学习链接：https://www.bilibili.com/video/BV11A411L7CK?p=153&spm_id_from=333.1007.top_right_bar_window_history.content.click&vd_source=b9e4f35102d61e6d02e0a5e1bbfea480

1 SparkSQL概述

1.1 SparkSQL是什么

Spark SQL是Spark用于结构化处理的Spark模块。

1.2 Hive and SparkSQL

数据兼容方面 SparkSQL 不但兼容 Hive，还可以从 RDD、parquet 文件、JSON 文件中获取数据，未来版本甚至支持获取 RDBMS 数据以及 cassandra 等 NOSQL 数据；
性能优化方面除了采取 In-Memory Columnar Storage、byte-code generation 等优化技术外、将会引进 Cost Model 对查询进行动态评估、获取最佳物理计划等等；
组件扩展方面无论是 SQL 的语法解析器、分析器还是优化器都可以重新定义，进行扩展
SparkSQL 可以简化 RDD 的开发，提高开发效率，且执行效率非常快，所以实际工作中，基本上采用的就是 SparkSQL。Spark SQL 为了简化 RDD 的开发，提高开发效率，提供了 2 个编程抽象，类似 Spark Core 中的 RDD
- DataFrame
- DataSet
  1.3 SparkSQL特点

易整合

无缝整合了SQL查询和Spark编程

统一的数据访问

使用相同的方式连接不同的数据源

兼容Hive

在已有的仓库上直接运行SQL或者HiveQL

标准数据连接

通过JDBC或ODBC连接

1.4 DataFrame

在 Spark 中，DataFrame 是一种以 RDD 为基础的分布式数据集，类似于传统数据库中的二维表格。DataFrame 与 RDD 的主要区别在于，前者带有 schema 元信息，即 DataFrame所表示的二维表数据集的每一列都带有名称和类型。
DataFrame 是为数据提供了 Schema 的视图。可以把它当做数据库中的一张表来对待 DataFrame 也是懒执行的，但性能上比 RDD 要高，主要原因：优化的执行计划，即查询计划通过 Spark catalyst optimiser 进行优化。比如先对 DataFrame 进行过滤，再 join 过滤后的较小的结果集。
图片1.png

1.5 DataSet

DataSet 是分布式数据集合。DataSet 是 Spark 1.6 中添加的一个新抽象，是 DataFrame的一个扩展。它提供了 RDD 的优势（强类型，使用强大的 lambda 函数的能力）以及 Spark SQL 优化执行引擎的优点。DataSet 也可以使用功能性的转换（操作 map，flatMap，filter等等）。

DataSet 是 DataFrame API 的一个扩展，是 SparkSQL 最新的数据抽象
用户友好的 API 风格，既具有类型安全检查也具有 DataFrame 的查询优化特性；
用样例类来对 DataSet 中定义数据的结构信息，样例类中每个属性的名称直接映射DataSet 中的字段名称；
DataSet 是强类型的。比如可以有 DataSet[Car]，DataSet[Person]。
DataFrame 是 DataSet 的特列，DataFrame=DataSet[Row] ，所以可以通过 as 方法将DataFrame 转换为 DataSet。Row 是一个类型，跟 Car、Person 这些的类型一样，所有的表结构信息都用 Row 来表示。获取数据时需要指定顺序
2 SparkSQL核心编程
2.1 查询起始点
SparkSession 是 Spark 最新的 SQL 查询起始点，实质上是 SQLContext 和 HiveContext的组合。SparkSession 内部封装了 SparkContext，所以计算实际上是由 sparkContext 完成的。使用 spark-shell 的时候, spark 框架会自动的创建一个名称叫做 spark 的 SparkSession 对象, 就像以前可以自动获取到一个 sc 来表示 SparkContext 对象一样

2.2 DataFrame
Spark SQL 的 DataFrame API 允许我们使用 DataFrame 而不用必须去注册临时表或者生成 SQL 表达式。DataFrame API 既有 transformation 操作也有 action 操作。
2.2.1 创建DataFrame
在 Spark SQL 中 SparkSession 是创建 DataFrame 和执行 SQL 的入口，创建 DataFrame有三种方式：通过 Spark 的数据源进行创建；从一个存在的 RDD 进行转换；还可以从 Hive Table 进行查询返回。

