Spark SQL 是Spark 用于结构化数据(structured data)处理的Spark 模块。

一、SparkSQL简介

SparkSQL 的前身是Shark，给熟悉RDBMS 但又不理解MapReduce 的技术人员提供快速上手的工具。
Hive 是早期唯一运行在Hadoop 上的SQL-on-Hadoop 工具。但是MapReduce 计算过程中大量的中间磁盘落地过程消耗了大量的I/O，降低的运行效率，为了提高SQL-on-Hadoop 的效率，大量的SQL-on-Hadoop 工具开始产生，其中表现较为突出的是：

• Drill
• Impala
• Shark

其中Shark 是伯克利实验室Spark 生态环境的组件之一，是基于Hive 所开发的工具，它修改了下图所示的右下角的内存管理、物理计划、执行三个模块，并使之能运行在Spark 引擎上。

Shark 的出现，使得SQL-on-Hadoop 的性能比Hive 有了10-100 倍的提高。
但是，随着Spark 的发展，Shark 对于Hive 的太多依赖（如采用Hive 的语法解析器、查询优化器等等），制约了Spark 的One Stack Rule Them All 的既定方针，制约了Spark 各个组件的相互集成，所以提出了SparkSQL 项目。SparkSQL 抛弃原有Shark 的代码，汲取了Shark 的一些优点，如内存列存储（In-Memory Columnar Storage）、Hive 兼容性等，重新开发了SparkSQL 代码；由于摆脱了对Hive 的依赖性，SparkSQL无论在数据兼容、性能优化、组件扩展方面都得到了极大的方便，真可谓“退一步，海阔天空”。

• Ø 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；
• Ø 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；
• Ø 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。

2014 年6 月1 日Shark 项目和SparkSQL 项目的主持人Reynold Xin 宣布：停止对Shark 的开发，团队将所有资源放SparkSQL 项目上，至此，Shark 的发展画上了句话，但也因此发展出两个支线：SparkSQL 和Hive on Spark。

其中SparkSQL 作为Spark 生态的一员继续发展，而不再受限于Hive，只是兼容Hive；而Hive on Spark 是一个Hive 的发展计划，该计划将Spark 作为Hive 的底层引擎之一，也就是说，Hive 将不再受限于一个引擎，可以采用Map-Reduce、Tez、Spark 等引擎。
对于开发人员来讲，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

• Ø DataFrame
• Ø DataSet

d’d

1.2、执行过程

二、SparkSQL特点

2.1、易整合

无缝的整合了SQL 查询和Spark 编程，可以使用不同的语言进行代码开发。

2.2、统一的数据访问

使用相同的方式连接不同的数据源，val dataFrame = sparkSession.read.文件格式的方法名(“该文件格式的路径”)

2.3、兼容Hive

在已有的仓库上直接运行SQL 或者HiveQL，sparksql可以支持hivesql这种语法 sparksql兼容hivesql。

2.4、标准数据连接

通过JDBC 或者ODBC 来连接。

三、DataFrame

3.1、简介

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（更加关注数据的结构）。这使得Spark SQL 得以洞察更多的结构信息，从而对藏于DataFrame 背后的数据源以及作用于DataFrame 之上的变换进行了针对性的优化，最终达到大幅提升运行时效率的目标。反观RDD，由于无从得知所存数据元素的具体内部结构，Spark Core 只能在stage 层面进行简单、通用的流水线优化。
同时，与Hive 类似，DataFrame 也支持嵌套数据类型（struct、array 和map）。从API 易用性的角度上看，DataFrame API 提供的是一套高层的关系操作，比函数式的RDD API 要更加友好，门槛更低。

上图直观地体现了DataFrame 和RDD 的区别。
左侧的RDD[Person]虽然以Person 为类型参数，但Spark 框架本身不了解Person 类的内部结构。而右侧的DataFrame 却提供了详细的结构信息，使得Spark SQL 可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么。
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。比如下面一个例子:

为了说明查询优化，我们来看上图展示的人口数据分析的示例。图中构造了两个DataFrame，将它们join 之后又做了一次filter 操作。如果原封不动地执行这个执行计划，最终的执行效率是不高的。因为join 是一个代价较大的操作，也可能会产生一个较大的数据集。如果我们能将filter 下推到join 下方，先对DataFrame 进行过滤，再join 过滤后的较小的结果集，便可以有效缩短执行时间。而Spark SQL 的查询优化器正是这样做的。简而言之，逻辑查询计划优化就是一个利用基于关系代数的等价变换，将高成本的操作替换为低成本操作的过程。

3.2、基本使用

DataFrame每一行的类型固定为Row，只有通过解析才能获取各个字段的值，如

testDF.foreach{
  line =>
    val col1=line.getAs[String]("col1")
    val col2=line.getAs[String]("col2")
}

1)读取 JSON 文件创建DataFrame
scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， username: string]
2)对 DataFrame 创建一个临时表
scala> df.createOrReplaceTempView("people")
3)通过 SQL 语句实现查询全表
scala> val sqlDF = spark.sql("SELECT * FROM people")
sqlDF: org.apache.spark.sql.DataFrame = [age: bigint， name: string]
4)结果展示
scala> sqlDF.show
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30|    lisi   |
| 40|    wangwu |
+---+--------+
注意：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.people
5)对于DataFrame 创建一个全局表
scala> df.createGlobalTempView("people")
6)通过 SQL 语句实现查询全表
scala> spark.sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30|    lisi   |
| 40|    wangwu |
+---+--------+
scala> spark.newSession().sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30|    lisi|
| 40|    wangwu|
+---+--------+

3.3、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 语法风格不必去创建临时视图了。

1)创建一个DataFrame
scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， name: string]
2)查看DataFrame 的 Schema 信息
scala> df.printSchema root
|-- age: Long (nullable = true)
|-- username: string (nullable = true)
3)只查看"username"列数据
scala> df.select("username").show()
+--------+
|username|
+--------+
|zhangsan|
|    lisi   |
|    wangwu |
+--------+
4)查看"username"列数据以及"age+1"数据
注意:涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式：单引号+字段名
scala> df.select($"username",$"age" + 1).show 
scala> df.select('username, 'age + 1).show()
scala> df.select('username, 'age + 1 as "newage").show()
+--------+---------+
|username|(age + 1)|
+--------+---------+
|zhangsan|    21     |
|    lisi   |    31     |
| wangwu |    41     |
+--------+---------+
5)查看"age"大于"30"的数据
scala> df.filter($"age">30).show
+---+---------+
|age| username|
+---+---------+
| 40|    wangwu  |
+---+---------+
6)按照"age"分组，查看数据条数
scala> df.groupBy("age").count.show
+---+-----+
|age|count|
+---+-----+
| 20|    1   |
| 30|    1   |
| 40|    1   |
+---+-----+

3.4、RDD 转换为DataFrame

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._
这里的 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> val idRDD = sc.textFile("data/id.txt") 
scala> idRDD.toDF("id").show
+---+
| id|
+---+
| 1 |
| 2 |
| 3 |
| 4 |
+---+
实际开发中，一般通过样例类将 RDD 转换为 DataFrame
scala> case class User(name:String, age:Int)
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, t._2)).toDF.show
+--------+---+
|    name   |age|
+--------+---+
|zhangsan| 30|
|    lisi   | 40|
+--------+---+

3.5、DataFrame 转换为RDD

DataFrame 其实就是对RDD 的封装，所以可以直接获取内部的RDD。

scala> val df = sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, t._2)).toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]
scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[46] at rdd at <console>:25
scala> val array = rdd.collect
array: Array[org.apache.spark.sql.Row] = Array([zhangsan,30], [lisi,40])
注意：此时得到的RDD 存储类型为Row
scala> array(0)
res28: org.apache.spark.sql.Row = [zhangsan,30] scala> array(0)(0)
res29: Any = zhangsan
scala> array(0).getAs[String]("name") res30: String = zhangsan

四、DataSet

4.1、简介

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SparkSQL 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）。

• Ø DataSet 是DataFrame API 的一个扩展，是SparkSQL 最新的数据抽象
• Ø 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；
• Ø 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到DataSet 中的字段名称；
• Ø DataSet 是强类型的。比如可以有DataSet[Car]，DataSet[Person]。
• Ø 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

