06 Spark SQL 及其DataFrame的基本操作

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()