从Spark数据源进行创建

查看Spark支持创建文件的数据源格式

scala> spark.read.
csv   format   jdbc   json   load   option   options   orc   parquet   schema   table   text   textFile

在spark的\bin\input目录中创建user.json

{"username":"zhangsan","age":30}
{"username":"lisi","age":20}
{"username":"wangwu","age":32}

读取json文件创建DataFrame

scala> spark.read.json("input/user.json")
res0: org.apache.spark.sql.DataFrame = [age: bigint, username: string]

从RDD进行转换
从 Hive Table 进行查询返回

2.2.2 SQL语法
SQL 语法风格是指我们查询数据的时候使用 SQL 语句来查询，这种风格的查询必须要有临时视图或者全局视图来辅助。
读取json文件创建DataFrame

QQ截图20220624110859.png

对DataFrame创建一个临时表

QQ截图20220624111001.png

通过SQL语句实现查询

QQ截图20220624111124.png
QQ截图20220624111411.png
QQ截图20220624111428.png

对于DataFrame创建一个全局表

普通临时表是 Session 范围内的，如果想应用范围内有效，可以使用全局临时表。使用全局临时表时需要全路径访问，如：global_temp.user

scala> df.createOrReplaceGlobalTempView("emp")

通过SQL语句实现查询全表

QQ截图20220624111334.png

2.2.3 DSL语法

DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。可以在 Scala, Java, Python 和 R 中使用 DSL，使用 DSL 语法风格不必创建临时视图。

查看DataFrame的Schema信息

scala> df.printSchema
root
|-- age: long (nullable = true)
|-- username: string (nullable = true)

只查看”username”列数据

scala> df.select("username").show()
+--------+
|username|
+--------+
|zhangsan|
|    lisi|
|  wangwu|
+--------+

查看age+1

scala> df.select($"age"+1).show
+---------+
|(age + 1)|
+---------+
|       31|
|       21|
|       33|
+---------+
scala> df.select('age + 1).show
+---------+
|(age + 1)|
+---------+
|       31|
|       21|
|       33|
+---------+

查看age大于20的数据

scala> df.filter('age > 20).show
+---+--------+
|age|username|
+---+--------+
| 30|zhangsan|
| 32|  wangwu|
+---+--------+

按照age分组，查看数据条数
```
scala> df.groupBy("age").count.show
+---+-----+
|age|count|
+---+-----+
| 32|    1|
| 30|    1|
| 20|    1|
+---+-----+
```
2.2.4 RDD和DataFrame转换
在 IDEA 中开发程序时，如果需要 RDD 与 DF 或者 DS 之间互相操作，那么需要引入import spark.implicits._
spark 不是 Scala 中的包名，而是创建的 sparkSession 对象的变量名称，所以必须先创建 SparkSession 对象再导入。这里的 spark 对象不能使用 var 声明，因为 Scala 只支持val 修饰的对象的引入。
spark-shell 中无需导入，自动完成此操作。 ```scala scala> val rdd = sc.makeRDD(List(1,2,3,4)) rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[53] at makeRDD at :24

scala> val df = rdd.toDF(“id”) df: org.apache.spark.sql.DataFrame = [id: int]

scala> df.show +—-+ | id| +—-+ | 1| | 2| | 3| | 4| +—-+

scala> df.rdd res16: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[61] at rdd at :26

