Spark_SQL入门
一、 Spark SQL概述
是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。
二、 Spark SQL 作用
是将Hive SQL转换成MapReduce然后提交到集群上执行，大大简化了编写MapReduce的程序的复杂性，由于MapReduce这种计算模型执行效率比较慢。所以Spark SQL的应运而生，它是将Spark SQL转换成RDD，然后提交到集群执行，执行效率非常快！
三、 Spark SQL特点
1. 易于整合
整合HiveSql
2. 统一的数据访问方式
语法相同
兼容Hive
4. 标准的数据连接
连接数据库
四、 DataFrame
1. 定义
与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。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。由于与R和Pandas的DataFrame类似，Spark DataFrame很好地继承了传统单机数据分析的开发体验。
创建DataFrame
在Spark SQL中SQLContext是创建DataFrame和执行SQL的入口。Spark2.0后Spark session合并了SQLContext和HiveContext。所有使用内置spark创建
在本地创建一个文件，有三列，分别是id、name、age，用空格分隔，然后上传到hdfs上
在spark shell执行下面命令，读取数据，将每一行的数据使用列分隔符分割
val lineRDD = sc.textFile("hdfs://master:9000/sparktest/input/sparksqlperson.txt").map(_.split(" "))
定义case class（相当于表的schema）
case class Person(id:Int, name:String, age:Int)
将RDD和case class关联
val personRDD = lineRDD.map(x => Person(x(0).toInt , x(1), x(2).toInt))
将RDD转换成DataFrame
val personDF = personRDD.toDF
对DataFrame进行处理
personDF.show
常用操作
风格语法
//查看DataFrame中的内容
personDF.show
//查看DataFrame部分列中的内容
personDF.select(personDF.col("name")).show
personDF.select(col("name"), col("age")).show
personDF.select("name").show
//打印DataFrame的Schema信息
personDF.printSchema
//查询所有的name和age，并将age+1
personDF.select(col("id"), col("name"), col("age") + 1).show
personDF.select(personDF("id"),personDF("name"), personDF("age") + 1).show
//过滤age大于等于18的
personDF.filter(col("age") >= 18).show
//按年龄进行分组并统计相同年龄的人数
personDF.groupBy("age").count().show()
风格语法
如果想使用SQL风格的语法，需要将DataFrame注册成表
personDF.registerTempTable("t_person")
内置SparkSession 直接用于sql查询
//查询年龄最大的前两名
spark.sql("select * from t_person order by age desc limit 2").show
//显示表的Schema信息
spark.sql("desc t_person").show
