spark sql 创建dataframes

1. spark sql
2. SQLContext
3. DataFrames

1 spark sql

是spark的一个模块
处理结构化数据
提供了DataFrames作为编程的抽象层
同时也是一个分布式sql查询引擎
可以从hive中读取数据

2 SQLContext

2.1 sql context是spark sql的所有功能入口点

2.2 通过spark context创建sql context

val sc: SparkContext // An existing SparkContext.
val sqlContext = new org.apache.spark.sql.SQLContext(sc)

注意，上面的val sc: …其实不需要写，因为启动spark-shell的时候有这么一个提示, 所以直接用就好。

Spark context available as sc.

2.3 hive context功能上多于sql context，未来sql context也会增加功能

不过由于我对hive不感兴趣，不会创建hive context

3 DataFrames

3.1 功能

分布式数据集合
列的方式组织
理解为关系数据库的表
可以从结构化文件，hive表，外部数据库或者RDD构造

3.2 创建DataFrames

通过SQLContext创建DataFrames，可以从外部文件，hive表或者RDD来创建。为了测试本地文件，启动spark-shell的时候不要用–master连接spark master, 否则会提示找不到本地文件。而如果想访问hdfs文件，启动spark-shell的时候要用–master。

scala> val sqlContext = new org.apache.spark.sql.SQLContext(sc)
sqlContext: org.apache.spark.sql.SQLContext = org.apache.spark.sql.SQLContext@5d9ac1ff

scala> val df = sqlContext.read.json("/home/smile/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

scala> df.printSchema()
df.printSchema()
root
 |-- age: long (nullable = true)
 |-- name: string (nullable = true)

scala> df.show()
df.show()
+---+----+
|age|name|
+---+----+
| 38|Dean|
+---+----+

3.3 DSL

DataFrames提供了DSL方面对结构化数据进行操作，都是些函数，比如select, df, printSchema, show, groupBy, filter等。

scala> df.select("name").show()
+----+
|name|
+----+
|Dean|
+----+

具体请参考官方文档