寒假学习（十）

1．Spark SQL 基本操作

{ "id":1 ,"name":" Ella","age":36 }
{ "id":2,"name":"Bob","age":29 }
{ "id":3 ,"name":"Jack","age":29 }
{ "id":4 ,"name":"Jim","age":28 }
{ "id":5 ,"name":"Damon" }
{ "id":5 ,"name":"Damon" }

首先为employee.json 创建 DataFrame，并写出 Scala 语句完成下列操作：

创建 DataFrame

 

scala> import org.apache.spark.sql.SparkSession

scala> val spark=SparkSession.builder().getOrCreate()

scala> import spark.implicits._

scala> val df = spark.read.json("file:///usr/local/spark/employee.json")

 

(1) 查询 DataFrame 的所有数据

scala> df.show()

(2) 查询所有数据，并去除重复的数据

scala> df.distinct().show()

(3) 查询所有数据，打印时去除 id 字段

scala> df.drop("id").show()

(4) 筛选 age>20 的记录

scala> df.filter(df("age") > 30 ).show()

(5) 将数据按 name 分组

scala> df.groupBy("name").count().show()

(6) 将数据按 name 升序排列

scala> df.sort(df("name").asc).show()

(7) 取出前 3 行数据

scala> df.take(3) 或 scala> df.head(3)

(8) 查询所有记录的 name 列，并为其取别名为 username

scala> df.select(df("name").as("username")).show()

(9) 查询年龄 age 的平均值

scala> df.agg("age"->"avg")

(10) 查询年龄 age 的最小值

scala> df.agg("age"->"min")

2．编程实现将 RDD 转换为 DataFrame

源文件内容如下（包含 id,name,age），将数据复制保存到 ubuntu 系统/usr/local/spark 下，

命名为 employee.txt，实现从 RDD 转换得到 DataFrame，并按 id:1,name:Ella,age:36 的格式

打印出 DataFrame 的所有数据。请写出程序代码。（任选一种方法即可）

1,Ella,36
2,Bob,29
3,Jack,29

假设当前目录为/usr/local/spark/mycode/rddtodf，在当前目录下新建一个目录 mkdir -p

src/main/scala ，然后在目录 /usr/local/spark/mycode/rddtodf/src/main/scala 下 新 建 一 个

rddtodf.scala，利用反射来推断包含特定类型对象的 RDD 的 schema，适用对已知数据结构的 RDD

转换；

import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder
import org.apache.spark.sql.Encoder
import spark.implicits._
object RDDtoDF {
 def main(args: Array[String]) {
case class Employee(id:Long,name: String, age: Long)
val employeeDF = 
spark.sparkContext.textFile("file:///usr/local/spark/employee.txt").map(_.split(",")).map(at
tributes => Employee(attributes(0).trim.toInt,attributes(1), attributes(2).trim.toInt)).toDF()
employeeDF.createOrReplaceTempView("employee")
val employeeRDD = spark.sql("select id,name,age from employee")
employeeRDD.map(t => "id:"+t(0)+","+"name:"+t(1)+","+"age:"+t(2)).show()
 } }