方式：
返回的是 RDD[Row]  如果需要获取Row中的数据，那么可以通过  getString(0)  或者 getAs[String]("name")   

例如：
peopleDF1.map(_.getString(0)).collect
peopleDF1.map(_.getAs[String]("name")).collect

4.4.3 RDD 和 DataSet 之间的转换

• RDD -> DataSet

需要样例类
case class Person(name:String,age:String)
val DataSet = peopleRdd.map{x=>val pa = x.split(",");Person(pa(0).trim, pa(1).trim)}.toDS                           
注意转换为Person对象

• DataSet -> RDD

DataSet.rdd
读取： 直接读取对象的属性

4.4.4 DataFrame 和 DataSet 之间的转换

• DataFrame -> DataSet

需要样例类【样例类的属性名称需要和DataFrame的列名相同】
case class Person(name:String,age:String)
peopleDF1.as[Person]

• DataSet -> DataFrame

ds.toDF
例如：DataSet.toDF

最后

以上就是霸气火龙果为你收集整理的Spark SQL 解析-RDD、DataFrame、Dataset 三者之间转换的全部内容，希望文章能够帮你解决Spark SQL 解析-RDD、DataFrame、Dataset 三者之间转换所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。

本文分类：# Spark
浏览次数：74 次浏览
发布日期：2024-05-22 12:25:02
本文链接：https://www.kaopuke.com/article/k-p-k_13_u_7_o_26_f2_13__7_cy.html

Spark SQL 解析-RDD、DataFrame、Dataset 三者之间转换

概述

最后

评论列表共有 0 条评论

发表评论取消回复

Spark SQL 解析-RDD、DataFrame、Dataset 三者之间转换

概述

最后

相关文章

评论列表共有 0 条评论

发表评论 取消回复

发表评论取消回复