Spark SQL 及其DataFrame的基本操作

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作为分布式SQL查询引擎，让用户可以通过SQL、DataFrame API和Dataset API三种方式实现对结构化数据的处理。但无论是哪种API或者是编程语言，都是基于同样的执行引擎，因此可以在不同的API之间随意切换。

Spark SQL的前身是 Shark，Shark最初是美国加州大学伯克利分校的实验室开发的Spark生态系统的组件之一，它运行在Spark系统之上，Shark重用了Hive的工作机制，并直接继承了Hive的各个组件， Shark将SQL语句的转换从MapReduce作业替换成了Spark作业，虽然这样提高了计算效率，但由于 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。

2.用spark.read 创建DataFrame

Spark SQL DataFrame的基本操作

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

file='file:///D:/Spark/spark-2.4.7-bin-hadoop2.7/examples/src/main/resources/people.txt'
df = spark.read.text(file)

file='file:///D:/Spark/spark-2.4.7-bin-hadoop2.7/examples/src/main/resources/people.json'
df = spark.read.json(file)

 

2.打印数据df.show()默认打印前20条数据，df.show(n)

3.打印概要df.printSchema()

4.查询总行数df.count()

5.df.head(3) #list类型，list中每个元素是Row类

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

7.查询概况    df.describe().show()

8.取列

df[‘name’]

df.name

df.select()

df.filter()

df.groupBy()

df.sort()

 

3.观察从不同类型文件创建DataFrame有什么异同?

 spark.read操作

 

代码示例	描述
spark.read.text("people.txt")	读取txt格式的文本文件，创建DataFrame
spark.read.csv ("people.csv")	读取csv格式的文本文件，创建DataFrame
spark.read.json("people.json")	读取json格式的文本文件，创建DataFrame
spark.read.parquet("people.parquet")	读取parquet格式的文本文件，创建DataFrame

 

txt文件：创建的DataFrame数据没有结构

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？