1. SparkSession
sparkSession可以视为sqlContext和hiveContext以及StreamingContext的结合体，这些Context的API都可以通过sparkSession使用。
创建SparkSession
val spark = SparkSession.builder
.master("local[2]")
.appName("spark session example")
.getOrCreate()
使用enableHiveSupport就能够支持hive，相当于hiveContext
val spark = SparkSession.builder
.master("local[2]")
.appName("spark session example")
.enableHiveSupport()
.getOrCreate()
API操作，与之前的Context基本一致
//读取csv数据
val df0 = spark.read
.option("header","true")
.csv("src/main/resources/test.csv")
//读取parquet数据
val df1 = spark.read.parquet("...")
//读取json数据
val df2 = spark.read.json("...")
//sql查询
val df3 = spark.sql("xxx")
Spark 2.0向后兼容，所以hiveContext以及sqlContext依旧可用，不过官方建议开发者开始使用SparkSession。
2. DataSet,RDD,DataFrame
-
RDD
类型安全，面向对象编程风格，序列化以及反序列化开销大。
-
DataFrame
提供了查询优化器，分区剪枝，自动判断是否使用
broadcast join等功能，对rdd进行了大量的优化。对spark了解不深的编程/分析人员非常友好。可以视为Row类型的Dataset (Dataset[Row])，非类型安全，不是面向对象编程风格。
-
DataSet
继承了RDD和DataFrame的优点。数据以编码的二进制形式存储，将对象的schema映射为SparkSQL类型，不需要反序列化就可以进行shuffle等操作,每条记录存储的则是强类型值，类型安全，面向对象编程风格。
Dataset的创建
dataset可以从rdd,dataFrame转化，也可以从原始数据直接生成。
通过toDS方法创建
val ds1 = Seq("a","b").toDS()
ds1.show
//+-----+
//|value|
//+-----+
//| a|
//| b|
//+-----+
通过createDataSet创建
case class Person(name: String, age: Int)
val data = Seq(Person("lsw", 23), Person("yyy", 22))
val ds2 = spark.createDataset(data)
ds2.show
//+----+---+
//|name|age|
//+----+---+
//| lsw| 23|
//| yyy| 22|
//+----+---+
DataSet与RDD使用上的区别
Dataset 结合了 rdd 和 DataFrame 上大多数的API，所以spark 1.x基于 rdd 或 DataFrame 的代码可以很容易的改写成spark 2.x版本
-
数据读取
RDDs
sparkContext.textFile("/path/to/data.txt")Datasets
//返回 DataFrame val df = spark.read.text("/path/to/data.txt") //返回 DataSet[String] val ds1 = spark.read.textFile("/path/to/data.txt") //或者读取成DataFram再转化成Dataset val ds2 = spark.read.text("/path/to/data.txt").as[String] -
常用API
RDDs
//flatMap,filter val lines = sc.textFile("/path/to/data.txt") val res = lines .flatMap(_.split(" ")) .filter(_ != "") //reduce val rdd = sc.makeRDD(Seq(1, 2, 3, 4)) rdd.reduce((a, b) => a + b)Datasets
//flatMap,filter val lines = spark.read.textFile("/path/to/data.txt") val res = lines .flatMap(_.split(" ")) .filter(_ != "") //reduce val ds = Seq(1, 2, 3, 4).toDs ds.reduce((a, b) => a + b) -
reduceByKey
RDDs
val reduceCountByRDD = wordsPair .reduceByKey(_+_)Datasets
val reduceCountByDs = wordsPairDs .mapGroups((key,values) =>(key,values.length)) -
RDD，DataFrame，Dataset的相互转化
import spark.implicits._ //Dataset转化为RDD val ds2rdd = ds.rdd //Dataset转为DataFrame val ds2df = ds.toDF //RDD转化为Dataset val rdd2ds = rdd.toDS //RDD转化为DataFrame val rdd2df = rdd.toDF //DataFrame转化为RDD val df2rdd = df.rdd //DataFrame转化为DataSet val df2ds = df.as[Type] -
wordCount
data.txt
hello world hello sparkRDDs
val rdd = sc.textFile("src/main/resources/data.txt") val wordCount = rdd .map(word => (word,1)) .reduceByKey(_+_)Datasets
import spark.implicits._ val wordCount1 = lines .flatMap(r => r.split(" ")) .groupByKey(r => r) .mapGroups((k, v) => (k, v.length)) wordCount1.show // +-----+--------+ // |value|count(1)| // +-----+--------+ // |hello| 2| // |spark| 1| // |world| 1| // +-----+--------+ //也可以直接使用count函数 val wordCount2 = lines .flatMap(r => r.split(" ")) .groupByKey(v => v) .count() wordCount2.show // +-----+---+ // | _1| _2| // +-----+---+ // |hello| 2| // |spark| 1| // |world| 1| // +-----+---+
Dataset性能提升(来自官方)
3.Catalog
Spark 2.0中添加了标准的API（称为catalog）来访问Spark SQL中的元数据。这个API既可以操作Spark SQL，也可以操作Hive元数据。
获取catalog
从SparkSession中获取catalog
val catalog = spark.catalog
查询临时表和元数据中的表
返回Dataset[Table]
catalog.listTable.show
// +----+--------+-----------+---------+-----------+
// |name|database|description|tableType|isTemporary|
// +----+--------+-----------+---------+-----------+
// |table| null| null|TEMPORARY| true|
// |act | default| null| EXTERNAL| false|
// +----+--------+-----------+---------+-----------+
创建临时表
使用createTempView和createOrReplaceTempView取代registerTempTable。
例如
df.createTempView("table")
df.createOrReplaceTempView("table")
-
createTempView
创建临时表，如果已存在同名表则报错。
-
createOrReplaceTempView
创建临时表，如果存在则进行替换，与老版本的
registerTempTable功能相同。
销毁临时表
使用dropTempView取代dropTempTable，销毁临时表的同事会清除缓存的数据。
spark.dropTempView("table")
缓存表
对数据进行缓存
//缓存表有两种方式
df.cache
catalog.cacheTable("table")
//判断数据是否缓存
catalog.isCached("table")
catalog相较于之前的API，对metadata的操作更加的简单，直观。
参考
http://blog.madhukaraphatak.com/categories/spark-two/
http://www.jianshu.com/p/c0181667daa0
https://databricks.com/blog/2016/01/04/introducing-apache-spark-datasets.html
