Spark SQL（一）之简介

柔光的暖阳◎ 2022-11-13 05:25 176阅读 0赞

Spark SQL是用于结构化数据处理的Spark模块。与基本的Spark RDD API不同，Spark SQL提供的接口为Spark提供了有关数据结构和正在执行的计算的更多信息。在内部，Spark SQL使用这些额外的信息来执行额外的优化。

与Spark SQL交互的方法有多种，包括SQL和Dataset API。计算结果时，将使用相同的执行引擎，而与要用来表达计算的API /语言无关。

### 一、SparkSession ###

SparkSession类是Spark中所有功能的入口点。要创建一个基本的SparkSession，只需使用SparkSession.builder()创建。

SparkSession spark = SparkSession
                    .builder()
                    .appName("Spark SQL")
                    .master("local[4]")
                    .getOrCreate();

### 二、Dataset ###

Dataset是数据的分布式集合。数据集是Spark 1.6中添加的新接口，它具有RDD的优点（强类型输入，使用强大的lambda函数的能力）以及Spark SQL的优化执行引擎的优点。Dataset可以被构造从JVM对象，然后使用功能性的转换（操作map，flatMap，filter等等）。

Dataset API在Scala和 Java中可用。Python不支持Dataset API。但是由于Python的动态特性，Dataset API的许多优点已经可用（即，您可以自然地通过名称访问行的字段 row.columnName）。R的情况与此类似。

DataFrame是数据格式为Row的Dataset。从概念上讲，它等效于关系数据库中的表或R / Python中的数据框，但是在后台进行了更丰富的优化。可以从多种来源构造DataFrame，例如：结构化数据文件，Hive中的表，外部数据库或现有的RDD。DataFrame API在Scala，Java，Python和R中可用。在Scala和Java中，DataFrame由的数据集表示Row。在Scala API中，DataFrame只是类型别名Dataset\[Row\]。而在Java API中，用户需要使用Dataset<Row>来代表DataFrame。

在整个文档中，我们通常将的Scala / Java的Dataset<Row>称为DataFrames。

Dataset<Row> df = spark.read().json("/test.json");