基于Spark的数据分析实践

TextFile DataFrame

import.org.apache.spark.sql._ 
//定义数据的列名称和类型 
valdt=StructType(List(id:String,name:String,gender:String,age:Int)) 
​ 
//导入user_info.csv文件并指定分隔符 
vallines = sc.textFile("/path/user_info.csv").map(_.split(",")) 
​ 
//将表结构和数据关联起来，把读入的数据user.csv映射成行,构成数据集 
valrowRDD = lines.map(x=>Row(x(0),x(1),x(2),x(3).toInt)) 
​ 
//通过SparkSession.createDataFrame()创建表,并且数据表表头 
val df= spark.createDataFrame(rowRDD, dt) 

读取规则数据文件作为DataFrame

SparkSession.Builder builder = SparkSession.builder() 
Builder.setMaster("local").setAppName("TestSparkSQLApp") 
SparkSession spark = builder.getOrCreate(); 
SQLContext sqlContext = spark.sqlContext(); 
​ 
# 读取 JSON 数据，path 可为文件或者目录 
valdf=sqlContext.read().json(path); 
​ 
# 读取 HadoopParquet 文件 
vardf=sqlContext.read().parquet(path); 
​ 
# 读取 HadoopORC 文件 
vardf=sqlContext.read().orc(path); 

JSON 文件为每行一个 JSON 对象的文件类型，行尾无须逗号。文件头也无须[]指定为数组;SparkSQL 读取是只是按照每行一条 JSON Record序列化;

Parquet文件

Configurationconfig = new Configuration(); 
ParquetFileReaderreader = ParquetFileReader.open( 
 HadoopInputFile.fromPath(new Path("hdfs:///path/file.parquet"),conf)); 
Map<String, String>schema = reader.getFileMetaData().getKeyValueMetaData(); 
String allFields= schema.get("org.apache.spark.sql.parquet.row.metadata"); 

allFiedls 的值就是各字段的名称和具体的类型，整体是一个json格式进行展示。

读取 Hive 表作为 DataFrame

Spark2 API 推荐通过 SparkSession.Builder 的 Builder 模式创建 SparkContext。 Builder.getOrCreate() 用于创建 SparkSession，SparkSession 是 SparkContext 的封装。

在Spark1.6中有两个核心组件SQLcontext和HiveContext。SQLContext 用于处理在 SparkSQL 中动态注册的表，HiveContext 用于处理 Hive 中的表。

从Spark2.0以上的版本开始，spark是使用全新的SparkSession接口代替Spark1.6中的SQLcontext和HiveContext。SQLContext.sql 即可执行 Hive 中的表，也可执行内部注册的表;

在需要执行 Hive 表时，只需要在 SparkSession.Builder 中开启 Hive 支持即可(enableHiveSupport())。

SparkSession.Builder builder = SparkSession.builder().enableHiveSupport(); 
SparkSession spark = builder.getOrCreate(); 
SQLContext sqlContext = spark.sqlContext(); 

// db 指 Hive 库中的数据库名，如果不写默认为 default

// tableName 指 hive 库的数据表名

sqlContext.sql(“select * from db.tableName”) 

SparkSQL ThriftServer

//首先打开 Hive 的 Metastore服务

hive$bin/hive –-service metastore –p 8093 

//把 Spark 的相关 jar 上传到hadoophdfs指定目录，用于指定sparkonyarn的依赖 jar

spark$hadoop fs –put jars/*.jar /lib/spark2 

// 启动 spark thriftserver 服务

spark$ sbin/start-thriftserver.sh --master yarn-client --driver-memory 1G --conf  
spark.yarn.jars=hdfs:///lib/spark2/*.jar 

当hdfs 上传了spark 依赖 jar 时，通过spark.yarn.jars 可看到日志 spark 无须每个job 都上传jar，可节省启动时间

19/06/1114:08:26 INFO Client: Source and destination file systems are the same. Notcopying hdfs://localhost:9000/lib/spark2/snappy-java-1.0.5.jar 
19/06/1114:08:26 INFO Client: Source and destination file systems are the same. Notcopying hdfs://localhost:9000/lib/spark2/snappy-java-1.1.7.3.jar 

（编辑：鹰潭站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!