<a name="UK5cy"></a>
## 2.3 DataSet
DataSet是具有强类型的数据集合，需要提供对应得类型信息
<a name="ugsP7"></a>
### 2.3.1 创建DataSet
1. 使用样例类序列创建DataSet
```scala
scala> case class Person(name: String, age: Long)
defined class Person
scala> val list = List(Person("zhangsan",30),Person("lisi",40))
list: List[Person] = List(Person(zhangsan,30), Person(lisi,40))
scala> list.toDS
res17: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]
scala> val ds = list.toDS
ds: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]
scala> ds.show
+--------+---+
|    name|age|
+--------+---+
|zhangsan| 30|
|    lisi| 40|
+--------+---+

使用基本类型得序列创建DataSet ```scala scala> val ds = Seq(1,2,3,4).toDS ds: org.apache.spark.sql.Dataset[Int] = [value: int]

scala> ds.show +——-+ |value| +——-+ | 1| | 2| | 3| | 4| +——-+

<a name="lap0A"></a>
### 2.3.2 RDD和DataSet转换
SparkSQL 能够自动将包含有 case 类的 RDD 转换成 DataSet，case 类定义了 table 的结构，case 类属性通过反射变成了表的列名。Case 类可以包含诸如 Seq 或者 Array 等复杂的结构。
```scala
scala> case class User(name:String,age:Int)
defined class User
scala> sc.makeRDD(List(("zhangsan",30),("lisi",40))).map(t=>User(t._1,t._2)).toDS
res3: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> val rdd = res3.rdd
rdd: org.apache.spark.rdd.RDD[User] = MapPartitionsRDD[5] at rdd at <console>:25
scala> rdd.collect
res4: Array[User] = Array(User(zhangsan,30), User(lisi,40))

2.4 DataFrame和DataSet转换

scala> case class User(name:String,age:Int)
defined class User
scala> val df = sc.makeRDD(List(("zhangsan",30),("lisi",40))).toDF("name","age")
df: org.apache.spark.sql.DataFrame = [name: string, age: int]
scala> val ds = df.as[User]
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> val df = ds.toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

2.5 RDD、DataFrame、DataSet三者的关系

如果同样的数据都给到这三个数据结构，分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。

2.5.1 三者的共性

RDD、DataFrame、DataSet 全都是 spark 平台下的分布式弹性数据集，为处理超大型数据提供便利
三者都有惰性机制，在进行创建、转换，如 map 方法时，不会立即执行，只有在遇到Action 如 foreach 时，三者才会开始遍历运算
三者有许多共同的函数，如 filter，排序等; ➢ 在对 DataFrame 和 Dataset 进行操作许多操作都需要这个包:import spark.implicits._（在创建好 SparkSession 对象后尽量直接导入)
三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出
三者都有 partition 的概念
DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型

2.5.2 三者的区别
RDD
- RDD 一般和 spark mllib 同时使用
- RDD 不支持 sparksql 操作
DataFrame
- 与 RDD 和 Dataset 不同，DataFrame 每一行的类型固定为 Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值
- DataFrame 与 DataSet 一般不与 spark mllib 同时使用
- DataFrame 与 DataSet 均支持 SparkSQL 的操作，比如 select，groupby 之类，还能注册临时表/视窗，进行 sql 语句操作
- DataFrame 与 DataSet 支持一些特别方便的保存方式，比如保存成 csv，可以带上表头
DataSet
- Dataset 和 DataFrame 拥有完全相同的成员函数，区别只是每一行的数据类型不同。DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row]
- DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的 getAS 方法或者共性中的第七条提到的模式匹配拿出特定字段。而 Dataset 中，每一行是什么类型是不一定的，在自定义了 case class 之后可以很自由的获得每一行的信息

QQ截图20220624144212.png

2.6 IDEA开发SparkSQL

2.6.1 添加依赖

<dependency>
  <groupId>org.apache.spark</groupId>
  <artifactId>spark-sql_2.12</artifactId>
  <version>3.0.3</version>
</dependency>

2.6.2 环境

object Spark01_SparkSQL_Basic {
  def main(args: Array[String]): Unit = {
    // TODO 创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    // TODO 执行逻辑操作
    // TODO 关闭环境
    spark.close()
  }
}

