Spark SQL 及其DataFrame的基本操作
1.Spark SQL出现的原因是什么?
Spark SQL刚开始也是使用了hive里面一些东西的，但是Spark SQL里面的hive版本肯定要比hive社区理的版本要低一些的，那么hive里面有的东西，比如说原来跑在mapreduce之上已有的一些功能，如果你使用hive on spark的话他是能支持的，但是有一些功能想要直接在Spark SQL上直接用，很可能是没有办法支持，因为Spark SQL里面的一些功能并没有hive完善，毕竟hive已经这么多年，而Spark只是发展了这两三年而已。那么shark终止以后，在Spark界重心就已经在Spark SQL上了，Spark SQl干的事情和原来的shark是有很大的差别的，因为原来的shark依赖了很多hive的东西，那么在sparksql里面就必须要把这个依赖更好的减轻。
2.用spark.read 创建DataFrame
有以下这几种通过spark.read 创建DataFrame： spark.read.text('people.txt')、spark.read.json('people.json')、spark.read.parquet('people.parquet')、spark.read.format('text).load('people.txt')、spark.read.format('json).load('people.json')、spark.read.format('parquet).load('people.parquet')
3.观察从不同类型文件创建DataFrame有什么异同?
通过spark.read.text('people.txt')这种方式创建DataFrame是以值的形式存储的，通过spark.read.json('people.json')这种方式创建DataFrame是以键值对的形式存储的，通过spark.read.parquet('people.parquet')这种方式创建DataFrame是以列族的形式存储的。
4.观察Spark的DataFrame与Python pandas的DataFrame有什么异同？
pandas的DataFrame 是一种表格型数据结构，按照列结构存储，它含有一组有序的列，每列可以是不同的值，但每一列只能有一种数据类型。拥有丰富、灵活、操作简单的 api，在数据量不大的情况下有较好的效果。Spark的DataFrame 是基于 RDD 的一种数据类型，具有比 RDD 节省空间和更高运算效率的优点，对于大数据量的运算，分布式计算能突破 pandas 的瓶颈，而 Spark 则是分布式计算的典型代表。
Spark SQL DataFrame的基本操作
创建：
spark.read.text()
file='file:///usr/local/spark/examples/src/main/resources/people.txt'
df=spark.read.text(file)
spark.read.json()
file='file:///usr/local/spark/examples/src/main/resources/people.json'
df1=spark.read.json(file)
打印数据
df.show()默认打印前20条数据，df.show(n)
打印概要
df.printSchema()
df1.printSchema()
查询总行数
df.count()
df1.count()
df.head(3) #list类型，list中每个元素是Row类
df.head(3)
df1.head(3)
输出全部行
df.collect() #list类型，list中每个元素是Row类
df.collect()
df1.collect()
查询概况
df.describe().show()
df1.describe().show()
取列
df[‘name’]
df1['name']
df.name
df1.name
df.select()
df1.select(df1.name).show()
df.filter()
df1.filter(df1.age>20).show()
df.groupBy()
df1.groupBy('age').count().show()
df.sort()
df1.sort(df1.age.desc()).show()
