一、什么是Spark SQL
Spark SQL是Spark用來處理結構化數據的一個模塊，它提供了兩個編程抽象分別叫做DataFrame和DataSet，它們用于作為分布式SQL查詢引擎。從下圖可以查看RDD、DataFrames與DataSet的關系。
二、為什么要學習Spark SQL？
我們已經學習了Hive，它是將Hive SQL轉換成MapReduce然后提交到集群上執行，大大簡化了編寫MapReduce的程序的復雜性，由于MapReduce這種計算模型執行效率比較慢。所以Spark SQL的應運而生，它是將Spark SQL轉換成RDD，然后提交到集群執行，執行效率非常快！所以我們類比的理解：Hive---SQL-->MapReduce，Spark SQL---SQL-->RDD。都是一種解析傳統SQL到大數據運算模型的引擎，屬于數據分析的范圍。
三、什么是DataFrame和DataSet?
首先，最簡單的理解我們可以認為DataFrame就是Spark中的數據表（類比傳統數據庫），DataFrame的結構如下：
DataFrame（表）= Schema（表結構） + Data（表數據）
總結：DataFrame（表）是Spark SQL對結構化數據的抽象。可以將DataFrame看做RDD。
DataFrame
DataFrame是組織成命名列的數據集。它在概念上等同于關系數據庫中的表，但在底層具有更豐富的優化。DataFrames可以從各種來源構建，
例如：
- 結構化數據文件(JSON)
- 外部數據庫或現有RDDs
DataFrame API支持的語言有Scala，Java，Python和R。
從上圖可以看出，DataFrame相比RDD多了數據的結構信息，即schema。RDD是分布式的 Java對象的集合。DataFrame是分布式的Row對象的集合。DataFrame除了提供了比RDD更豐富的算子以外，更重要的特點是提升執行效率、減少數據讀取以及執行計劃的優化。
DataSet
Dataset是數據的分布式集合。Dataset是在Spark 1.6中添加的一個新接口，是DataFrame之上更高一級的抽象。它提供了RDD的優點（強類型化）以及Spark SQL優化后的執行引擎的優點。一個Dataset 可以從JVM對象構造，然后使用函數轉換（map， flatMap，filter等）去操作。 Dataset API 支持Scala和Java。 Python不支持Dataset API。
四、測試數據
我們使用2個csv文件作為部分測試數據：
dept.csv信息：
10,ACCOUNTING,NEW YORK
20,RESEARCH,DALLAS
30,SALES,CHICAGO
40,OPERATIONS,BOSTON
emp.csv信息：
7369,SMITH,CLERK,7902,1980/12/17,800,,20
7499,ALLEN,SALESMAN,7698,1981/2/20,1600,300,30
7521,WARD,SALESMAN,7698,1981/2/22,1250,500,30
7566,JONES,MANAGER,7839,1981/4/2,2975,,20
7654,MARTIN,SALESMAN,7698,1981/9/28,1250,1400,30
7698,BLAKE,MANAGER,7839,1981/5/1,2850,,30
7782,CLARK,MANAGER,7839,1981/6/9,2450,,10
7788,SCOTT,ANALYST,7566,1987/4/19,3000,,20
7839,KING,PRESIDENT,,1981/11/17,5000,,10
7844,TURNER,SALESMAN,7698,1981/9/8,1500,0,30
7876,ADAMS,CLERK,7788,1987/5/23,1100,,20
7900,JAMES,CLERK,7698,1981/12/3,950,,30
7902,FORD,ANALYST,7566,1981/12/3,3000,,20
7934,MILLER,CLERK,7782,1982/1/23,1300,,10
將這2個csv文件put到HDFS的hdfs://bigdata111:9000/input/csvFiles/目錄以便后面使用
[root@bigdata111 ~]# hdfs dfs -ls /input/csvFiles
Found 2 items
-rw-r--r-- 1 root supergroup 84 2018-06-15 13:40 /input/csvFiles/dept.csv
-rw-r--r-- 1 root supergroup 617 2018-06-15 13:40 /input/csvFiles/emp.csv
五、創建DataFrame
前提：在集群模式下啟動spark-shell：bin/spark-shell --master spark://bigdata111:7077
方式1：使用case class定義表
(1) 定義case class代表表的結構schema
scala>case class Emp(empno:Int,ename:String,job:String,mgr:String,hiredate:String,sal:Int,comm:String,deptno:Int)
(2) 導入emp.csv文件（導入數據）
scala>val lines = sc.textFile("/root/temp/csv/emp.csv").map(_.split(","))//讀取Linux本地數據
