spark sql
1.首先检查Hadoop相关进程,是否已经启动。若未启动,切换到/apps/hadoop/sbin目录下,启动Hadoop。
view plain copy
jps
cd /apps/hadoop/sbin
./start-all.sh
2.在Linux本地新建/data/spark5目录。
view plain copy
mkdir -p /data/spark5
3.切换到/data/spark5目录下,使用wget命令,下载http://192.168.1.100:60000/allfiles/spark5中的orders和order_items。
view plain copy
cd /data/spark5
wget http://192.168.1.100:60000/allfiles/spark5/orders
wget http://192.168.1.100:60000/allfiles/spark5/order_items
4.首先,在HDFS上新建/myspark5目录,然后将/data/spark5目录下的orders与order_items文件,上传到HDFS的/myspark5目录下。
view plain copy
hadoop fs -mkdir /myspark5
hadoop fs -put /data/spark5/orders /myspark5
hadoop fs -put /data/spark5/order_items /myspark5
5.启动Spark Shell。
view plain copy
spark-shell
6.在spark-shell下,使用case class方式定义RDD,创建orders表。
view plain copy
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
import sqlContext.implicits._
case class Orders(order_id:String,order_number:String,buyer_id:String,create_dt:String)
val dforders = sc.textFile("/myspark5/orders").map(_.split('\t')).map(line=>Orders(line(0),line(1),line(2),line(3))).toDF()
dforders.registerTempTable("orders")
验证创建的表是否成功。
view plain copy
sqlContext.sql("show tables").map(t=>"tableName is:"+t(0)).collect().foreach(println)
sqlContext.sql("select order_id,buyer_id from orders").collect
7.在Spark Shell下,使用applyScheme方式定义RDD,创建order_items表。
view plain copy
import org.apache.spark.sql._
import org.apache.spark.sql.types._
val rddorder_items = sc.textFile("/myspark5/order_items")
val roworder_items = rddorder_items.map(_.split("\t")).map( p=>Row(p(0),p(1),p(2) ) )
val schemaorder_items = "item_id order_id goods_id"
val schema = StructType(schemaorder_items.split(" ").map(fieldName=>StructField(fieldName,StringType,true)) )
val dforder_items = sqlContext.applySchema(roworder_items, schema)
dforder_items.registerTempTable("order_items")
验证创建表是否成功。
view plain copy
sqlContext.sql("show tables").map(t=>"tableName is:"+t(0)).collect().foreach(println)
sqlContext.sql("select order_id,goods_id from order_items ").collect
8.将order表及order_items表进行join操作,统计该电商网站,都有哪些用户购买了什么商品。
view plain copy
sqlContext.sql("select orders.buyer_id, order_items.goods_id from order_items join orders on order_items.order_id=orders.order_id ").collect
9.退出Spark shell模式
view plain copy
exit
下面演示Spark SQL模式
10.启动Spark SQL。
view plain copy
spark-sql
11.创建表orders及表order_items。
view plain copy
create table orders (order_id string,order_number string,buyer_id string,create_dt string)
row format delimited fields terminated by '\t' stored as textfile;
view plain copy
create table order_items(item_id string,order_id string,goods_id string)
row format delimited fields terminated by '\t' stored as textfile;
12.查看已创建的表。
view plain copy
show tables;
表名后的false意思是该表不是临时表。
13.将HDFS中/myspark5下的orders表和order_items表中数据加载进刚创建的两个表中。
view plain copy
load data inpath '/myspark5/orders' into table orders;
load data inpath '/myspark5/order_items' into table order_items;
14.验证数据是否加载成功。
view plain copy
select * from orders;
select * from order_items;
15.处理文件,将order表及order_items表进行join操作,统计该电商网站,都有哪些用户购买了什么商品。
view plain copy
select orders.buyer_id, order_i
1.首先检查Hadoop相关进程,是否已经启动。若未启动,切换到/apps/hadoop/sbin目录下,启动Hadoop。
view plain copy
jps
cd /apps/hadoop/sbin
./start-all.sh
2.在Linux本地新建/data/spark6目录。
view plain copy
mkdir -p /data/spark6
切换到/data/spark6目录下,使用wget命令,下载http://192.168.1.100:60000/allfiles/spark6中的文件。
view plain copy
cd /data/spark6
wget http://192.168.1.100:60000/allfiles/spark6/goods_visit.json
3.将文件goods_visit.json,上传到HDFS的/myspark6目录下,若目录不存在则需提前创建。
view plain copy
hadoop fs -mkdir /myspark6
hadoop fs -put /data/spark6/goods_visit.json /myspark6
4.启动Spark Shell。
view plain copy
spark-shell
5.读取HDFS中/myspark6的goods_visit.json文件。
view plain copy
val df=sqlContext.read.json("hdfs://localhost:9000/myspark6/goods_visit.json")
6.查看goods_visit.json中的所有数据。
view plain copy
df.show()
7.查看goods_visit.json的表结构。
view plain copy
df.printSchema()
8.只查看商品ID(goods_id)。
view plain copy
df.select("goods_id").show()
9.统计文件行数。
view plain copy
df.count
10.条件查询,查询点击次数超过500商品。(show是返回字段和表数据,collect是返回集合)
view plain copy
df.filter(df("click_num")>500).show
11.统计点击次数的最值、总和及平均数。
view plain copy
df.agg(max("click_num"),sum("click_num"),min("click_num"),avg("click_num")).show
12.过滤点击次数小于200的商品。
view plain copy
df.filter(df("click_num") < 200).show()
13.按点击次数进行分组统计。
view plain copy
df.groupBy("click_num").count().show()
14.读取goods_visit.json文件,保存为parquet格式。
view plain copy
val df = sqlContext.read.format("json").load("hdfs://localhost:9000/myspark6/goods_visit.json")
df.select("goods_id", "click_num").write.format("parquet").save("goods_visit.parquet")
15.查看保存的goods_visit.parquet文件。
view plain copy
hadoop fs -ls /user/zhangyu