2小时入门SparkSQL编程

一，RDD，DataFrame和DataSet

DataFrame参照了Pandas的思想，在RDD基础上增加了schma，能够获取列名信息。

DataSet在DataFrame基础上进一步增加了数据类型信息，可以在编译时发现类型错误。

DataFrame可以看成DataSet[Row]，两者的API接口完全相同。

DataFrame和DataSet都支持SQL交互式查询，可以和 Hive无缝衔接。

DataSet只有在Scala语言和Java语言的Spark接口中才支持，在Python和R语言接口只支持DataFrame，不支持DataSet。

二，创建DataFrame

1，通过toDF方法创建

可以将Seq,List或者 RDD转换成DataFrame。

2，通过CreateDataFrame方法动态创建DataFrame

可以通过createDataFrame的方法指定rdd和schema创建DataFrame。 这种方法比较繁琐，但是可以在预先不知道schema和数据类型的情况下在代码中动态创建DataFrame。

3，通过读取文件创建

可以读取json文件，csv文件，hive数据表或者mysql数据表得到DataFrame。

三，创建DataSet

DataSet主要通过toDS方法从Seq,List或者RDD数据类型转换得到，或者从DataFrame通过as方法转换得到。

1，通过toDS方法创建

可以将Seq,List或者 RDD转换成DataFrame。

2，通过DataFrame的as转换方法得到DataSet

四，RDD，DataFrame和DataSet的相互转换

Spark的RDD，DataFrame和DataSet三种数据结构之间可以相互转换。

五，DataFrame/DataSet保存成文件

可以保存成csv文件，json文件，parquet文件或者保存成hive数据表。

六，DataFrame的API交互

DataFrame和DataSet具有完全相同的API，此处演示DataFrame常用的一些API使用。

1，Action操作

DataFrame的Action操作包括show,count,collect,collectAsList,describe,take,takeAsList,head,first等。

2，类RDD操作

DataFrame支持RDD常用的map,flatMap,filter,reduce,distinct,cache,sample,mapPartitions,foreach,intersect,except等操作。 可以把DataFrame当做数据类型为Row的RDD来进行操作。

3，类Excel操作

可以对DataFrame进行增加列，删除列，重命名列，排序等操作，去除重复行，去除空行，就跟操作Excel表格一样。

4，类SQL表操作

类SQL表操作包括表查询(select,selectExpr,where,filter),表连接(join,union,unionAll),表分组聚合(groupby,agg,pivot)等操作。

七，DataFrame的SQL交互

将DataFrame/DataSet注册为临时表视图或者全局表视图后，可以使用sql语句对DataFrame进行交互。

以下为示范代码。

八，用户自定义函数

SparkSQL的用户自定义函数包括二种类型，UDF和UDAF，即普通用户自定义函数和用户自定义聚合函数。 其中UDAF由分为弱类型UDAF和强类型UDAF，前者可以在DataFrame，DataSet，以及SQL语句中使用，后者仅可以在DataSet中使用。

1，普通UDF

2，弱类型UDAF

弱类型UDAF需要继承UserDefinedAggregateFunction。

3，强类型UDAF

强类型UDAF需要继承自Aggregator，不可注册。