或者
scala>val lines = sc.textFile("hdfs://192.168.92.134:8020/input/csvFiles/emp.csv").map(_.split(","))//讀取HDFS數據
(3) 生成表: DataFrame
scala>val allEmp = lines.map(x=>Emp(x(0).toInt,x(1),x(2),x(3),x(4),x(5).toInt,x(6),x(7).toInt))
(4)由allEmp直接生成表
scala>val empDF = allEmp.toDF
(4) 操作: DSL語句
scala>empDF.show ----> select * from emp
scala>empDF.printSchema ----> desc emp
操作結果：
方式2：使用SparkSession對象創建DataFrame
什么是SparkSession?
Apache Spark 2.0引入了SparkSession，其為用戶提供了一個統一的切入點來使用Spark的各項功能，并且允許用戶通過它調用DataFrame和Dataset相關API來編寫Spark程序。最重要的是，它減少了用戶需要了解的一些概念，使得我們可以很容易地與Spark交互。
在2.0版本之前，與Spark交互之前必須先創建SparkConf和SparkContext。然而在Spark 2.0中，我們可以通過SparkSession來實現同樣的功能，而不需要顯式地創建SparkConf, SparkContext 以及 SQLContext，因為這些對象已經封裝在SparkSession中。
通過SparkSession可以訪問Spark所有的模塊!
使用Sparksession創建DataFrame過程：
(2)加載結構化數據
scala>val lines = sc.textFile("/root/temp/csv/emp.csv").map(_.split(","))//讀取Linux數據
或者
scala>val lines = sc.textFile("hdfs://10.30.30.146:9000/input/emp.csv").map(_.split(","))//讀取HDFS數據
(3) 定義schema：StructType
scala>import org.apache.spark.sql._
scala>import org.apache.spark.sql.types._
scala>val myschema = StructType(List(StructField("empno", DataTypes.IntegerType)
, StructField("ename", DataTypes.StringType)
,StructField("job", DataTypes.StringType)
,StructField("mgr", DataTypes.StringType)
,StructField("hiredate", DataTypes.StringType)
,StructField("sal", DataTypes.IntegerType)
,StructField("comm", DataTypes.StringType)
,StructField("deptno", DataTypes.IntegerType)))
(4)把讀入的每一行數據映射成一個個Row
scala>val rowRDD = lines.map(x=>Row(x(0).toInt,x(1),x(2),x(3),x(4),x(5).toInt,x(6),x(7).toInt))
(5) 使用SparkSession.createDataFrame創建表
scala>val df = spark.createDataFrame(rowRDD,myschema)
可以看到df支持的函數很多，其實就是RDD的算子。這里也可以看出DF很像一個RDD。
方式3：直接讀取格式化的文件（json,csv）等-最簡單
前提：數據文件本身一定具有格式,這里我們選取json格式的數據，json文件可以使用spark例子中提供的people.json。你也可以使用任意json文件進行操作。
測試數據如下：
[root@bigdata111 resources]# pwd
/root/training/spark-2.1.0-bin-hadoop2.7/examples/src/main/resources
[root@bigdata111 resources]# ls
full_user.avsc kv1.txt people.json people.txt user.avsc users.avro users.parquet
[root@bigdata111 resources]# more people.json
{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}
使用SparkSession對象直接讀取Json文件
spark>val peopleDF = spark.read.json("hdfs://bigdata111:9000/input/people.json")
創建完畢DF之后就可以直接查看表的信息，十分的簡單：
六、操作DataFrame(DSL+SQL)
DataFrame操作也稱為無類型的Dataset操作.操作的DataFrame是方法1創建的empDF.
