1.Spark SQL出现的 原因是什么? 

       Spark SQL是Spark用来处理结构化数据的一个模块,它提供了一个叫作Data Frame的编程抽象结构数据模型(即带有Schema信息的RDD),Spark SQL的前身是 Shark,由于 Shark过于依赖Hive,因此在版本迭代时很难添加新的优化策略,从而限制了Spak的发展,在2014年,伯克利实验室停止了对Shark的维护,转向Spark SQL的开发。Shark将SQL语句的转换从MapReduce作业替换成了Spark作业,Spark SQL 可以提供DataFrame API,可以对内部和外部各种数据源执行各种关系操作;可以支持大量的数据源和数据分析算法,组合使用Spark SQL 和Spark MLlib。

2.用spark.read 创建DataFrame 

 

有以下这几种通过spark.read 创建DataFrame: spark.read.text('people.txt')、spark.read.json('people.json')、spark.read.parquet('people.parquet')、spark.read.format('text).load('people.txt')、spark.read.format('json).load('people.json')、spark.read.format('parquet).load('people.parquet')

3.观察从不同类型文件创建DataFrame有什么异同? 

 1、txt文件:创建的DataFrame数据没有结构

 2、json文件:创建的DataFrame数据有结构

4.观察Spark的DataFrame与Python pandas的DataFrame有什么异同?   

 Spark SQL DataFrame的基本操作 

创建:  spark.read.text()  spark.read.json() 

 

 

 

打印数据  df.show()

默认打印前20条数据,df.show(n) 

 

 

 

打印概要  df.printSchema() 

 

 

 

 

查询总行数 

df.count() 

 

 

df.head(3) #list类型,list中每个元素是Row类

 

 

输出全部行  df.collect() #list类型,list中每个元素是Row类 

 

 

查询概况  df.describe().show() 

取列  df[‘name’] 

df.name 

df.select() 

df.filter() 

df.groupBy() 

df.sort()

 

posted on 2021-05-10 21:55  牛哈哈呀  阅读(320)  评论(0编辑  收藏  举报