标签:loading 分布式 ram pre mamicode api 方式 类型 不同
Spark SQL出现的 原因是什么?
Spark SQL是Spark用来处理结构化数据的一个模块,它提供了一个叫作Data Frame的编程抽象结构数据模型(即带有Schema信息的RDD),Spark SQL的前身是 Shark,由于 Shark过于依赖Hive,因此在版本迭代时很难添加新的优化策略,从而限制了Spak的发展,在2014年,伯克利实验室停止了对Shark的维护,转向Spark SQL的开发。Shark将SQL语句的转换从MapReduce作业替换成了Spark作业,Spark SQL 可以提供DataFrame API,可以对内部和外部各种数据源执行各种关系操作;可以支持大量的数据源和数据分析算法,组合使用Spark SQL 和Spark MLlib。
2.用spark.read 创建DataFrame
有以下这几种通过spark.read 创建DataFrame: spark.read.text(‘people.txt‘)、spark.read.json(‘people.json‘)、spark.read.parquet(‘people.parquet‘)、spark.read.format(‘text).load(‘people.txt‘)、spark.read.format(‘json).load(‘people.json‘)、spark.read.format(‘parquet).load(‘people.parquet‘)
3.观察从不同类型文件创建DataFrame有什么异同?
通过spark.read.text(‘people.txt‘)这种方式创建DataFrame是以值的形式存储的,通过spark.read.json(‘people.json‘)这种方式创建DataFrame是以键值对的形式存储的,通过spark.read.parquet(‘people.parquet‘)这种方式创建DataFrame是以列族的形式存储的。
4.观察Spark的DataFrame与Python pandas的DataFrame有什么异同?
pandas的DataFrame 是一种表格型数据结构,按照列结构存储,它含有一组有序的列,每列可以是不同的值,但每一列只能有一种数据类型。拥有丰富、灵活、操作简单的 api,在数据量不大的情况下有较好的效果。Spark的DataFrame 是基于 RDD 的一种数据类型,具有比 RDD 节省空间和更高运算效率的优点,对于大数据量的运算,分布式计算能突破 pandas 的瓶颈,而 Spark 则是分布式计算的典型代表。
Spark SQL DataFrame的基本操作
创建:
spark.read.text()
file=‘file:///usr/local/spark/examples/src/main/resources/people.txt‘
df=spark.read.text(file)
spark.read.json()
file=‘file:///usr/local/spark/examples/src/main/resources/people.json‘
df1=spark.read.json(file)
打印数据
df.show()默认打印前20条数据,df.show(n)
打印概要
df.printSchema()
df1.printSchema()
查询总行数
df.count()
df1.count()
df.head(3) #list类型,list中每个元素是Row类
df.head(3)
df1.head(3)
输出全部行
df.collect() #list类型,list中每个元素是Row类
df.collect()
df1.collect()
查询概况
df.describe().show()
df1.describe().show()
取列
df[‘name’]
df1[‘name‘]
df.name
df1.name
df.select()
df1.select(df1.name).show()
df.filter()
df1.filter(df1.age>20).show()
df.groupBy()
df1.groupBy(‘age‘).count().show()
df.sort()
df1.sort(df1.age.desc()).show()
标签:loading 分布式 ram pre mamicode api 方式 类型 不同
原文地址:https://www.cnblogs.com/zhongyaohong/p/14747026.html