4.2、基本使用

使用：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

1）创建一个样例类
case class Person(name: String, age: Long)
2）创建DataSet
val caseClassDS = Seq(Person("Andy", 32)).toDS()

4.3、RDD转DataSet

1）创建一个RDD
val peopleRDD = sc.textFile("examples/src/main/resources/people.txt")
2）创建一个样例类
case class Person(name: String, age: Long)
3）将RDD转化为DataSet
peopleRDD.map(line => {val para = line.split(",");Person(para(0),para(1).trim.toInt)}).toDS()

4.4、DataSet转RDD

1）创建一个DataSet
val DS = Seq(Person("Andy", 32)).toDS()
2）将DataSet转换为RDD
DS.rdd

五、RDD、DataFrame、DataSet 三者的关系

在 SparkSQL 中 Spark 为我们提供了两个新的抽象，分别是 DataFrame 和 DataSet。他们和 RDD 有什么区别呢？首先从版本的产生上来看：

• Spark1.0 => RDD
• Spark1.3 => DataFrame
• Spark1.6 => Dataset

如果同样的数据都给到这三个数据结构，他们分别计算之后，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。在后期的 Spark 版本中，DataSet 有可能会逐步取代RDD和 DataFrame 成为唯一的API 接口。

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

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，这样每一列的字段名一目了然(后面专门讲解)
• 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

六、SparkSession

SparkSession是Spark 2.0引如的新概念。SparkSession为用户提供了统一的切入点，来让用户学习spark的各项功能。
  在spark的早期版本中，SparkContext是spark的主要切入点，由于RDD是主要的API，我们通过sparkcontext来创建和操作RDD。对于每个其他的API，我们需要使用不同的context。例如，对于Streming，我们需要使用StreamingContext；对于sql，使用sqlContext；对于Hive，使用hiveContext。但是随着DataSet和DataFrame的API逐渐成为标准的API，就需要为他们建立接入点。所以在spark2.0中，引入SparkSession作为DataSet和DataFrame API的切入点，SparkSession封装了SparkConf、SparkContext和SQLContext。为了向后兼容，SQLContext和HiveContext也被保存下来。
　　SparkSession实质上是SQLContext和HiveContext的组合（未来可能还会加上StreamingContext），所以在SQLContext和HiveContext上可用的API在SparkSession上同样是可以使用的。SparkSession内部封装了sparkContext，所以计算实际上是由sparkContext完成的。
特点：

• 为用户提供一个统一的切入点使用Spark 各项功能
• 允许用户通过它调用 DataFrame 和 Dataset 相关 API 来编写程序
• 减少了用户需要了解的一些概念，可以很容易的与 Spark 进行交互
• 与 Spark 交互之时不需要显示的创建 SparkConf, SparkContext 以及 SQlContext，这些对象已经封闭在 SparkSession 中

七、在idea中编程

object TestSparkDataFrame {
  def main(args: Array[String]): Unit = {
        // 由于在window环境，需要设置该行属性
    System.setProperty("hadoop.home.dir","D:\\hadoop")
    val sparkConf: SparkConf = new SparkConf().setAppName("SQL").setMaster("local[*]")
    val sc = new SparkContext(sparkConf)
//    val spark: SparkSession.Builder = SparkSession.builder().appName("SQL").master("local[*]")
    val spark: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
    import spark.implicits._   //引入隐式转换规则（为SparkSession里面的一个对象），这一行的位置需要SparkSession.builder()后面，否则会有报错
    spark.stop()
  }
}

八、自定义SQL函数

用户可以通过 spark.udf 功能添加自定义函数，实现自定义功能。

SparkSQL UDF两种注册方式：udf() 和 register()
一、调用sqlContext.udf.register()
此时注册的方法 只能在sql()中可见，对DataFrame API不可见
用法：sqlContext.udf.register("makeDt", makeDT(_:String,_:String,_:String))
示例：
def makeDT(date: String, time: String, tz: String) = s"$date $time $tz"
sqlContext.udf.register("makeDt", makeDT(_:String,_:String,_:String))
// Now we can use our function directly in SparkSQL.
sqlContext.sql("SELECT amount, makeDt(date, time, tz) from df").take(2)
// but not outside
df.select($"customer_id", makeDt($"date", $"time", $"tz"), $"amount").take(2) // fails
二、调用spark.sql.function.udf()方法
此时注册的方法，对外部可见
用法：valmakeDt = udf(makeDT(_:String,_:String,_:String))
示例：
import org.apache.spark.sql.functions.udf
val makeDt = udf(makeDT(_:String,_:String,_:String))
// now this works
df.select($"customer_id", makeDt($"date", $"time", $"tz"), $"amount").take(2)

