2024 .1.7 Day05_Spark_HomeWork； Spark_SQL

1. 简述Spark SQL与HIVE的对比

相同点:

    1.都是分布式SQL计算引擎

    2.都可以处理大规模的结构化数据

    3.都可以建立在YARN集群之上运行

不同点:

    1. Sparksql是基于内存计算 , Hivesql底层是运行在Mr上,也就是基于磁盘进行计算

    2. sparksql没有元数据管理服务, hivesql是有metastore元数据管理服务的

    3. Sparksql底层执行RDD程序 , HIVEsql底层执行MapReduce

    4. Sparksql可以编写sql也可以编写代码, HIVEsql只能编写sql

2. Spark SQL是什么?

SparkSQL是建立在Spark上的一个工具模块,用于处理结构化的数据

3.代码题

需求1 先将RDD转换DataFrame，完成SparkSQL版的WordCount词频统计。DSL和SQL两种方式都要实现

测试数据： hello spark hadoop hive oozie sqoop hello hive hadoop java java python hadoop hive hadoop

import os
from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
import pyspark.sql.functions as F

# 绑定指定的Python解释器
os.environ['SPARK_HOME'] = '/export/server/spark'
os.environ['PYSPARK_PYTHON'] = '/root/anaconda3/bin/python3'
os.environ['PYSPARK_DRIVER_PYTHON'] = '/root/anaconda3/bin/python3'
# 绑定指定的Python解释器
from pyspark.sql.types import StructType, IntegerType, StringType, StructField

if __name__ == '__main__':
# 1- 创建SparkSession对象
    spark = SparkSession.builder\
        .appName('RDD转DataFrame')\
        .master('local[*]')\
        .getOrCreate()
# 通过SparkSession得到SparkContext
    sc = spark.sparkContext
# 2- 数据输入
# 2.1- 创建一个RDD
    init_rdd = sc.textFile('hdfs://node1:8020/input/words.txt')
# 2.2- 将RDD的数据结构转换成二维结构
    new_rdd = init_rdd.flatMap(lambda line:line.split()).map(lambda line:(line,1))
    print(new_rdd.collect())
    '''
    [('hadoop', 1), ('hive', 1), ('hadoop', 1), ('sqoop', 1),
     ('hive', 1), ('sqoop', 1), ('hadoop', 1), ('zookeeper', 1),
      ('hive', 1), ('hue', 1), ('hue', 1), ('sqoop', 1), ('hue', 1),
       ('zookeeper', 1), ('hive', 1), ('spark', 1), ('oozie', 1),
        ('spark', 1), ('hadoop', 1), ('oozie', 1), ('hive', 1), 
        ('oozie', 1), ('spark', 1), ('hadoop', 1)]
    '''

    init_df = new_rdd.toDF(schema=['word','cnt'])

    '''
    +---------+---+
|     word|cnt|
+---------+---+
|   hadoop|  1|
|     hive|  1|
|   hadoop|  1|
|    sqoop|  1|
|     hive|  1|
|    sqoop|  1|
|   hadoop|  1|
|zookeeper|  1|
|     hive|  1|
|      hue|  1|
|      hue|  1|
|    sqoop|  1|
|      hue|  1|
|zookeeper|  1|
|     hive|  1|
|    spark|  1|
|    oozie|  1|
|    spark|  1|
|   hadoop|  1|
|    oozie|  1|
+---------+---+
only showing top 20 rows

root
 |-- word: string (nullable = true)
 |-- cnt: long (nullable = true)

    '''
    init_df.show()
    init_df.printSchema()

    print('sql方法进行词频统计')
    # 创建临时视图
    init_df.createTempView('word_table')
    spark.sql("""
        select word,count(1) as cnt 
        from word_table
        group by word
        order by word desc 
        """).show()

    print('DSL方法进行词频统计')
    init_df.select(
        'word','cnt'
    ).groupby('word').agg(
        F.count('word').alias('count_col')
    ).withColumnRenamed('word','bigdata_col')\
        .orderBy('count_col',ascending=False).show()

# 5- 释放资源
    spark.stop()
    sc.stop()

4.创建Spark DataFrame的几种方式?

    1 . 通过RDD得到DataFrame

    2. 内部初始化数据得到DataFrame

    3.  读取外部文件得到DataFrame

5. 创建得到DataFrame的方式有哪些,各自适用场景是怎么样的?

    1 . RDD转DataFrame , 场景 : RDD可以存储任意结构的数据类型,而DataFrame只能存储二维表结构化数据, 在使用Spark处理数据的初期,可能输入进来的数据是半结构化或者非结构化的,那么可以先通过RDD对数据进行ETL处理成结构化数据,再使用开发高效率的SparkSQL进行后续数据处理;

    2.  内部初始化数据得到DataFrame ,  通过createDataFrame创建DataFrame , 一般用在开发和测试中.因为只能处理少量的数据

    3.  读取外部文件得到DataFrame , Text方式\CSV方式\JSON方式 ; 

3.1 text方式读取:

                    不管文件内容如何,会将所有内容放到一个列中;

                    默认生成的列名叫做value,数据类型String;并且只能修改value的名称,其他内容无法修改;

3.2 CSV方式读取:

                            常设置的参数

                            path:指定文件路径,本地或者hdfs

                            schema：手动指定元数据信息
                             sep：指定字段间的分隔符
                             encoding：指定文件的编码方式
                             header：指定文件中的第一行是否是字段名称
                             inferSchema：根据数据内容自动推断数据类型。但是，推断结果可能不精确

3.3 JSON读取数据:

                    需要手动指定schema信息.如果手动指定的时候,名称字段与json中的key名称不一致,会解析不成功, 以null值填充

                    csv/json中schema的结构,如果是字符串类型,那么字段名称和字段数据类型间,只能以空格分隔