2.6.3 代码

object Spark01_SparkSQL_Basic {
  def main(args: Array[String]): Unit = {
    // TODO 创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    import spark.implicits._
    // TODO 执行逻辑操作
    // TODO DataFrame
    // val df: DataFrame = spark.read.json("datas/user.json")
    // df.show()
    // DataFrame => SQL
    // df.createOrReplaceTempView("user")
    //    spark.sql("select * from user").show()
    //    spark.sql("select age, username from user").show()
    //    spark.sql("select avg(age) from user").show()
    // DataFrame => DSL
    // 在使用DataFrame时，如果涉及到转换操作，要引入转换规则
    //    df.select("age","username").show
    //    df.select($"age" + 1).show
    //    df.select('age + 1).show
    // TODO DataSet
    // DataFrame是特定泛型的DataSet
    val seq = Seq(1, 2, 3, 4)
    //    val ds: Dataset[Int] = seq.toDS()
    //    ds.show()
    // RDD <=> DataFrame
    val rdd = spark.sparkContext.makeRDD(List((1, "zhangsan", 30), (2, "lisi", 40)))
    val df: DataFrame = rdd.toDF("id", "name", "age")
    val rowRDD: RDD[Row] = df.rdd
    // DataFrame <=> DataSet
    val ds: Dataset[User] = df.as[User]
    val df1: DataFrame = ds.toDF()
    // RDD <=> DataSet
    val ds1: Dataset[User] = rdd.map {
      case (id, name, age) => {
        User(id, name, age)
      }
    }.toDS()
    val userRDD: RDD[User] = ds1.rdd
    // TODO 关闭环境
    spark.close()
  }
  case class User(id: Int, name: String, age: Int)
}

2.7 用户自定义函数

2.7.1 UDF

object Spark02_SparkSQL_UDF {
  def main(args: Array[String]): Unit = {
    // TODO 创建SparkSQL的运行环境
    val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    val df = spark.read.json("datas/user.json")
    df.createOrReplaceTempView("user")
    spark.udf.register("prefixName", (name: String) => {
      "Name: " + name
    })
    spark.sql("select age, prefixName(username) from user").show
    // TODO 关闭环境
    spark.close()
  }
  case class User(id: Int, name: String, age: Int)
}

QQ截图20220625184215.png

2.7.2 UDAF

自定义聚合函数。通过继承 UserDefinedAggregateFunction 来实现用户自定义弱类型聚合函数，已经不再推荐使用。可以统一采用强类型聚合函数Aggregator。

弱类型

object Spark03_SparkSQL_UDAF {
def main(args: Array[String]): Unit = {
  // TODO 创建SparkSQL的运行环境
  val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
  val spark = SparkSession.builder().config(sparkConf).getOrCreate()
  val df = spark.read.json("datas/user.json")
  df.createOrReplaceTempView("user")
  spark.udf.register("ageAvg", new MyAvgUDAF())
  spark.sql("select ageAvg(age) from user").show
  // TODO 关闭环境
  spark.close()
}
/*
自定义聚合函数类：计算年龄的平均值
1. 继承UserDefinedAggregateFunction
2. 重写方法
 */
class MyAvgUDAF extends UserDefinedAggregateFunction {
  // 输入数据的结构：In
  override def inputSchema: StructType = {
    StructType(
      Array(
        StructField("age", LongType)
      )
    )
  }
  // 缓冲区数据的结构：Buffer
  override def bufferSchema: StructType = {
    StructType(Array(
      StructField("total", LongType),
      StructField("count", LongType)
    ))
  }
  // 函数计算结果的数据类型：Out
  override def dataType: DataType = LongType
  // 函数的稳定性，即传入相同的参数结果是否相同
  override def deterministic: Boolean = true
  // 缓冲区初始化
  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    // 下面两种写法一样
    //      buffer(0) = 0L
    //      buffer(1) = 0L
    buffer.update(0, 0L)
    buffer.update(1, 0L)
  }
  // 根据输入的值更新缓冲区数据
  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    buffer.update(0, buffer.getLong(0) + input.getLong(0))
    buffer.update(1, buffer.getLong(1) + 1)
  }
  // 缓冲区数据合并
  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    buffer1.update(0, buffer1.getLong(0) + buffer2.getLong(0))
    buffer1.update(1, buffer1.getLong(1) + buffer2.getLong(1))
  }
  // 计算
  override def evaluate(buffer: Row): Any = {
    buffer.getLong(0) / buffer.getLong(1)
  }
}
}

