Spark SQL 编程初级实践

一、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；

（3）熟悉利用 Spark SQL 管理来自不同数据源的数据。

二、实验平台

操作系统： Ubuntu16.04

Spark 版本：2.1.0

数据库：MySQL

三、实验内容和要求

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：

val sqlcontext = new org.apache.spark.sql.SQLContext(sc)
val df = sqlcontext.read.json("file:///home/hadoop/桌面/employee.json")

(2) 查询所有数据，并去除重复的数据；
df.distinct().show()

(3) 查询所有数据，打印时去除 id 字段；
df.drop("id").show()

(4) 筛选出 age>30 的记录；
df.filter(df("age")>30).show()

(5) 将数据按 age 分组；
df.sort(df("age").asc).show()

(6) 将数据按 name 升序排列；
df.sort(df("name").asc).show()

(7) 取出前 3 行数据；
df.take(3)或df.head(3)

(8) 查询所有记录的 name 列，并为其取别名为 username；
df.select(df("name").as("username")).show()

(9) 查询年龄 age 的平均值；
df.agg("age"->"avg").show()

(10) 查询年龄 age 的最小值。
df.agg("age"->"min").show()