06 Spark SQL 及其DataFrame的基本操作

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?

通过spark.read.text('people.txt')这种方式创建DataFrame是以值的形式存储的，通过spark.read.json('people.json')这种方式创建DataFrame是以键值对的形式存储的，通过spark.read.parquet('people.parquet')这种方式创建DataFrame是以列族的形式存储的。

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

pandas的DataFrame 是一种表格型数据结构，按照列结构存储，它含有一组有序的列，每列可以是不同的值，但每一列只能有一种数据类型。拥有丰富、灵活、操作简单的 api，在数据量不大的情况下有较好的效果。Spark的DataFrame 是基于 RDD 的一种数据类型，具有比 RDD 节省空间和更高运算效率的优点，对于大数据量的运算，分布式计算能突破 pandas 的瓶颈，而 Spark 则是分布式计算的典型代表。

Spark SQL DataFrame的基本操作

创建：

spark.read.text()

file='file:///usr/local/spark/examples/src/main/resources/people.txt'

df=spark.read.text(file)

spark.read.json()

file='file:///usr/local/spark/examples/src/main/resources/people.json'

df1=spark.read.json(file)

打印数据

df.show()默认打印前20条数据，df.show(n)

打印概要

df.printSchema()

 df1.printSchema()

查询总行数

df.count()

df1.count()

df.head(3) #list类型，list中每个元素是Row类

df.head(3)

df1.head(3)

输出全部行

df.collect() #list类型，list中每个元素是Row类

 df.collect()

 df1.collect()

查询概况

df.describe().show()

  df1.describe().show()

取列

df[‘name’]

df1['name']

df.name

df1.name

df.select()

df1.select(df1.name).show()

 df.filter()

df1.filter(df1.age>20).show()

df.groupBy()

df1.groupBy('age').count().show()

df.sort()

df1.sort(df1.age.desc()).show()