Spark-SQL-上机实验

标签: 数据科学  大数据  spark  sql

实验目的:

1、通过实验掌握Spark SQL的基本编程方法;

2、熟悉RDD到DataFrame的转化方法;

实验要求:

按实验要求完成实验。

实验方案

1.Spark SQL基本操作

Win10更新后,linux系统的Hadoop环境已崩溃,故在此使用datadatabricks

将下列JSON格式数据复制到Linux系统中,并保存命名为employee.json。

{ “id”:1 , “name”:" Ella" , “age”:36 }

{ “id”:2, “name”:“Bob”,“age”:29 }

{ “id”:3 , “name”:“Jack”,“age”:29 }

{ “id”:4 , “name”:“Jim”,“age”:28 }

{ “id”:4 , “name”:“Jim”,“age”:28 }

{ “id”:5 , “name”:“Damon” }

{ “id”:5 , “name”:“Damon” }

#读取json文件

\# File location and type

file_location = "/FileStore/tables/employee.json"

file_type = "json"

 

\# CSV options

infer_schema = "false"

first_row_is_header = "false"

delimiter = ","

 

\# The applied options are for CSV files. For other file types, these will be ignored.

df = spark.read.format(file_type) \

 .option("inferSchema", infer_schema) \

 .option("header", first_row_is_header) \

 .option("sep", delimiter) \

 .load(file_location)

 

display(df)                 #打印出文件

1593862725

# 创建employee临时表

df.registerTempTable("employee") 
  1. 查询所有数据;
sqlDF_01 = spark.sql("SELECT * FROM employee");

sqlDF_01.show();

1593862841]

2.查询所有的数据,并去重

sqlDF_02 = spark.sql("SELECT DISTINCT * FROM employee");

sqlDF_02.show();

ce49de6c106a6272e85fdcd160f88e0

3.查询所有的数据,打印去除id字段(这里只查询了name age)

sqlDF_03 = spark.sql("SELECT name,age FROM employee");

sqlDF_03.show();     

61ab0ab0e4ee72618ab61f05ed7096b

4.查询age>30的数据

sqlDF_04 = spark.sql("SELECT * FROM employee WHERE age > 30")

sqlDF_04.show();

1593859876]

5.age分组

sqlDF_05 = spark.sql("SELECT * FROM employee GROUP BY age");

sqlDF_05.show();

1593860554]

6.name升序

sqlDF_06 = spark.sql("SELECT * FROM employee ORDER BY name")

sqlDF_06.show();

1593860597]

7.前三行

sqlDF_07 = spark.sql(“SELECT * FROM employee”)

sqlDF_07.show(3);

1593861176

8.修改列名,name改成uersname

sqlDF_08 = spark.sql("SELECT name AS username FROM employee")

sqlDF_08.show();

1593861916

9.查询age平均值

sqlDF_09 = spark.sql("SELECT AVG(age) AS ageAverage FROM employee")

sqlDF_09.show();

1593861967

10.查询age最小值

sqlDF_10 = spark.sql("SELECT MIN(age) AS ageAverage FROM employee")

sqlDF_10.show();

1593862004]

2.编程实现将RDD转换为DataFrame. (Scala)

import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder

import org.apache.spark.sql.Encoder

import spark.implicits._ //导入包,支持把一个RDD隐式转换为一个DataFrame

case class students_data(id:Int,name:String,gender:String,age:Int,course_id:Int,score:Double,classes:String) //定义一个case class

val stuDF = spark.sparkContext.textFile("/FileStore/tables/students_data-7.txt").map(_.split(",")).map(t => students_data(t(0).trim.toInt, t(1), t(2), t(3).trim.toInt, t(4).trim.toInt, t(5).trim.toDouble, t(6))).toDF()

stuDF.createOrReplaceTempView("stu") //必须注册为临时表才能供下面的查询

val stuRDD = spark.sql("select * from stu")//最终生成一个DataFrame

stuRDD.show()

1593869941]

版权声明:本文为qq_43337115原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/qq_43337115/article/details/107309075

智能推荐

RabbitMQ(一) 基础知识

1.什么是MQ?        MQ全称为Message Queue, 消息队列(MQ)是一种应用程序对应用程序的通信方法。MQ是消费-生产者模型的一个典型的代表,一端往消息队列中不断写入消息,而另一端则可以读取队列中的消息。        RabbitMQ是MQ的一种。下面详细介绍一下R...

