使用Java和Scala在IDE中开发DataFrame实战

Posted 2022-12-01 靖-Drei

使用Java和Scala两种语言实战DataFrame，创建DataFrame的时候，DataFrame可以来源于其他RDD，也可以来自于Hive表，或者其他数据来源。一般基于数据来源直接构造DataFrame。例如JSON文件，那么读取JSON文件的时候就会自动创建DataFrame。
SQLContext操作数据SQL的时候：有一个弊端就是，只支持SQL一种语言。
但是如果使用HiveContext的时候就可以支持不同种方言。
DataFrame的创建方式：
1. 可以来自己RDD
2. 来自Hive表
3. 其他数据来源（JSON等文件）
Java版本代码如下：

package com.dt.spark.SparkApps.sql;

import org.apache.spark.SparkConf;
import org.apache.spark.SparkContext;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.SQLContext;

/**
 * 使用Java的方式实战对DataFrame的操作
 */
public class DataFrameOps 

    public static void main(String[] args) 
        //创建SparkConf用于读取系统配置信息并设置当前应用程序的名字
        SparkConf conf = new SparkConf()
                .setMaster("local")
                .setAppName("DataFrameOps");
        //创建JavaSparkContext对象实例作为整个Driver的核心基石
        SparkContext sc = new SparkContext(conf);
        //创建SQLContext上下文对象用于SQL的分析
        SQLContext sqlContext = new SQLContext(sc);

        //创建DataFrame，可以简单的认为DataFrame是一张表。
        DataFrame df = sqlContext.read().json("E://people.json");

        //select * from table
        df.show();

        //desc table
        df.printSchema();

        //select name from table
        df.select("name").show();

        //select name,age + 1 from tables;
        df.select(df.col("name"),df.col("age").plus(10)).show();

        //select * from table where age > 10
        df.filter(df.col("age").gt(10)).show();

        //select count(1) from table group by age
        df.groupBy(df.col("age")).count().show();
    

Scala版本代码如下：

package com.dt.spark.sql

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext

object DataFrameOps 
  def main(args:Array[String]):Unit=
    val conf = new SparkConf().setMaster("local").setAppName("DataFrameOps")
    val sc = new SparkContext(conf)

    val sqlContext = new SQLContext(sc)

    val df = sqlContext.read.json("E://people.json")

    df.show()
    df.printSchema()
    df.select("name").show()
    df.select(df.col("name"),df.col("age").plus(10)).show()
    df.filter(df.col("age").gt(10)).show()
    df.groupBy(df.col("age")).count().show()