2020寒假学习笔记07

　　今天开始做Spark的第5个实验，第一个题目做的还比较顺利，但是到第二个题目就又出现了莫名其妙地错误，经过一下午的解决，目前还没有能够成功解决。

　　第一题实验内容：　

1．Spark SQL 基本操作

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" }

为 employee.json 创建 DataFrame，并写出 Scala 语句完成下列操作：

(1) 查询所有数据；

(2) 查询所有数据，并去除重复的数据；

(3) 查询所有数据，打印时去除 id 字段；

(4) 筛选出 age>30 的记录；

(5) 将数据按 age 分组；

(6) 将数据按 name 升序排列；

(7) 取出前 3 行数据；

(8) 查询所有记录的 name 列，并为其取别名为 username；

(9) 查询年龄 age 的平均值；

(10) 查询年龄 age 的最小值。

源代码：

首先：进行前期的准备工作，在Spark的shell模式下依次输入以下命令：

import org.apache.spark.sql.SparkSession
val spark=SparkSession.builder().getOrCreate()
import spark.implicits._
val df=spark.read.json("file:///usr/local/spark/employee.json")

然后，各个小题的命令如下：

df.show()
df.distinct().show()
df.filter(df("age")>20).show()
df.groupBy("name").count().show()
df.sort(df("name").asc).show()
df.take(3)或df.head(3)
df.select(df("name").as("username")).show()
df.agg("age"->"avg").show()
df.agg("age"->"min").show()

第二题实验内容：

2．编程实现将 RDD 转换为 DataFrame

源文件内容如下（包含 id,name,age）：

1,Ella,36

2,Bob,29

3,Jack,29

请将数据复制保存到 Linux 系统中，命名为 employee.txt，实现从 RDD 转换得到

DataFrame，并按“id:1,name:Ella,age:36”的格式打印出 DataFrame 的所有数据。请写出程序代

码。

 

第一种方法源代码：

import org.apache.spark.sql.catalyst.encoders.ExpressionEncoder
import org.apache.spark.sql.Encoder
import spark.implicits._

object RDDtoDF
{
    def main(args:Array[String])
    {
        case class Employee(id:Long,name:String,age:Long)
        val employeeDF=spark.sparkContext.textFile("file:///usr/local/spark/employee.txt").map(_.split(",")).map(attributes=>Employee(attributes(0).trim.toInt,attributes(1),attributes(2).trim.toInt)).toDF()
        employeeDF.createOrReplaceTempView("employee")
        val employeeRDD=spark.sql("select id,name,age from employee")
        employeeRDD.map(t=>"id:"+t(0)+","+"name:"+t(1)+","+"age"+t(2)).show()        
    }
}

目前出现且尚未解决的错误：

第二种方法源代码：

import org.apache.spark.sql.types._
import org.apache.spark.sql.Encoder
import org.apache.spark.sql.Row
object RDDtoDF
{
    def main(args:Array[String]){
        val employeeRDD = spark.sparkContext.textFile("file:///usr/local/spark/employee.txt")
        val schemaString = "id name age"
        val fields = schemaString.split(" ").map(fieldName => StructField(fieldName,StringType,nullable=true))
        val schema = StructType(fields)
        val rowRDD = employeeRDD.map(._split(",")).map(attributes => Row(attributes(0).trim,attributes(1),attributes(2).trim))
        val employeeDF = spark.createDataFrame(rowRDD,schema)
        employeeDF.createOrReplaceTempView("employee")
        val results = spark.sql("SELECT id,name,age FROM employee")
        results.map(t => "id:"+t(0)+","+"name:"+t(1)+","+"age:"+t(2)).show()
    }
}

目前出现且尚未解决的错误：