我们前面说了，DataFrame的数据来源可以是RDD，这样的话，我们就可以直接针对HDFS等任何可以构建为RDD的数据，使用SparkSQL进行SQL查询了，这个功能是无比强大的，比如说，我们可以直接使用SQL查询HDFS中的数据。
SparkSQL支持两种方式来将RDD转换为DataFrame
-
1、反射方式：使用反射来推断包含了特定数据类型的RDD的元数据；这种基于反射的方式，代码比较简洁，当你已经知道RDD的元数据时，是一种非常不错的方式；
package cn.spark.study.sql; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function; import org.apache.spark.sql.DataFrame; import org.apache.spark.sql.Row; import org.apache.spark.sql.SQLContext; /** * 使用反射的方式将RDD转换为DataFrame */ public class RDD2DataFrameReflection { public static void main(String[] args) { // 创建普通的RDD SparkConf conf = new SparkConf() .setMaster("local") .setAppName("RDD2DataFrameReflection"); JavaSparkContext sc = new JavaSparkContext(conf); SQLContext sqlContext = new SQLContext(sc); JavaRDD<String> lines =sc.textFile("C://Users//Administrator//Desktop//students.txt"); JavaRDD<Student> students = lines.map(new Function<String, Student>() { private static final long serialVersionUID = 1L; @Override public Student call(String line) throws Exception { String[] lineSplited = line.split(","); Student stu = new Student(); stu.setId(Integer.valueOf(lineSplited[0].trim())); stu.setName(lineSplited[1]); stu.setAge(Integer.valueOf(lineSplited[2].trim())); return stu; } }); // 使用反射方式，将RDD转换为DataFrame // 将Student.class传入进去，其实就是用反射的方式来创建DataFrame // 因为Student.class本身就是反射的一个应用 // 然后底层还得通过对Student Class进行反射，来获取其中的field // 这里要求，JavaBean必须实现Serializable接口，是可序列化的 DataFrame studentDF = sqlContext.createDataFrame(students, Student.class); // 拿到了一个DataFrame之后， //就可以将其注册为一个临时表，然后针对其中的数据执行SQL语句 studentDF.registerTempTable("students"); // 针对students临时表执行SQL语句， //查询年龄小于等于18岁的学生，就是teenageer DataFrame teenagerDF = sqlContext.sql("select * from students where age<= 18"); // 将查询出来的DataFrame，再次转换为RDD JavaRDD<Row> teenagerRDD = teenagerDF.javaRDD(); // 将RDD中的数据，进行映射，映射为Student JavaRDD<Student> teenagerStudentRDD = teenagerRDD.map(new Function<Row, Student>() { private static final long serialVersionUID = 1L; @Override public Student call(Row row) throws Exception { // row中的数据的顺序，可能是跟我们期望的是不一样的！ Student stu = new Student(); stu.setAge(row.getInt(0)); stu.setId(row.getInt(1)); stu.setName(row.getString(2)); return stu; } }); // 将数据collect回来，打印出来 List<Student> studentList = teenagerStudentRDD.collect(); for(Student stu : studentList) { System.out.println(stu); } } }scala版本：
package cn.spark.study.sql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext /** * 如果要用scala开发spark程序，然后在其中， * 还要实现基于反射的RDD到DataFrame的转换， * 就必须得用object extends App的方式，不能用def main() * 方法的方式来运行程序，否则就会报no typetag for ...class的错误 */ object RDD2DataFrameReflection extends App { val conf = new SparkConf() .setMaster("local") .setAppName("RDD2DataFrameReflection") val sc = new SparkContext(conf) val sqlContext = new SQLContext(sc) // 在Scala中使用反射方式，进行RDD到DataFrame的转换，需要手动导入一个隐式转换 import sqlContext.implicits._ case class Student(id: Int, name: String, age: Int) // 这里其实就是一个普通的，元素为case class的RDD // 直接对它使用toDF()方法，即可转换为DataFrame val studentDF = sc.textFile("C://Users//Administrator//Desktop//students.txt", 1) .map { line => line.split(",") } .map { arr => Student(arr(0).trim().toInt, arr(1), arr(2).trim().toInt) } .toDF() studentDF.registerTempTable("students") val teenagerDF = sqlContext.sql("select * from students where age<=18") val teenagerRDD = teenagerDF.rdd // 在scala中，row中的数据的顺序，反而是按照我们期望的来排列的，这个跟java是不一样的 teenagerRDD.map { row => Student(row(0).toString().toInt, row(1).toString(), row(2).toString().toInt) } .collect() .foreach { stu => println(stu.id + ":" + stu.name + ":" + stu.age) } // 在scala中，对row的使用，比java中的row的使用，更加丰富 // 在scala中，可以用row的getAs()方法，获取指定列名的列 teenagerRDD.map { row => Student(row.getAs[Int]("id"), row.getAs[String]("name"), row.getAs[Int]("age")) } .collect() .foreach { stu => println(stu.id + ":" + stu.name + ":" + stu.age) } // 还可以通过row的getValuesMap()方法，获取指定几列的值，返回的是个map val studentRDD = teenagerRDD.map { row => { val map = row.getValuesMap[Any](Array("id", "name", "age")); Student(map("id").toString().toInt, map("name").toString(), map("age").toString().toInt) } } studentRDD.collect().foreach { stu => println(stu.id + ":" + stu.name + ":" + stu.age) } } -