8.1、UDF

import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.functions.udf
val spark = SparkSession
  .builder()
  .appName("Spark SQL UDF scalar example")
  .getOrCreate()
// Define and register a zero-argument non-deterministic UDF
// UDF is deterministic by default, i.e. produces the same result for the same input.
val random = udf(() => Math.random())
spark.udf.register("random", random.asNondeterministic())
spark.sql("SELECT random()").show()
// +-------+
// |UDF()  |
// +-------+
// |xxxxxxx|
// +-------+
// Define and register a one-argument UDF
val plusOne = udf((x: Int) => x + 1)
spark.udf.register("plusOne", plusOne)
spark.sql("SELECT plusOne(5)").show()
// +------+
// |UDF(5)|
// +------+
// |     6|
// +------+
// Define a two-argument UDF and register it with Spark in one step
spark.udf.register("strLenScala", (_: String).length + (_: Int))
spark.sql("SELECT strLenScala('test', 1)").show()
// +--------------------+
// |strLenScala(test, 1)|
// +--------------------+
// |                   5|
// +--------------------+
// UDF in a WHERE clause
spark.udf.register("oneArgFilter", (n: Int) => { n > 5 })
spark.range(1, 10).createOrReplaceTempView("test")
spark.sql("SELECT * FROM test WHERE oneArgFilter(id)").show()
// +---+
// | id|
// +---+
// |  6|
// |  7|
// |  8|
// |  9|
// +---+

8.2、UDAFs

https://spark.apache.org/docs/latest/sql-ref-functions-udf-aggregate.html
强类型的Dataset 和弱类型的DataFrame 都提供了相关的聚合函数， 如 count()，countDistinct()，avg()，max()，min()。除此之外，用户可以设定自己的自定义聚合函数。通过继承UserDefinedAggregateFunction 来实现用户自定义弱类型聚合函数。从Spark3.0 版本后，UserDefinedAggregateFunction 已经不推荐使用了。可以统一采用强类型聚合函数Aggregator

8.2.1、 实现方式- UDAF - 弱类型

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types.{DataType, DoubleType, IntegerType, LongType, StructField, StructType}
/*
定义类继承 UserDefinedAggregateFunction，并重写其中方法
*/
class MyAveragUDAF extends UserDefinedAggregateFunction {
  // 聚合函数输入参数的数据类型
  override def inputSchema: StructType = StructType(Array(StructField("age",IntegerType)))
  // 聚合函数缓冲区中值的数据类型(age,count)
  override def bufferSchema: StructType = {
    StructType(Array(StructField("sum",LongType),StructField("count",LongType)))
  }
  // 函数返回值的数据类型
  override def dataType: DataType = DoubleType
  // 稳定性：对于相同的输入是否一直返回相同的输出。
  override def deterministic: Boolean = true
  // 函数缓冲区初始化
  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    // 存年龄的总和
    buffer(0) = 0L
    // 存年龄的个数
    buffer(1) = 0L
  }
  // 更新缓冲区中的数据
  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
     if (!input.isNullAt(0)) {
       buffer(0) = buffer.getLong(0) + input.getInt(0)
       buffer(1) = buffer.getLong(1) + 1
     }
  }
  // 合并缓冲区
  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0)
    buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
  }
  // 计算最终结果
  override def evaluate(buffer: Row): Any = {
    buffer.getLong(0).toDouble / buffer.getLong(1)
  }
}
object Test{
  def main(args: Array[String]): Unit = {
    System.setProperty("hadoop.home.dir","D:\\hadoop")
    val spark: SparkSession = SparkSession.builder().appName("SQL").master("local[*]").getOrCreate()
    import spark.implicits._
    //创建聚合函数
    var myAverage = new MyAveragUDAF
    val rdd: RDD[(Int, String)] = spark.sparkContext.makeRDD(Seq((1, "王五"),(2,"张三")))
    val df: DataFrame = rdd.toDF("age","name")
    df.createTempView("user")
    df.show()
    //在 spark 中注册聚合函数
    spark.udf.register("avgAge",myAverage)
//
    spark.sql("select avgAge(age) from user").show()
    spark.stop()
  }
}