强类型

object Spark03_SparkSQL_UDAF1 {
def main(args: Array[String]): Unit = {
  // TODO 创建SparkSQL的运行环境
  val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
  val spark = SparkSession.builder().config(sparkConf).getOrCreate()
  val df = spark.read.json("datas/user.json")
  df.createOrReplaceTempView("user")
  spark.udf.register("ageAvg", functions.udaf(new MyAvgUDAF()))
  spark.sql("select ageAvg(age) from user").show
  // TODO 关闭环境
  spark.close()
}
/*
自定义聚合函数类：计算年龄的平均值
1. 继承org.apache.spark.sql.expressions.Aggregator，定义泛型
  IN:输入的数据类型 Long
  BUF:缓冲区的数据类型
  OUT:输出的数据类型 Long
2. 重写方法
 */
case class Buff(var total: Long, var count: Long)
class MyAvgUDAF extends Aggregator[Long, Buff, Long] {
  // 初始值或零值，缓冲区的初始化
  override def zero: Buff = {
    Buff(0L, 0L)
  }
  // 根据输入的数据更新缓冲区的数据
  override def reduce(buff: Buff, in: Long): Buff = {
    buff.total = buff.total + in
    buff.count = buff.count + 1
    buff
  }
  // 合并缓冲区
  override def merge(buff1: Buff, buff2: Buff): Buff = {
    buff1.total = buff1.total + buff2.total
    buff1.count = buff1.count + buff2.count
    buff1
  }
  // 计算结果
  override def finish(buff: Buff): Long = {
    buff.total / buff.count
  }
  // 缓冲区的编码操作
  override def bufferEncoder: Encoder[Buff] = Encoders.product
  // 输出的编码操作
  override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}
}

object Spark03_SparkSQL_UDAF2 {
def main(args: Array[String]): Unit = {
  // TODO 创建SparkSQL的运行环境
  val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
  val spark = SparkSession.builder().config(sparkConf).getOrCreate()
  import spark.implicits._
  val df = spark.read.json("datas/user.json")
  df.createOrReplaceTempView("user")
  // 早期版本中，spark不能在sql中使用强类型UDAF操作
  // 早期的UDAF强类型聚合函数使用DSL语法操作
  val ds: Dataset[User] = df.as[User]
  // 将UDAF转换为查询的列对象
  val udafCol: TypedColumn[User, Long] = new MyAvgUDAF().toColumn
  ds.select(udafCol).show
  // TODO 关闭环境
  spark.close()
}
/*
自定义聚合函数类：计算年龄的平均值
1. 继承org.apache.spark.sql.expressions.Aggregator，定义泛型
  IN:输入的数据类型 User
  BUF:缓冲区的数据类型
  OUT:输出的数据类型 Long
2. 重写方法
 */
case class User(username: String, age: Long)
case class Buff(var total: Long, var count: Long)
class MyAvgUDAF extends Aggregator[User, Buff, Long] {
  // 初始值或零值，缓冲区的初始化
  override def zero: Buff = {
    Buff(0L, 0L)
  }
  // 根据输入的数据更新缓冲区的数据
  override def reduce(buff: Buff, in: User): Buff = {
    buff.total = buff.total + in.age
    buff.count = buff.count + 1
    buff
  }
  // 合并缓冲区
  override def merge(buff1: Buff, buff2: Buff): Buff = {
    buff1.total = buff1.total + buff2.total
    buff1.count = buff1.count + buff2.count
    buff1
  }
  // 计算结果
  override def finish(buff: Buff): Long = {
    buff.total / buff.count
  }
  // 缓冲区的编码操作
  override def bufferEncoder: Encoder[Buff] = Encoders.product
  // 输出的编码操作
  override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}
}

2.8 数据的加载和保存

2.8.1 通用的加载和保存方式

SparkSQL 提供了通用的保存数据和数据加载的方式。这里的通用指的是使用相同的API，根据不同的参数读取和保存不同格式的数据，SparkSQL 默认读取和保存的文件格式为 parquet。

加载数据

spark.read.load 是加载数据的通用方法

scala> spark.read.
csv format jdbc json load option options orc parquet schema 
table text textFile

scala> spark.read.format("…")[.option("…")].load("…")
// format("…")：指定加载的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"
// load("…")：在"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"格式下需要传入加载数据的路径
//  option("…")：在"jdbc"格式下需要传入 JDBC 相应参数，url、user、password 和 dbtable