>1.DSL（domain-specific language）操作DataFrame
1.查看所有的員工信息===selec * from empDF;
scala>empDF.show
2.查詢所有的員工姓名 ($符號添加不加功能一樣)===select ename,deptno from empDF;
scala>empDF.select("ename","deptno").show
scala>empDF.select("ename","deptno").show
3.查詢所有的員工姓名和薪水，并給薪水加100塊錢===select ename,sal,sal+100 from empDF;
scala>empDF.select("sal",$"sal"+100).show
4.查詢工資大于2000的員工===select * from empDF where sal>2000;
scala>empDF.filter($"sal" > 2000).show
5.分組===select deptno,count(*) from empDF group by deptno;
scala>empDF.groupBy("deptno").count.showscala>empDF.groupBy("deptno").avg().show
scala>empDF.groupBy($"deptno").max().show
2.SQL操作DataFrame
(1)前提條件：需要把DataFrame注冊成是一個Table或者View
scala>empDF.createOrReplaceTempView("emp")
(2)使用SparkSession執行從查詢
scala>spark.sql("select * from emp").show
scala>spark.sql("select * from emp where deptno=10").show
(3)求每個部門的工資總額
scala>spark.sql("select deptno,sum(sal) from emp group by deptno").show
七、視圖（臨時和全局視圖）
在使用SQL操作DataFrame的時候，有一個前提就是必須通過DF創建一個表或者視圖：empDF.createOrReplaceTempView("emp")
在SparkSQL中，如果你想擁有一個臨時的view，并想在不同的Session中共享，而且在application的運行周期內可用，那么就需要創建一個全局的臨時view。并記得使用的時候加上global_temp作為前綴來引用它，因為全局的臨時view是綁定到系統保留的數據庫global_temp上。
① 創建一個普通的view和一個全局的view
scala>empDF.createOrReplaceTempView("emp1")
scala>empDF.createGlobalTempView("emp2")
② 在當前會話中執行查詢，均可查詢出結果。
scala>spark.sql("select * from emp1").show
scala>spark.sql("select * from global_temp.emp2").show
③ 開啟一個新的會話，執行同樣的查詢
scala>spark.newSession.sql("select * from emp1").show （運行出錯）
scala>spark.newSession.sql("select * from global_temp.emp2").show
八、使用數據源
在介紹parquet文件的時候我們使用的是Spark例子文件夾中提供的users.parquet文件：
[root@bigdata111 resources]# pwd
/root/training/spark-2.1.0-bin-hadoop2.7/examples/src/main/resources
[root@bigdata111 resources]# ls
full_user.avsc kv1.txt people.json people.txt temp user.avsc users.avro users.parquet
1、通用的Load/Save函數
（*）什么是parquet文件？
Parquet是列式存儲格式的一種文件類型，列式存儲有以下的核心：
- 可以跳過不符合條件的數據，只讀取需要的數據，降低IO數據量。
- 壓縮編碼可以降低磁盤存儲空間。由于同一列的數據類型是一樣的，可以使用更高效的壓縮編碼（例如Run Length Encoding和Delta Encoding）進一步節約存儲空間。
- 只讀取需要的列，支持向量運算，能夠獲取更好的掃描性能。
Parquet格式是Spark SQL的默認數據源，可通過spark.sql.sources.default配置
（*）通用的Load/Save函數
- load函數讀取Parquet文件：scala>val userDF = spark.read.load("hdfs://bigdata111:9000/input/users.parquet")
對比如下語句：
scala>val peopleDF = spark.read.json("hdfs://bigdata111:9000/input/people.json")
scala>val peopleDF = spark.read.format("json").load("hdfs://bigdata111:9000/input/people.json")
查詢Schema和數據:scala>userDF.show
- save函數保存數據，默認的文件格式：Parquet文件(列式存儲文件)
scala>userDF.select("name","favorite_color").write.save("/root/temp/result1")
