1、实验描述
- 学习使用Spark SQL，并完成相关的实验操作。
- 实验时长：
- 45分钟
- 主要步骤：
- 启动spark-shell
- 使用spark外部数据API加载本地Json文件
- 使用DataFrame操作数据
- 使用SQL API操作数据
2、实验环境
- 虚拟机数量：1
- 系统版本：Centos 7.5
- Scala版本：2.11.0
- Spark版本： Apache spark-2.1.1
3、相关技能
- Spark 常用算子
- DataFrame的操作
4、知识点
- Spark SQL的基本概念
- DataFrame
- Spark SQL开发应用的方法
5、实现效果
查询课程名称满足指定条件的课程名操作最终效果如下图：
6、实验步骤
6.1DataFrame：是一个分布式的数据集，组织方式采用命名列的形式。类似于关系数据库中的一个表。可以由结构化的数据转换过来，也可以从Hive，外部数据库或者RDD转换。
6.1.1DataFrame:
spark的性能瓶颈在于内存和CPU，DataFrame的出现优化了算子的查询计算，同时依靠Tungsten计划逐渐摆脱对于JVM的依赖。在Spark
SQL中，可以使用SQL的方式进行操作，与RDD类似，也采用lazy的方式，只有动作发生时才会真正的执行计算
6.1.2DataFrame的数据来源很多样，支持JSON文件，Parquet文件，Hive表格，支持从本地文件系统，HDFS等分布式文件系统，以及S3云存储中读取数据。配合JDBC还可以支持外部关系型数据库。
6.2打开spark-shell 终端，进行实验。
6.2.1为消除当前实验环境中spark依赖Hadoop的警告，在Linux命令行执行如下命令：
[zkpk@master ~]$ cd
[zkpk@master ~]$ mv hadoop-2.7.3/ hadoop-2.7.3.bak/
6.2.2启动spark-shell，启动时指定启动模式
[zkpk@master ~]$ cd
[zkpk@master ~]$ cd spark-2.1.1-bin-hadoop2.7/
[zkpk@master spark-2.1.1-bin-hadoop2.7]$ bin/spark-shell --master local[2]
6.2.3创建spark 的SQLContext
// 下面引入用于隐式地将RDD转换为DataFrame的包
scala> import spark.implicits._
6.2.4创建DataFrames对象
6.2.4.1读取json格式的数据文件
// 使用spark外部数据源API读取JSON文件
scala> val df =spark.read.json("/home/zkpk/experiment/06/courses.json")
6.2.4.2查看数据的schema信息
scala> df.printSchema()
6.2.4.3使用df.show()方法显示DataFrame内容，默认显示10条。
scala> df.show()
6.2.4.4字段介绍： name(课程名称)，type（课程类型， 包括基础课（basic），
项目课（project））， length，课程包大小。
6.2.5select 操作
6.2.5.1查询所有的课程名：
scala> df.select("name").show()
6.2.5.2查询所有的课程名及课程包大小：
scala> df.select("name", "length").show()
6.2.6filter,groupyBy 和 count() 操作
6.2.6.1打印出所有的非实验课程名称，类似于使用where条件过滤
scala> df.filter(df("type").equalTo("basic")).select("name", "type").show()
scala> df.groupBy("type").count().show() # 统计不同类型课程的数量
6.2.6.2将创建DataFrame 注册成临时表，此时我们将使用SQL方式进行操作
scala> df.registerTempTable("courses")
6.2.6.3将表数据cache到内存中，以减少不必要的重复计算
scala> spark.sql("cache table courses")
6.2.6.4查询课程长度在5-10之间的课程，将返回一个新的RDD
scala> spark.sql("select name from courses where length between 5 and 10").map(t => "Name: " + t(0)).collect().foreach(println)
7、总结
本次实验通过使用具体的spark SQL API完成数据的加载，处理。
可以进一步提升我们的spark技能。