8.2.2、实现方式-UDAF-强类型

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.catalyst.expressions.aggregate.Average
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{DataFrame, Dataset, Encoder, Encoders, SparkSession, TypedColumn, functions}

object MyAverage extends Aggregator[Employee, Average, Double] {
  // A zero value for this aggregation. Should satisfy the property that any b + zero = b
  def zero: Average = Average(0L, 0L)
  // Combine two values to produce a new value. For performance, the function may modify `buffer`
  // and return it instead of constructing a new object
  def reduce(buffer: Average, employee: Employee): Average = {
    buffer.sum += employee.salary
    buffer.count += 1
    buffer
  }
  // Merge two intermediate values
  def merge(b1: Average, b2: Average): Average = {
    b1.sum += b2.sum
    b1.count += b2.count
    b1
  }
  // Transform the output of the reduction
  def finish(reduction: Average): Double = reduction.sum.toDouble / reduction.count
  // Specifies the Encoder for the intermediate value type
  def bufferEncoder: Encoder[Average] = Encoders.product
  // Specifies the Encoder for the final output value type
  def outputEncoder: Encoder[Double] = Encoders.scalaDouble
}
//输入数据类型
case class Employee(name: String, salary: Long)
//缓存类型
case class Average(var sum: Long, var count: Long)

object Test2{

  def main(args: Array[String]): Unit = {
    System.setProperty("hadoop.home.dir","D:\\hadoop")

    val spark: SparkSession = SparkSession.builder().appName("SQL").master("local[*]").getOrCreate()
    import spark.implicits._

    val rdd: RDD[(String, Int)] = spark.sparkContext.makeRDD(Seq(("好好",23),("ask的",65)))

    // 第一种
    val df: Dataset[Employee] = rdd.toDF("name","salary").as[Employee]
    val avg: TypedColumn[Employee, Double] = MyAverage.toColumn.name("age")
    df.select(avg).show()

    //第二种由于类型不对，所以结果和预期不一致
    /*val frame: DataFrame = rdd.toDF("name","salary")
    frame.createTempView("user")
    spark.udf.register("avg",functions.udaf(MyAverage))
    spark.sql("select avg(salary) from user").show()*/

    spark.stop()
  }

}

九、数据的加载和保存

9.1、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
1) 加载数据

spark.read.load 是加载数据的通用方法
scala> spark.read.
csv table    format text    jdbc    json textFile    load    option    options    orc    parquet    schema

如果读取不同格式的数据，可以对不同的数据格式进行设定
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。

我们前面都是使用read API 先把文件加载到 DataFrame 然后再查询，其实也可以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

2) 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… …

如果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。有一点很重要: 这些 SaveMode 都是没有加锁的, 也不是原子操作。
df.write.mode("append").json("/opt/module/data/output")

SaveMode 是一个枚举类，其中的常量包括：

9.2、Parquet

Spark SQL 的默认数据源为Parquet 格式。Parquet 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。

1、加载数据
scala> val df: DataFrame = spark.read.load("examples/src/main/resources/users.parquet")
scala> df.show

2、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")

9.3、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。格式如下：

{"name":"Michael"}
{"name":"Andy"， "age":30}
[{"name":"Justin"， "age":19},{"name":"Justin"， "age":19}]

1）导入隐式转换
import spark.implicits._

2）加载 JSON 文件
al peopleDF = spark.read.json("/opt/module/spark-local/people.json")

3）创建临时表
peopleDF.createOrReplaceTempView("people")

4）数据查询
val teenagerNamesDF: DataFrame = spark.sql("SELECT    name    FROM    people    WHERE    age    BETWEEN    13 AND 19")
teenagerNamesDF.show()

