一、概述
为什么要将RDD转换为DataFrame？因为这样的话，我们就可以直接针对HDFS等任何可以构建为RDD的数据，使用Spark SQL进行SQL查询了。这个功能是无比强大的。想象一下，针对HDFS中的数据，直接就可以使用SQL进行查询。Spark SQL支持两种方式来将RDD转换为DataFrame。第一种方式是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，当你已经知道你的RDD的元数据时，是一种非常不错的方式。第二种方式是通过编程接口来创建DataFrame，你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。
二、使用反射方式将RDD转换为DataFrame
1、说明
Java版本：Spark SQL是支持将包含了JavaBean的RDD转换为DataFrame的。JavaBean的信息，就定义了元数据。Spark SQL现在是不支持将包含了嵌套JavaBean或者List等复杂数据的JavaBean，作为元数据的。只支持一个包含简单数据类型的field的JavaBean。Scala版本：而Scala由于其具有隐式转换的特性，所以Spark SQL的Scala接口，是支持自动将包含了case class的RDD转换为DataFrame的。case class就定义了元数据。Spark SQL会通过反射读取传递给case class的参数的名称，然后将其作为列名。与Java不同的是，Spark SQL是支持将包含了嵌套数据结构的case class作为元数据的，比如包含了Array等。
2、java实现
#students.txt1,leo,172,marry,173,jack,184,tom,19-----------------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;/** * 使用反射方式将RDD转换为DataFrame * @author ming * */public class RDD2DataFrameReflection { public static void main(String[] args) { SparkConf conf = new SparkConf().setMaster("local").setAppName("RDD2DataFrameReflection"); JavaSparkContext sc = new JavaSparkContext(conf); SQLContext sqlContext = new SQLContext(sc); JavaRDD lines = sc.textFile("D:\\test-file\\sql\\students.txt"); JavaRDD students = lines.map(new Function () { 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 DataFrame teenagerDF = sqlContext.sql("select * from students where age <= 18"); //将查询出来的DataFrame，再次转换为RDD JavaRDD teenagerRDD = teenagerDF.javaRDD(); //将RDD中的数据，进行映射，映射为student JavaRDD teenagerStudentRDD = teenagerRDD.map(new Function () { private static final long serialVersionUID = 1L; @Override public Student call(Row row) throws Exception { Student stu = new Student(); // row中的数据的顺序，可能是跟我们期望的是不一样的！ stu.setAge(row.getInt(0)); stu.setId(row.getInt(1)); stu.setName(row.getString(2)); return stu; } }); //将数据col1ect回来，打印出来 List studentList = teenagerStudentRDD.collect(); for(Student stu : studentList) { System.out.println(stu); } } }
Student类，如下：
package cn.spark.study.sql;import java.io.Serializable;public class Student implements Serializable{ private int id; private String name; private int age; public int getId() { return id; } public void setId(int id) { this.id = id; } public String getName() { return name; } public void setName(String name) { this.name = name; } public int getAge() { return age; } public void setAge(int age) { this.age = age; } @Override public String toString() { return "Student [id=" + id + ", name=" + name + ", age=" + age + "]"; } } 3、scala实现
package cn.spark.study.sqlimport org.apache.spark.SparkConfimport org.apache.spark.SparkContextimport 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 * @author Administrator */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("D:\\test-file\\sql\\students.txt", 1) .map { line => line.split(",") } .map { arr => Student(arr(0).trim().toInt, arr(1), arr(2).trim().toInt) } .toDF() // 前面讲的DataFrame的常用操作依然适用 studentDF.show() studentDF.schema studentDF.select(studentDF.col("id")).show() studentDF.select(studentDF.col("age")).show() studentDF.select(studentDF.col("name")).show() studentDF.select(studentDF.col("id"), studentDF.col("name"), studentDF.col("age").plus(1)) studentDF.filter(studentDF.col("age").gt(18)).show() studentDF.groupBy(studentDF.col("age")).count.show() 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是不一样的哦 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) } } 三、使用编程方式将RDD转换为DataFrame
1、说明
Java版本：当JavaBean无法预先定义和知道的时候，比如要动态从一个文件中读取数据结构，那么就只能用编程方式动态指定元数据了。首先要从原始RDD创建一个元素为Row的RDD；其次要创建一个StructType，来代表Row；最后将动态定义的元数据应用到RDD上。Scala版本：Scala的实现方式，与Java是基本一样的。
2、java实现
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 * @author Administrator * */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 的这种格式 JavaRDD lines = sc.textFile("D:\\test-file\\sql\\students.txt"); // 分析一下 // 它报了一个，不能直接从String转换为Integer的一个类型转换的错误 // 就说明什么，说明有个数据，给定义成了String类型，结果使用的时候，要用Integer类型来使用 // 而且，错误报在sql相关的代码中 // 所以，基本可以断定，就是说，在sql中，用到age<=18的语法，所以就强行就将age转换为Integer来使用 // 但是，肯定是之前有些步骤，将age定义为了String // 所以就往前找，就找到了这里 // 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 studentRDD = lines.map(new Function () { 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 structFields = new ArrayList (); 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 rows = teenagerDF.javaRDD().collect(); for(Row row : rows) { System.out.println(row); } } }
3、scala实现
package cn.spark.study.sqlimport org.apache.spark.sql.Rowimport org.apache.spark.sql.types.{StructType,StructField,StringType,IntegerType}import org.apache.spark.SparkConfimport org.apache.spark.SparkContextimport org.apache.spark.sql.SQLContext/** * @author Administrator */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("D:\\test-file\\sql\\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) } }