Spark SQL 数据帧

DataFrame是一个分布式数据集合，它被组织成命名列。从概念上讲，它相当于具有良好优化技术的关系表。

DataFrame可以从不同来源的数组构造，例如Hive表，结构化数据文件，外部数据库或现有RDD。这个API是为现代大数据和数据科学应用程序设计的，从Python的R ProgrammingandPandas中的DataFrame中获得灵感。

DataFrame的特性

下面是一些DataFrame的一些特征：

能够将单个节点集群上的大小为Kilobytes到Petabytes的数据处理为大型集群。

支持不同的数据格式(Avro，csv，弹性搜索和Cassandra)和存储系统(HDFS，HIVE表，mysql等)。

通过Spark SQL Catalyst优化器(树变换框架)的最先进的优化和代码生成。

可以通过Spark-Core轻松地与所有大数据工具和框架集成。

提供用于Python，Java，Scala和R编程的API。

SQLContext

SQLContext是一个类，用于初始化Spark SQL的功能。初始化SQLContext类对象需要SparkContext类对象(sc)。

以下命令用于通过spark-shell初始化SparkContext。

$ spark-shell

默认情况下，SparkContext对象在spark-shell启动时用namesc初始化。
使用以下命令创建SQLContext。

scala> val sqlcontext = new org.apache.spark.sql.SQLContext(sc)

例

让我们考虑一个名为employeesee.json的JSON文件中的员工记录示例。 使用以下命令创建DataFrame(df)并读取名为employee.json的JSON文档，并具有以下内容。

employee.json-将此文件放在currentscala>指针所在的目录中。

{
   {"id" : "1201", "name" : "satish", "age" : "25"}
   {"id" : "1202", "name" : "krishna", "age" : "28"}
   {"id" : "1203", "name" : "amith", "age" : "39"}
   {"id" : "1204", "name" : "javed", "age" : "23"}
   {"id" : "1205", "name" : "prudvi", "age" : "23"}
}

DataFrame操作

DataFrame为结构化数据操作提供了一个领域特定的语言。 这里，我们包括使用DataFrames的结构化数据处理的一些基本示例。

按照以下步骤执行DataFrame操作 

阅读JSON文档

首先，我们要读取JSON文档。 基于此，生成名为(dfs)的DataFrame。

使用以下命令读取JSON文档namedemployee.json。 数据显示为带有字段id，name和age的表。

scala> val dfs = sqlContext.read.json("employee.json")

输出：字段名称从employee.json自动获取。

dfs: org.apache.spark.sql.DataFrame = [age: string, id: string, name: string]

显示数据

如果你想看到的数据框的数据，然后使用以下命令。

scala> dfs.show()

输出：您可以以表格格式查看员工数据。

<console>:22, took 0.052610 s
+----+------+--------+
|age | id   |  name  |
+----+------+--------+
| 25 | 1201 | satish |
| 28 | 1202 | krishna|
| 39 | 1203 | amith  |
| 23 | 1204 | javed  |
| 23 | 1205 | prudvi |
+----+------+--------+

使用方法printSchema

如果要查看DataFrame的Structure（Schema），请使用以下命令。

scala> dfs.printSchema()

输出：

root
   |-- age: string (nullable = true)
   |-- id: string (nullable = true)
   |-- name: string (nullable = true)

使用选择方法
使用以下命令从DataFrame的三个列中获取fetchname-column。

scala> dfs.select("name").show()

输出：您可以查看名称列的值。

<console>:22, took 0.044023 s
+--------+
|  name  |
+--------+
| satish |
| krishna|
| amith  |
| javed  |
| prudvi |
+--------+

使用年龄过滤器
使用以下命令查找年龄大于23（age> 23）的雇员。

scala> dfs.filter(dfs("age") > 23).show()

输出

<console>:22, took 0.078670 s
+----+------+--------+
|age | id   | name   |
+----+------+--------+
| 25 | 1201 | satish |
| 28 | 1202 | krishna|
| 39 | 1203 | amith  |
+----+------+--------+

使用groupBy方法
使用以下命令计算同一年龄的员工人数。

scala> dfs.groupBy("age").count().show()

输出：这两个雇员有23岁。

<console>:22, took 5.196091 s
+----+-----+
|age |count|
+----+-----+
| 23 |  2  |
| 25 |  1  |
| 28 |  1  |
| 39 |  1  |
+----+-----+

运行SQL查询

SQLContext使应用程序能够在运行SQL函数时以编程方式运行SQL查询，并将结果作为DataFrame返回。
通常，在后台，SparkSQL支持两种不同的方法将现有的RDD转换为DataFrames

编号	方法和说明
1	使用反射来推断模式 此方法使用反射来生成包含特定类型的对象的RDD的模式。
2	以编程方式指定模式 第二种创建DataFrame的方法是通过编程接口，它允许您构造一个模式，然后将其应用到现有的RDD。