直接在文件上进行查询：文件格式.文件路径

scala>spark.sql("select * from json.`/opt/module/data/user.json`").show

保存数据

df.write.save是保存数据的通用方法

scala>df.write.
csv jdbc json orc parquet textFile…

保存不同格式的数据，可以对不同的数据格式进行设定

scala>df.write.format("…")[.option("…")].save("…")
// format("…")：指定保存的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"
// save ("…")：在"csv"、"orc"、"parquet"和"textFile"格式下需要传入保存数据的路径
// option("…")：在"jdbc"格式下需要传入 JDBC 相应参数，url、user、password 和 dbtable保存操作可以使用 SaveMode, 用来指明如何处理数据，使用 mode()方法来设置

SaveMode是一个枚举类

Scala/Java	Any Language	Meaning
SaveMode.ErrorIfExists(default)	“error”(default)	如果文件已经存在则抛出异常
SaveMode.Append	“append”	如果文件已经存在则追加
SaveMode.Overwrite	“overwrite”	如果文件已经存在则覆盖
SaveMode.Ignore	“ignore”	如果文件已经存在则忽略

df.write.mode("append").json("/opt/module/data/output")

2.8.2 Parquet

SparkSQL的默认数据源为Parquet格式，是一种能够有效存储嵌套数据的列式存储格式。
数据源为 Parquet 文件时，Spark SQL 可以方便的执行所有的操作，不需要使用 format。修改配置项 spark.sql.sources.default，可修改默认数据源格式。

加载数据

scala> val df = spark.read.load("examples/src/main/resources/users.parquet")
scala> df.show

保存数据
```
scala> var df = spark.read.json("/opt/module/data/input/people.json")
//保存为 parquet 格式
scala> df.write.mode("append").save("/opt/module/data/output")
```
2.8.3 JSON
Spark SQL 能够自动推测 JSON 数据集的结构，并将它加载为一个 Dataset[Row].。可以通过 SparkSession.read.json()去加载 JSON 文件。
注意：Spark 读取的 JSON 文件不是传统的 JSON 文件，每一行都应该是一个 JSON 串
导入隐式转换
```
import spark.implicits._
```

加载JSON文件

val path = "/opt/module/spark-local/people.json"
val peopleDF = spark.read.json(path)

创建临时表

peopleDF.createOrReplaceTempView("people")

数据查询
```
val teenagerNamesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13 
AND 19")
teenagerNamesDF.show()
+------+
| name|
+------+
|Justin|
+------+
```
2.8.4 CSV
Spark SQL 可以配置 CSV 文件的列表信息，读取 CSV 文件,CSV 文件的第一行设置为数据列
```
spark.read.format("csv").option("sep", ";").option("inferSchema", "true").option("header", "true").load("data/user.csv")
```
2.8.5 MySQL
Spark SQL 可以通过 JDBC 从关系型数据库中读取数据的方式创建 DataFrame，通过对DataFrame 一系列的计算后，还可以将数据再写回关系型数据库中。如果使用 spark-shell 操作，可在启动 shell 时指定相关的数据库驱动路径或者将相关的数据库驱动放到 spark 的类路径下。