图像插值技术——双线性插值法

https://www.cnblogs.com/gshang/p/12968496.html 在图像处理中,如果需要对图像进行缩放,一般可以采取插值法,最常用的就是双线性插值法。本文首先从数学角度推导了一维线性插值和二维线性插值的计算过程,并总结了规律。随后将其应用到图像的双线性插值上,利用Matlab编程进行图像的缩放验证,实验证明,二维线性插值能够对图像做出较好的缩放效果。 数学角度的线性插值...

【2】JVM-垃圾回收机制算法分析

目录 知识点1:什么是垃圾回收机制 1、finalize方法作用 知识点2:新生代与老年代 知识点3:如何判断对象是否存活 1、引用计数法 2、根搜索算法 知识点4:垃圾回收机制策略 1、标记清除算法 (1)应用场景 (2)优缺点 2、复制算法 (1)概念 (2)应用场景 (3)优缺点 3、标记压缩算法 (1)概念 (2)压缩算法简单介绍 (3)优缺点 4、Minor GC和Full GC区别 5...

使用机器学习算法进行验证码识别

数据集:MNIST数据集,包含大量验证码,我们可以使用K近邻算法、支持向量机和深度学习进行验证码识别。 K近邻算法的流程图: SVC流程图: 多层感知机MLP Hello MNIST Extracting mnist/train-images-idx3-ubyte.gz Extracting mnist/train-labels-idx1-ubyte.gz Extracting mnist/t10...

自动化运维工具SaltStack进阶(7)

文章目录 1. masterless 1.1 应用场景 1.2 masterless配置 1.2.1 修改配置文件minion 1.2.2 关闭salt-minion服务 1.2.3 salt-call 2. salt-master高可用 2.1 salt-master高可用配置 2.2 salt-master高可用之数据同步 3. salt-syndic分布式架构 3.1 salt-syndic...

猜你喜欢

Java的*.class字节码查看方法

Java字节码可以让我们更深入理解java程序工作细节,Java类字节码可通过下面方法进行查看:(比较常用的两种,当然你也可以下载小软件工具等等进行) cmd命令 对代码进行反汇编: 反汇编并输出附加信息 或 如下: IDE安装plugin 这里只介绍使用IntelliJ IDEA,eclipse类似: IntelliJ IDEA菜单中File–>Settings–&...

JDK动态代理源码 Java反射 代理

前言: Start:2020.11.1 End:2020.11.3 00:40 在学习mybatis源码和spring Aop源码时,JDK动态代理都是不能避过的! 内容: 代理与反射---->静态代理------>手写动态代理----->JDK动态代理+源码+总结 [根据目录选择你需要的内容查看] 动态代理-java反射机制的关系 动态代理是23种设计模式中的一种 常见的两种动...

二叉树的镜像

题目: 操作给定的二叉树,将其变换为源二叉树的镜像 根节点不动,所有的左子树和右子树调个位置 第一步 先把 8的左子树和右子树换位置 第二步 继续递归把10的左子树右子树换位置 第三步 继续递归把6的左子树右子树换位置...

centos7.5 源码安装zabbix3.4

官方中文手册:https://www.zabbix.com/documentation/3.4/zh/manual 安装要求 支持的数据库 前端软件 我这里使用的是LNMP环境,环境的搭建可自行百度,给出我的PHP配置 php.ini一定要满足如下的配置,否则后面zabbix安装不了 下载并安装 先关闭selinux 依赖包 下载源码包 编译 安装 创建zabbix用户和用户组,并更改zabbix...

一个tomcat同时部署有启动顺序的多个项目

前言 一个tomcat部署多个项目常用的方法是将所有的项目放置在webapps里面,共用同一个端口,各项目根据项目名进行区分。如果多个项目有启动先后顺序,这样的做法就显得不合适,因为tomcat启动是根据项目名称字母顺序来启动。网上有种做法,在conf\Catalina\localhost文件夹下建立需要首先启动的项目相应文件,如果是两个项目没有问题,但多个项目仍然不方便控制。实用的做法是定义多个...