spark知识点

　　来自官网DataFrames、DataSets、SQL，即sparkSQL模块。

　　spark2.0之前，主要的数据格式是RDD（弹性分布式数据集）。spark2.0之后，使用Dataset代替RDD；再，Datasets在Python中是Datasets[Row]，故称之为DataFrame，与Python保持一致。

　　Dataset API只适用于Scala和Java，使用列名来组织Dataset就是DataFrame，类似于关系型数据库中的表或者Python中的dataframe，且在后台拥有更丰富的优化机制；DataFrame API适用于Scala、Java、Python、R。

　　Spark SQL初识：

　　初始化一个sparkSession，这是spark中所有功能的切入点

from pyspark.sql import SparkSession

spark = SparkSession 
    .builder   #builder这里无括号
    .master("local")   #要连接的主机名
　　 .appName("Python Spark SQL basic example")   #CappName只是显示在spark web 中，与本程序名并无关联
    .config("spark.some.config.option", "some-value")   #对于一个（key,value）对，忽略参数名
    .getOrCreate() #如果已有SparkSession则get，否则Create

 　　

　　spark.select用于筛选特定的行，spark.sql用于数据库查询。还可以groupby分组、filter过滤。

　　方法调用：

　　1）join，同SQL的联合查询，1个表来调用join，参数是另一个表、相等的字段、连接的方式（inner、outer）

　　

people = sqlContext.read.parquet("...")  #两个表，people和department
department = sqlContext.read.parquet("...")

people.filter(people.age > 30).join(department, people.deptId == department.id)   #连接的字段，倒是比SQL简洁不少
  .groupBy(department.name, "gender").agg({"salary": "avg", "age": "max"})      #groupby分组，分组之后要设置聚合的字段和方式，agg也可单独使用

　　2）类 Row ：可直接定义一个row同时赋值，也可先声明列名再赋值

>>> row = Row(name="Alice", age=11)
>>> row
Row(age=11, name='Alice')
>>> row['name'], row['age'] #类似字典
('Alice', 11)
>>> row.name, row.age  #类似属性，dataframe取某一列也是这两种方式
('Alice', 11)
>>> 'name' in row
True
>>> 'wrong_key' in row
False

>>> Person = Row("name", "age")  #先声明，其后再赋值
>>> Person
<Row(name, age)>
>>> 'name' in Person
True
>>> 'wrong_key' in Person
False
>>> Person("Alice", 11)
Row(name='Alice', age=11)

　　3）利用反射来推测数据模式（数据类型）：

from pyspark.sql import Row  #sql是个模块，而Row是个类，故不能直接 import pyspark.sql.Row

sc = spark.sparkContext   #创建上下文

# 载入文件并转换为Row。people文件中内容是Michael, 29　　Andy, 30　　Justin, 19

lines = sc.textFile("examples/src/main/resources/people.txt")  #可以读HDFS文件、本地文件或支持Hadoop文件系统的URI，返回RDD的字符串
parts = lines.map(lambda l: l.split(","))  #以逗号分隔
people = parts.map(lambda p: Row(name=p[0], age=int(p[1]))) #每行转换为Row

# 推断数据模式，把Dataframe注册为数据库表.
schemaPeople = spark.createDataFrame(people)
schemaPeople.createOrReplaceTempView("people")

# DataFrames注册为数据库表之后，可以使用SQL.
teenagers = spark.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")

# SQL查询的结果是Dataframe对象.
# rdd则返回类:`pyspark.RDD` of :class:`Row`.
teenNames = teenagers.rdd.map(lambda p: "Name: " + p.name).collect()
for name in teenNames:
    print(name)

# Name: Justin

　　4）利用程序化方式来推测数据模式（数据类型）：

from pyspark.sql.types import *   #数据类型

sc = spark.sparkContext

# 载入数据并转换为Row，此处未给列名.
lines = sc.textFile("examples/src/main/resources/people.txt")
parts = lines.map(lambda l: l.split(","))
# Each line is converted to a tuple.
people = parts.map(lambda p: (p[0], p[1].strip()))

# schema编码为string.
schemaString = "name age"

#StructField是个类，参数有字段名，数据类型，是否可以为空；那么fields就是个对象（实例）；StructType也是个类，与StructField的数据类型保持一致，可迭代
#StringType也是个类，还有BinaryType、 BooleanType等。此处把name、age传进去。
fields = [StructField(field_name, StringType(), True) for field_name in schemaString.split()]
schema = StructType(fields)

# 把schema应用到RDD.
schemaPeople = spark.createDataFrame(people, schema)

# 创建临时视图
schemaPeople.createOrReplaceTempView("people")

# SQL can be run over DataFrames that have been registered as a table.
results = spark.sql("SELECT name FROM people")

results.show()
# +-------+
# |   name|
# +-------+
# |Michael|
# |   Andy|
# | Justin|
# +-------+

　　？？？为什么要推断数据模式，因为原始的数据没有列名和数据类型，定义了列名和数据类型之后，就是DataFrame了，然后方便处理数据？

　　？？？尝试编代码时，总是报错，如下：

　　

ERROR:py4j.java_gateway:An error occurred while trying to connect to the Java server (127.0.0.1:58808)
Traceback (most recent call last):
File "C:UsersdellAnaconda3libsite-packagespy4jjava_gateway.py", line 827, in _get_connection
connection = self.deque.pop()
IndexError: pop from an empty deque

During handling of the above exception, another exception occurred:

Traceback (most recent call last):
File "C:UsersdellAnaconda3libsite-packagespy4jjava_gateway.py", line 963, in start
self.socket.connect((self.address, self.port))
ConnectionRefusedError: [WinError 10061] 由于目标计算机积极拒绝，无法连接。

　　且在这里记下，以后找到解决方法再说。

　　奇怪的是，wordCount的程序第一次运行时正常，给出结果，在运行时就一直报上述错误。貌似是Java服务只能连上一会儿，之后就断开了。

　　jdk的环境变量按照网上说的，反复确认，但仍然报错。一开始装的jdk9，后又改成jdk1.8。