在IDEA中通过JDBC对MySQL进行操作
- 导入依赖
```
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.27</version>
</dependency>
```
- 读取和保存数据
```
object Spark04_SparkSQL_JDBC {
def main(args: Array[String]): Unit = {
// TODO 创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
val spark = SparkSession.builder().config(sparkConf).getOrCreate()

// 读取MySQL数据
val df = spark.read
.format("jdbc")
.option("url", "jdbc:mysql://localhost:3306/spark-sql")
.option("driver", "com.mysql.jdbc.Driver")
.option("user", "root")
.option("password", "123456")
.option("dbtable", "user")
.load()
df.show

// 保存数据
df.write
.format("jdbc")
.option("url", "jdbc:mysql://localhost:3306/spark-sql")
.option("driver", "com.mysql.jdbc.Driver")
.option("user", "root")
.option("password", "123456")
.option("dbtable", "user1")
.mode(SaveMode.Append)
.save()

// TODO 关闭环境
spark.close()
}
}
```
  2.8.6 Hive
  Apache Hive 是 Hadoop 上的 SQL 引擎，Spark SQL 编译时可以包含 Hive 支持，也可以不包含。包含 Hive 支持的 Spark SQL 可以支持 Hive 表访问、UDF (用户自定义函数)以及 Hive 查询语言(HiveQL/HQL)等。需要强调的一点是，如果要在 Spark SQL 中包含Hive 的库，并不需要事先安装 Hive。一般来说，最好还是在编译 Spark SQL 时引入 Hive支持，这样就可以使用这些特性了。如果下载的是二进制版本的 Spark，它应该已经在编译时添加了 Hive 支持。
  若要把 Spark SQL 连接到一个部署好的 Hive 上，必须把 hive-site.xml 复制到Spark 的配置文件目录中($SPARK_HOME/conf)。即使没有部署好 Hive，Spark SQL 也可以运行。需要注意的是，如果没有部署好 Hive，Spark SQL 会在当前的工作目录中创建出自己的 Hive 元数据仓库，叫作 metastore_db。此外，如果尝试使用 HiveQL 中的CREATE TABLE (并非 CREATE EXTERNAL TABLE)语句来创建表，这些表会被放在默认的文件系统中的 /user/hive/warehouse 目录中(如果 classpath 中有配好的hdfs-site.xml，默认的文件系统就是 HDFS，否则就是本地文件系统)。
  spark-shell 默认是 Hive 支持的；代码中是默认不支持的，需要手动指定（加一个参数即可）。

内嵌的HIVE

Hive 的元数据存储在 derby 中, 默认仓库地址在spark的/spark-warehouse

scala> spark.sql("show tables").show
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
|        |     user|       true|
+--------+---------+-----------+

向表加载本地数据

scala> spark.sql("create table aaa(id int)")
scala> spark.sql("show tables").show
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
| default|      aaa|      false|
|        |     user|       true|
+--------+---------+-----------+


scala> spark.sql("select * from aaa").show
+---+
| id|
+---+
|  1|
|  2|
|  3|
|  4|
|  5|
+---+

外部的HIVE
1. Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下
2. 把 Mysql 的驱动 copy 到 jars/目录下
3. 如果访问不到 hdfs，则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下
4. 重启 spark-shell
```
scala> spark.sql("show tables").show
```
运行Spark SQL CLI

Spark SQL CLI 可以很方便的在本地运行 Hive 元数据服务以及从命令行执行查询任务。在Spark 目录下执行如下命令启动 Spark SQL CLI，直接执行 SQL 语句，类似一 Hive 窗口bin/spark-sql

运行Spark beeline

Spark Thrift Server 是 Spark 社区基于 HiveServer2 实现的一个 Thrift 服务。旨在无缝兼容HiveServer2。因为 Spark Thrift Server 的接口和协议都和 HiveServer2 完全一致，因此我们部署好 Spark Thrift Server 后，可以直接使用 hive 的 beeline 访问 Spark Thrift Server 执行相关语句。Spark Thrift Server 的目的也只是取代 HiveServer2，因此它依旧可以和 Hive Metastore进行交互，获取到 hive 的元数据。
连接 Thrift Server，需要通过以下几个步骤：

Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下
把 Mysql 的驱动 copy 到 jars/目录下
如果访问不到 hdfs，则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下
启动 Thrift Server
```
sbin/start-thriftserver.sh
```

使用beeline连接Thrift Server

bin/beeline -u jdbc:hive2://hadoop102:10000 -n root

代码

导入依赖

<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>1.2.1</version>
</dependency>
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.27</version>
</dependency>

将 hive-site.xml 文件拷贝到项目的 resources 目录中，代码实现
```
//创建 SparkSession
val spark: SparkSession = SparkSession
.builder()
.enableHiveSupport()
.master("local[*]")
.appName("sql")
.getOrCreate()
```
在开发工具中创建数据库默认是在本地仓库，通过参数修改数据库仓库的地址:
config(“spark.sql.warehouse.dir”, “hdfs://hadoop102:8020/user/hive/warehouse”)

大数据

【Spark笔记】5.SparkSQL

1 SparkSQL概述

1.1 SparkSQL是什么

1.2 Hive and SparkSQL

1.3 SparkSQL特点

1.4 DataFrame

1.5 DataSet

2 SparkSQL核心编程

2.1 查询起始点

2.2 DataFrame

2.2.1 创建DataFrame

2.2.2 SQL语法