scala>userDF.select("name","favorite_color").write.format("csv").save("/root/temp/result2")
scala>userDF.select("name","favorite_color").write.csv("/root/temp/result3")
（*）顯式指定文件格式：加載json格式
直接加載：val usersDF = spark.read.load("/root/resources/people.json")
會出錯
val usersDF = spark.read.format("json").load("/root/resources/people.json")
（*）存儲模式（Save Modes）
可以采用SaveMode執行存儲操作，SaveMode定義了對數據的處理模式。需要注意的是，這些保存模式不使用任何鎖定，不是原子操作。此外，當使用Overwrite方式執行時，在輸出新數據之前原數據就已經被刪除。SaveMode詳細介紹如下：
默認為SaveMode.ErrorIfExists模式，該模式下，如果數據庫中已經存在該表，則會直接報異常，導致數據不能存入數據庫.另外三種模式如下：
SaveMode.Append 如果表已經存在，則追加在該表中；若該表不存在，則會先創建表，再插入數據；
SaveMode.Overwrite 重寫模式，其實質是先將已有的表及其數據全都刪除，再重新創建該表，最后插入新的數據；
SaveMode.Ignore 若表不存在，則創建表，并存入數據；在表存在的情況下，直接跳過數據的存儲，不會報錯。
Demo：
usersDF.select($"name").write.save("/root/result/parquet1")
--> 出錯：因為/root/result/parquet1已經存在
usersDF.select($"name").write.mode("overwrite").save("/root/result/parquet1")
5 讀寫mysql
5.1 JDBC
Spark SQL可以通過JDBC從關系型數據庫中讀取數據的方式創建DataFrame，通過對DataFrame一系列的計算后，還可以將數據再寫回關系型數據庫中。
5.1.1 從Mysql中加載數據庫(Spark Shell 方式)
- 啟動Spark Shell，必須指定mysql連接驅動jar包
spark-shell --master spark://hadoop1:7077 --jars mysql-connector-java-5.1.35-bin.jar --driver-class-path mysql-connector-java-5.1.35-bin.jar
- 從mysql中加載數據
val jdbcDF = spark.read.format("jdbc").options(
Map("url"->"jdbc:mysql://hadoop1:3306/bigdata",
"driver"->"com.mysql.jdbc.Driver",
"dbtable"->"person", // "dbtable"->"(select * from person where id = 12) as person",
"user"->"root",
"password"->"root")
).load()
- 執行查詢
jdbcDF.show()
5.1.2 將數據寫入到MySQL中(打jar包方式)
- 編寫Spark SQL程序
import java.util.Properties
import org.apache.spark.sql.{Row, SparkSession}
object spark_sql_demo {
def main(args: Array[String]): Unit = {
val spark = SparkSession
.builder()
.master("local")
.appName("test")
.config("spark.sql.shuffle.partitions", "5")
.getOrCreate()
val jdbcDF = spark.read.format("jdbc").options(
Map("url"->"jdbc:mysql://localhost:3306/java",
"driver"->"com.mysql.jdbc.Driver",
"dbtable"->"emp", // "dbtable"->"(select * from person where id = 12) as person",
"user"->"root",
"password"->"root")
).load()
jdbcDF.createOrReplaceTempView("emp")
val resutl = spark.sql("select deptno,sum(sal) as total from emp group by deptno")
val prop = new Properties()
prop.put("user", "root")
prop.put("password", "root")
//將數據追加到數據庫
resutl.write.mode("overwrite").jdbc("jdbc:mysql://localhost:3306/java","java.person", prop)
}
}
用maven-shade-plugin插件將程序打包
將jar包提交到spark集群
spark-submit
--class cn.itcast.spark.sql.jdbcDF
--master spark://hadoop1:7077
--jars mysql-connector-java-5.1.35-bin.jar
--driver-class-path mysql-connector-java-5.1.35-bin.jar
/root/demo.jar
