Spark SQL结构化数据文件处理

一，Spark SQL概述

1，Spark SQL简介

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象结构叫做DataFrame的数据模型（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、DataFrames API和Datasets API三种方式实现对结构化数据的处理。

2，Spark SQL架构

Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。

二，DataFrame概述

1，DataFrame简介

2，DataFrame的创建

已存在的RDD调用toDF()方法转换得到DataFrame

    通过Spark读取数据源直接创建DataFrame

（1）数据准备

在HDFS文件系统中的/spark目录中有一个person.txt文件，内容如下：

（2）通过文件直接创建****DataFrame

（3）RDD直接转换为DataFrame

3，DataFrame的常用操作

（1）DSL风格操作

DataFrame提供了一个领域特定语言(DSL)以方便操作结构化数据，下面将针对DSL操作风格，讲解DataFrame

常用操作示例，

1.show():查看DataFrame中的具体内容信息

2.pritSchema0:查看0staFrame的Schema信息

3.select():查看DataFmame中造取部分列的数据，

下面演示查看xixiDF对象的name字段数据，具体代码如下所示

三，Dataset概述

1，RDD、DataFrame及Dataset的区别

RDD数据的表现形式，即序号（1），此时RDD数据没有数据类型和元数据信息。

DataFrame数据的表现形式，即序号（2），此时DataFrame数据中添加Schema元数据信息（列名和数据类型，如ID：String），DataFrame每行类型固定为Row类型，每列的值无法直接访问，只有通过解析才能获取各个字段的值

Dataset数据的表现形式，序号（3）和（4），其中序号（3）是在RDD每行数据的基础之上，添加一个数据类型（value：String）作为Schema元数据信息。而序号（4）每行数据添加People强数据类型，在Dataset[Person]中里存放了3个字段和属性，Dataset每行数据类型可自定义，一旦定义后，就具有错误检查机制

（1）通过SparkSession中的createDataset来创建****Dataset

（2）DataFrame通过“as[ElementType]”方法转换得到Dataset

四， RDD转换DataFrame