9.4、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。

1）读
spark.read.format("csv").option("sep", ";").option("inferSchema","true").option("header", "true").load("data/user.csv")

2）写
dataframe.write().csv("path")

9.5、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：bin/spark-shell —jars mysql-connector-java-5.1.27-bin.jar
1） 读取数据

1)导入依赖
<dependency>
  <groupId>mysql</groupId>
  <artifactId>mysql-connector-java</artifactId>
  <version>5.1.27</version>
</dependency>

2)读取数据
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQL")
//创建 SparkSession 对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate() 
import spark.implicits._
//方式 1：通用的 load 方法读取
spark.read.format("jdbc")
          .option("url", "jdbc:mysql://linux1:3306/spark-sql")
          .option("driver", "com.mysql.jdbc.Driver")
          .option("user", "root")
          .option("password", "123123")
          .option("dbtable", "user")
          .load().show

//方式 2:通用的 load 方法读取 参数另一种形式
spark.read.format("jdbc").options(Map(
  "url"->"jdbc:mysql://linux1:3306/spark-sql?user=root&password= 123123",
  "dbtable"->"user",
  "driver"->"com.mysql.jdbc.Driver")).load().show

//方式 3:使用 jdbc 方法读取
val props: Properties = new Properties() 
props.setProperty("user", "root") 
props.setProperty("password", "123123")
val df: DataFrame = spark.read.jdbc("jdbc:mysql://linux1:3306/spark-sql", "user", props)
df.show()

2）写入数据

case class User2(name: String, age: Long)

val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQL")
//创建 SparkSession 对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate() import spark.implicits._

val rdd: RDD[User2] = spark.sparkContext.makeRDD(List(User2("lisi", 20), User2("zs", 30)))
val ds: Dataset[User2] = rdd.toDS

//方式 1：通用的方式 format 指定写出类型
ds.write
.format("jdbc")
.option("url", "jdbc:mysql://linux1:3306/spark-sql")
.option("user", "root")
.option("password", "123123")
.option("dbtable", "user")
.mode(SaveMode.Append)
.save()

//方式 2：通过 jdbc 方法
val props: Properties = new Properties() 
props.setProperty("user", "root") 
props.setProperty("password", "123123")
ds.write.mode(SaveMode.Append).jdbc("jdbc:mysql://linux1:3306/spark-sql", "user", props)

//释放资源spark.stop()

9.6、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。如果你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，你必须把 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，如果你没有部署好 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，如果你尝试使用 HiveQL 中的CREATE TABLE (并非 CREATE EXTERNAL TABLE)语句来创建表，这些表会被放在你默认的文件系统中的 /user/hive/warehouse 目录中(如果你的 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）。

9.6.1、内嵌的 HIVE

如果使用 Spark 内嵌的 Hive, 则什么都不用做, 直接使用即可。Hive 的元数据存储在 derby 中, 默认仓库地址:**$SPARK_HOME/spark-warehouse**

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

scala> spark.sql("create table aa(id int)")

scala> spark.sql("show tables").show
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
| default|    aa|    false|
+--------+---------+-----------+

向表加载本地数据
scala> spark.sql("load data local inpath 'input/ids.txt' into table aa")
scala> spark.sql("select * from aa").show
+---+
| id|
+---+
| 1|
| 2|
| 3|

9.6.2、外部的 HIVE

如果想连接外部已经部署好的Hive，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
• 重启 spark-shell

9.6.3、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

9.6.4、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。
如果想连接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 ```scala 启动：sbin/start-thriftserver.sh

使用 beeline 连接 Thrift Server bin/beeline -u jdbc:hive2://linux1:10000 -n root

<a name="PyJvr"></a>
### 9.6.5、代码操作Hive
```scala
1、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>

2、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() //这一行不可漏
                          .master("local[*]")
                          .appName("sql")
                                                    .config("spark.sql.warehouse.dir", "hdfs://linux1:8020/user/hive/warehouse") //注意：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: 
                          .getOrCreate()

System.setProperty("HADOOP_USER_NAME", "root") // 设置访问hdfs用户