像写SQL一样去处理内存中的数据，SparkSQL入门教程

（一）概述

SparkSQL可以理解为在原生的RDD上做的一层封装，通过SparkSQL可以在scala和java中写SQL语句，并将结果作为Dataset/DataFrame返回。简单来讲，SparkSQL可以让我们像写SQL一样去处理内存中的数据。

Dataset是一个数据的分布式集合，是Spark1.6之后新增的接口，它提供了RDD的优点和SparkSQL优化执行引擎的优点，一个Dataset相当于RDD+Schema的结合。

Dataset的底层封装是RDD，当RDD的泛型是Row类型时，该类型就可以称为DataFrame。DataFrame是一种表格型的数据结构，就和传统的Mysql结构一样，通过DataFrame我们可以更加高效地去执行Sql。

（二）SparkSQL实战

使用SparkSQL首先需要引入相关的依赖：

<dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.12</artifactId><version>3.0.0</version></dependency>

该依赖需要和sparkCore保持一致。

SparkSQL的编码主要通过四步：

1. 创建SparkSession
2. 获取数据
3. 执行SQL
4. 关闭SparkSession

publicclassSqlTest{publicstaticvoidmain(String[] args){SparkSession sparkSession =SparkSession.builder().appName("sql").master("local").getOrCreate();Dataset<Row> json = sparkSession.read().json("data/json");
        json.printSchema();
        json.show();
        sparkSession.stop();}}

在data的目录下创建一个名为json的文件

{"name":"a","age":23}{"name":"b","age":24}{"name":"c","age":25}{"name":"d","age":26}{"name":"e","age":27}{"name":"f","age":28}

运行项目后输出两个结果，schema结果如下：

Dataset<Row>

输出结果如下：

通过SparkSQL可以执行和SQL十分相似的查询操作：

publicclassSqlTest{publicstaticvoidmain(String[] args){SparkSession sparkSession =SparkSession.builder().appName("sql").master("local").getOrCreate();Dataset<Row> json = sparkSession.read().json("data/json");
        json.select("age","name").where("age > 26").show();
        sparkSession.stop();}}

在上面的语句中，通过一系列的API实现了SQL查询操作，除此之外，SparkSQL还支持直接写原始SQL语句的操作。

在写SQL语句之前，首先需要让Spark知道对哪个表进行查询，因此需要建立一张临时表，再执行SQL查询：

json.createOrReplaceTempView("json");
sparkSession.sql("select * from json where age > 26").show();

（三）非JSON格式的Dataset创建

在上一节中创建Dataset时使用了最简单的json，因为json自己带有schema结构，因此不需要手动去增加，如果是一个txt文件，就需要在创建Dataset时手动塞入schema。

下面展示读取txt文件的例子，首先创建一个user.txt

a 23
b 24
c 25
d 26

现在我要将上面的这几行变成DataFrame，第一列表示姓名，第二列表示年龄，于是就可以像下面这样操作：

publicclassSqlTest2{publicstaticvoidmain(String[] args){SparkSession sparkSession =SparkSession.builder().appName("sql").master("local").getOrCreate();SparkContext sparkContext = sparkSession.sparkContext();JavaSparkContext sc =newJavaSparkContext(sparkContext);JavaRDD<String> lines = sc.textFile("data/user.txt");//将String类型转化为Row类型JavaRDD<Row> rowJavaRDD = lines.map(newFunction<String,Row>(){@OverridepublicRowcall(String v1)throwsException{String[] split = v1.split(" ");returnRowFactory.create(
                        split[0],Integer.valueOf(split[1]));}});//定义schemaList<StructField> structFields =Arrays.asList(DataTypes.createStructField("name",DataTypes.StringType,true),DataTypes.createStructField("age",DataTypes.IntegerType,true));StructType structType =DataTypes.createStructType(structFields);//生成dataFrameDataset<Row> dataFrame = sparkSession.createDataFrame(rowJavaRDD, structType);
        dataFrame.show();}}

（四）通过JDBC创建DataFrame

通过JDBC可直接将对应数据库中的表放入Spark中进行一些处理，下面通过MySQL进行展示。
使用MySQL需要在依赖中引入MySQL的引擎：

<dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>5.1.46</version></dependency>

接着通过类似JDBC的方式读取MySQL数据：

publicclassSqlTest3{publicstaticvoidmain(String[] args){SparkSession sparkSession =SparkSession.builder().appName("sql").master("local").getOrCreate();Map<String,String> options =newHashMap<>();
        options.put("url","jdbc:mysql://127.0.0.1:3306/books");
        options.put("driver","com.mysql.jdbc.Driver");
        options.put("user","root");
        options.put("password","123456");
        options.put("dbtable","book");Dataset<Row> jdbc = sparkSession.read().format("jdbc").options(options).load();
        jdbc.show();
        sparkSession.close();}}

读取到的数据是DataFrame，接下来的操作就是对DataFrame的操作了。

（五）总结

SparkSQL是对Spark原生RDD的增强，虽然很多功能通过RDD就可以实现，但是SparkSQL可以更加灵活地实现一些功能。我是鱼仔，我们下期再见。