RDDs

Spark支持两种方法将存在的RDDs转换为SchemaRDDs。第一种方法使用反射来推断包含特定对象类型的RDD的模式(schema)。在你写spark程序的同时，当你已经知道了模式，这种基于反射的 方法可以使代码更简洁并且程序工作得更好。

创建SchemaRDDs的第二种方法是通过一个编程接口来实现，这个接口允许你构造一个模式，然后在存在的RDDs上使用它。虽然这种方法更冗长，但是它允许你在运行期之前不知道列以及列 的类型的情况下构造SchemaRDDs。

利用反射推断模式

Spark SQL的Scala接口支持将包含样本类的RDDs自动转换为SchemaRDD。这个样本类定义了表的模式。

给样本类的参数名字通过反射来读取，然后作为列的名字。样本类可以嵌套或者包含复杂的类型如序列或者数组。这个RDD可以隐式转化为一个SchemaRDD，然后注册为一个表。表可以在后续的 sql语句中使用。

  1. // sc is an existing SparkContext.
  2. val sqlContext = new org.apache.spark.sql.SQLContext(sc)
  3. // createSchemaRDD is used to implicitly convert an RDD to a SchemaRDD.
  4. import sqlContext.createSchemaRDD
  6. // Define the schema using a case class.
  7. // Note: Case classes in Scala 2.10 can support only up to 22 fields. To work around this limit,
  8. // you can use custom classes that implement the Product interface.
  9. case class Person(name: String, age: Int)
  11. // Create an RDD of Person objects and register it as a table.
  12. val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt))
  13. people.registerTempTable("people")
  15. // SQL statements can be run by using the sql methods provided by sqlContext.
  16. val teenagers = sqlContext.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")
  18. // The results of SQL queries are SchemaRDDs and support all the normal RDD operations.
  19. // The columns of a row in the result can be accessed by ordinal.
  20. teenagers.map(t => "Name: " + t(0)).collect().foreach(println)

编程指定模式

当样本类不能提前确定（例如，记录的结构是经过编码的字符串，或者一个文本集合将会被解析，不同的字段投影给不同的用户），一个SchemaRDD可以通过三步来创建。

  • 从原来的RDD创建一个行的RDD
  • 创建由一个StructType表示的模式与第一步创建的RDD的行结构相匹配
  • 在行RDD上通过applySchema方法应用模式
  1. // sc is an existing SparkContext.
  2. val sqlContext = new org.apache.spark.sql.SQLContext(sc)
  4. // Create an RDD
  5. val people = sc.textFile("examples/src/main/resources/people.txt")
  7. // The schema is encoded in a string
  8. val schemaString = "name age"
  10. // Import Spark SQL data types and Row.
  11. import org.apache.spark.sql._
  13. // Generate the schema based on the string of schema
  14. val schema =
  15.   StructType(
  16.     schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, true)))
  18. // Convert records of the RDD (people) to Rows.
  19. val rowRDD = people.map(_.split(",")).map(p => Row(p(0), p(1).trim))
  21. // Apply the schema to the RDD.
  22. val peopleSchemaRDD = sqlContext.applySchema(rowRDD, schema)
  24. // Register the SchemaRDD as a table.
  25. peopleSchemaRDD.registerTempTable("people")
  27. // SQL statements can be run by using the sql methods provided by sqlContext.
  28. val results = sqlContext.sql("SELECT name FROM people")
  30. // The results of SQL queries are SchemaRDDs and support all the normal RDD operations.
  31. // The columns of a row in the result can be accessed by ordinal.
  32. results.map(t => "Name: " + t(0)).collect().foreach(println)