2、编程接口：通过编程接口来创建DataFrame，可以在程序运行时动态构建一份元数据，然后将其应用到已经存在的RDD上。这种方式的代码比较冗长，但是如果在编写程序时，还不知道RDD的元数据，只有在程序运行时，才能动态得知其元数据，那么只能通过这种动态构建元数据的方式实现了；
package cn.spark.study.sql; import java.util.ArrayList; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.JavaSparkContext; import org.apache.spark.api.java.function.Function; import org.apache.spark.sql.DataFrame; import org.apache.spark.sql.Row; import org.apache.spark.sql.RowFactory; import org.apache.spark.sql.SQLContext; import org.apache.spark.sql.types.DataTypes; import org.apache.spark.sql.types.StructType; import org.apache.spark.sql.types.StructField; /** * 以编程方式动态指定元数据，将RDD转换为DataFrame */ public class RDD2DataFrameProgrammatically { public static void main(String[] args) { // 创建SparkConf、JavaSparkContext、SQLContext SparkConf conf = new SparkConf() .setMaster("local") .setAppName("RDD2DataFrameProgrammatically"); JavaSparkContext sc = new JavaSparkContext(conf); SQLContext sqlContext = new SQLContext(sc); // 第一步，创建一个普通的RDD，但是，必须将其转换为RDD<Row>的这种格式 JavaRDD<String> lines = sc.textFile("C://Users//Administrator//Desktop//students.txt"); // 往Row中塞数据的时候，要注意，什么格式的数据，就用什么格式转换一下，再塞进去 JavaRDD<Row> studentRDD = lines.map(new Function<String, Row>() { private static final long serialVersionUID = 1L; @Override public Row call(String line) throws Exception { String[] lineSplited = line.split(","); return RowFactory.create( Integer.valueOf(lineSplited[0]), lineSplited[1], Integer.valueOf(lineSplited[2])); } }); // 第二步，动态构造元数据 // 比如说，id、name等，field的名称和类型，可能都是在程序运行过程中，动态从mysql db里 // 或者是配置文件中，加载出来的，是不固定的 // 所以特别适合用这种编程的方式，来构造元数据 List<StructField> structFields = new ArrayList<StructField>(); structFields.add(DataTypes.createStructField("id", DataTypes.IntegerType, true)); structFields.add(DataTypes.createStructField("name", DataTypes.StringType, true)); structFields.add(DataTypes.createStructField("age", DataTypes.IntegerType, true)); StructType structType = DataTypes.createStructType(structFields); // 第三步，使用动态构造的元数据，将RDD转换为DataFrame DataFrame studentDF = sqlContext.createDataFrame(studentRDD, structType); // 后面，就可以使用DataFrame了 studentDF.registerTempTable("students"); DataFrame teenagerDF = sqlContext.sql("select * from students where age<=18"); List<Row> rows = teenagerDF.javaRDD().collect(); for(Row row : rows) { System.out.println(row); } } }
Scala版本
package cn.spark.study.sql
import org.apache.spark.sql.Row
import org.apache.spark.sql.types.{StructType,StructField,StringType,IntegerType}
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object RDD2DataFrameProgrammatically extends App {
val conf = new SparkConf()
.setMaster("local")
.setAppName("RDD2DataFrameProgrammatically")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
// 第一步，构造出元素为Row的普通RDD
val studentRDD = sc.textFile("C://Users//Administrator//Desktop//students.txt", 1)
.map { line => Row(line.split(",")(0).toInt, line.split(",")(1), line.split(",")(2).toInt) }
// 第二步，编程方式动态构造元数据
val structType = StructType(Array(
StructField("id", IntegerType, true),
StructField("name", StringType, true),
StructField("age", IntegerType, true)))
// 第三步，进行RDD到DataFrame的转换
val studentDF = sqlContext.createDataFrame(studentRDD, structType)
// 继续正常使用
studentDF.registerTempTable("students")
val teenagerDF = sqlContext.sql("select * from students where age<=18")
val teenagerRDD = teenagerDF.rdd.collect().foreach { row => println(row) }
}
