10 期末大作业
06 Spark SQL 及其DataFrame的基本操作（忘了交
1.Spark SQL出现的 原因是什么?
Spark SQL的前身是 Shark，Shark最初是美国加州大学伯克利分校的实验室开发的Spark生态系统的组件之一，它运行在Spark系统之上，Shark重用了Hive的工作机制，并直接继承了Hive的各个组件， Shark将SQL语句的转换从MapReduce作业替换成了Spark作业，虽然这样提高了计算效率，但由于 Shark过于依赖Hive，因此在版本迭代时很难添加新的优化策略，从而限制了Spak的发展，在2014年，伯克利实验室停止了对Shark的维护，转向Spark SQL的开发。
Shark Hive on Spark Hive即作为存储又负责sql的解析优化，Spark负责执行
SparkSQL Spark on Hive Hive只作为储存角色，Spark负责sql解析优化，执行
SparkSQL产生的根本原因是为了完全脱离Hive限制
2.用spark.read 创建DataFrame
spark.read.text(file)
spark.read.json(file)
3.观察从不同类型文件创建DataFrame有什么异同?
txt文件：创建的DataFrame数据没有结构
json文件：创建的DataFrame数据有结构
4.观察Spark的DataFrame与Python pandas的DataFrame有什么异同？
Spark SQL DataFrame的基本操作
文件路径：
file='url'
文本：
json：
创建：
spark.read.text(file)
spark.read.json(file)
打印数据
df.show()默认打印前20条数据，df.show(n)
文本：
json:
打印概要
df.printSchema()
文本：
json:
查询总行数
df.count()
df.head(3) #list类型，list中每个元素是Row类
文本：
json:
输出全部行
df.collect() #list类型，list中每个元素是Row类（文本与json数据差异与上df.head()同）
查询概况
df.describe().show()
文本：
json：
取列(仅json文件可使用以下命令)
df['name']
df.name
df.select()
df.filter()
df.groupBy()
df.sort()
07 从RDD创建DataFrame（忘了交
1.Spark SQL出现的 原因是什么?
Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个叫作Data Frame的编程抽象结构数据模型(即带有Schema信息的RDD)，Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrame API和Dataset API三种方式实现对结构化数据的处理。但无论是哪种API或者是编程语言，都是基于同样的执行引擎，因此可以在不同的API之间随意切换。
Spark SQL的前身是 Shark，Shark最初是美国加州大学伯克利分校的实验室开发的Spark生态系统的组件之一，它运行在Spark系统之上，Shark重用了Hive的工作机制，并直接继承了Hive的各个组件， Shark将SQL语句的转换从MapReduce作业替换成了Spark作业，虽然这样提高了计算效率，但由于 Shark过于依赖Hive，因此在版本迭代时很难添加新的优化策略，从而限制了Spak的发展，在2014年，伯克利实验室停止了对Shark的维护，转向Spark SQL的开发。
2.用spark.read 创建DataFrame
3.观察从不同类型文件创建DataFrame有什么异同?
3.1 利用反射机制推断RDD模式
- sc创建RDD
- 转换成Row元素，列名=值
- spark.createDataFrame生成df
- df.show(), df.printSchema()
3.2 使用编程方式定义RDD模式
- 生成“表头”
- fields = [StructField(field_name, StringType(), True) ,...]
- schema = StructType(fields)
- 生成“表中的记录”
- 创建RDD
- 转换成Row元素，列名=值
- 把“表头”和“表中的记录”拼装在一起
- = spark.createDataFrame(RDD, schema)
4. DataFrame保存为文件
df.write.json(dir)
预练习：
读 学生课程分数文件chapter4-data01.txt，创建DataFrame。并尝试用DataFrame的操作完成实验三的数据分析要求。
1.选择使用什么数据，有哪些字段，多大数据量。
2.准备分析哪些问题？（8个以上）
3.当前进展。
**查漏补缺：
- RDD操作当面检查。
- Spark SQL操作当面检查。
- 没提交成功的作业，链接放在本次作业的最前面，并注明哪次作业、没交原因。
