Spark（15）：SparkSQL之DataFrame

最新推荐文章于 2025-07-21 00:36:01 发布

原创最新推荐文章于 2025-07-21 00:36:01 发布 · 1k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#spark #大数据 #分布式 #bigdata

Spark 专栏收录该内容

41 篇文章

订阅专栏

文章介绍了DataFrame在SparkSQL中的作用，包括从RDD转换、通过数据源创建以及使用SQL语法和DSL进行查询。详细展示了DataFrame的创建方法，如读取JSON文件，以及如何通过createOrReplaceTempView创建临时表以执行SQL查询。此外，还讨论了DataFrame与RDD之间的转换操作。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

0. 相关文章链接

Spark文章汇总

1. DataFrame的作用

Spark SQL 的 DataFrame API 允许我们使用 DataFrame 而不用必须去注册临时表或者生成 SQL 表达式。DataFrame API 既有 transformation 操作也有 action 操作。

2. 创建DataFrame

在 Spark SQL 中 SparkSession 是创建 DataFrame 和执行 SQL 的入口，创建 DataFrame有三种方式：

通过 Spark 的数据源进行创建；
从一个存在的 RDD 进行转换；
还可以从 Hive Table 进行查询返回；

如下讲解通过 Spark 的数据源进行创建DataFrame的步骤：

查看 Spark 支持创建文件的数据源格式

scala> spark.read. 
csv   format   jdbc   json   load   option   options   orc   parquet   schema   table  text   textFile

在 spark 的 bin/data 目录中创建 user.json 文件

{"username":"zhangsan","age":20}

读取 json 文件创建 DataFrame

scala> val df = spark.read.json("data/user.json") 
df: org.apache.spark.sql.DataFrame = [age: bigint， username: string]

展示结果

+---+--------+ 
|age|username| 
+---+--------+ 
| 20|zhangsan|
+---+--------+

注意：如果从内存中获取数据，spark 可以知道数据类型具体是什么。如果是数字，默认作为 Int 处理；但是从文件中读取的数字，不能确定是什么类型，所以用 bigint 接收，可以和Long 类型转换，但是和 Int 不能进行转换。

3. SQL 语法

SQL 语法风格是指我们查询数据的时候使用 SQL 语句来查询，这种风格的查询必须要有临时视图或者全局视图来辅助

读取 JSON 文件创建 DataFrame

scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， username: string]

对 DataFrame 创建一个临时表

scala> df.createOrReplaceTempView("people")

通过 SQL 语句实现查询全表

scala> val sqlDF = spark.sql("SELECT * FROM people")
sqlDF: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

结果展示

scala> sqlDF.show
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi   |
| 40| wangwu |
+---+--------+

对于 DataFrame 创建一个全局表

scala> df.createGlobalTempView("people")

通过 SQL 语句实现查询全表

scala> spark.sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi   |
| 40| wangwu |
+---+--------+

scala> spark.newSession().sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi   |
| 40| wangwu |
+---+--------+

注意：普通临时表是 Session 范围内的，如果想应用范围内有效，可以使用全局临时表。使用全局临时表时需要全路径访问，如： global_temp.people

4. DSL 语法

DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。可以在 Scala, Java, Python 和 R 中使用 DSL，使用 DSL 语法风格不必去创建临时视图了。

创建一个 DataFrame

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

查看 DataFrame 的 Schema 信息

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

只查看"username"列数据

scala> df.select("username").show()
+--------+
|username|
+--------+
|zhangsan|
| lisi   |
| wangwu |
+--------+

查看"username"列数据以及"age+1"数据

scala> df.select($"username",$"age" + 1).show
scala> df.select('username, 'age + 1).show()
scala> df.select('username, 'age + 1 as "newage").show()
+--------+---------+
|username|(age + 1)|
+--------+---------+
|zhangsan| 21      |
| lisi   | 31      |
| wangwu | 41      |
+--------+---------+

查看"age"大于"30"的数据

scala> df.filter($"age">30).show
+---+---------+
|age| username|
+---+---------+
| 40| wangwu  |
+---+---------+

按照"age"分组，查看数据条数

scala> df.groupBy("age").count.show
+---+-----+
|age|count|
+---+-----+
| 20| 1   |
| 30| 1   |
| 40| 1   |
+---+-----+

注意:涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式：单引号+字段名

5. RDD 转换为 DataFrame

在 IDEA 中开发程序时，如果需要 RDD 与 DF 或者 DS 之间互相操作，那么需要引入import spark.implicits._。这里的 spark 不是 Scala 中的包名，而是创建的 sparkSession 对象的变量名称，所以必须先创建 SparkSession 对象再导入。这里的 spark 对象不能使用 var 声明，因为 Scala 只支持val 修饰的对象的引入。

spark-shell 中无需导入，自动完成此操作：

scala> val idRDD = sc.textFile("data/id.txt")
scala> idRDD.toDF("id").show
+---+
| id|
+---+
| 1 |
| 2 |
| 3 |
| 4 |
+---+

实际开发中，一般通过样例类将 RDD 转换为 DataFrame：

scala> case class User(name:String, age:Int)
defined class User
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1,t._2)).toDF.show
+--------+---+
| name   |age|
+--------+---+
|zhangsan| 30|
| lisi   | 40|
+--------+---+

6. DataFrame 转换为 RDD

DataFrame 其实就是对 RDD 的封装，所以可以直接获取内部的 RDD

scala> val df = sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1,t._2)).toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[46] at rdd at <console>:25

scala> val array = rdd.collect
array: Array[org.apache.spark.sql.Row] = Array([zhangsan,30], [lisi,40])

注意：此时得到的 RDD 存储类型为 Row

scala> array(0)
res28: org.apache.spark.sql.Row = [zhangsan,30]
scala> array(0)(0)
res29: Any = zhangsan
scala> array(0).getAs[String]("name")
res30: String = zhangsan

注：其他Spark相关系列文章链接由此进 -> Spark文章汇总