前面我们学习了Spark中的Spark core，离线数据计算，下面我们来学习一下Spark中的Spark SQL。
一、Spark SQL
Spark SQL和我们之前讲Hive的时候说的hive on spark是不一样的。
hive on spark是表示把底层的mapreduce引擎替换为spark引擎。
而Spark SQL是Spark自己实现的一套SQL处理引擎。
Spark SQL是Spark中的一个模块，主要用于进行结构化数据的处理。它提供的最核心的编程抽象，就是DataFrame。
DataFrame=RDD+Schema。
它其实和关系型数据库中的表非常类似，RDD可以认为是表中的数据，Schema是表结构信息。DataFrame可以通过很多来源进行构建，包括：结构化的数据文件，Hive中的表，外部的关系型数据库，以及RDD
Spark1.3出现的DataFrame，Spark1.6出现了DataSet，在Spark2.0中两者统一，DataFrame等于DataSet[Row]
二、SparkSession
要使用Spark SQL，首先需要创建一个SpakSession对象。
SparkSession中包含了SparkContext和SqlContext。
所以说想通过SparkSession来操作RDD的话需要先通过它来获取SparkContext。
这个SqlContext是使用sparkSQL操作hive的时候会用到的。
三、创建DataFrame
使用SparkSession，可以从RDD、HIve表或者其它数据源创建DataFrame
那下面我们来使用JSON文件来创建一个DataFrame
想要使用spark-sql需要先添加spark-sql的依赖
<dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.11</artifactId><version>2.4.3</version></dependency>
在项目中添加sql这个包名
student.json文件内容如下：
{"name":"jack","age":19,"sex":"male"}{"name":"tom","age":18,"sex":"female"}{"name":"jessic","age":27,"sex":"male"}{"name":"hehe","age":18,"sex":"female"}{"name":"haha","age":15,"sex":"male"}
1、scala代码如下：
创建object：SqlDemoScala
package com.imooc.scala.sqlimport org.apache.spark.SparkConfimport org.apache.spark.sql.SparkSession/*** 需求：使用json文件创建DataFrame*/object SqlDemoScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("SqlDemoScala").config(conf).getOrCreate()//读取json文件，获取DataFrameval stuDf = sparkSession.read.json("D:\\student.json")//将DataFrame转换为DataSet[Row]//val stuDf = sparkSession.read.json("D:\\student.json").as("stu")//查看DataFrame中的数据stuDf.show()sparkSession.stop()}}
运行结果如下：
2、java代码如下：
package com.imooc.java.sql;import org.apache.spark.SparkConf;import org.apache.spark.sql.Dataset;import org.apache.spark.sql.Row;import org.apache.spark.sql.SparkSession;/*** 需求：使用json文件创建DataFrame*/public class SqlDemoJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("SqlDemoJava").config(conf).getOrCreate();//读取json文件，获取Dataset<Row>Dataset<Row> stuDf = sparkSession.read().json("D:\\student.json");//将Dataset<Row>转换为DataFrame//Dataset<Row> stuDf = sparkSession.read().json("D:\\student.json").toDF();stuDf.show();sparkSession.stop();}}
运行结果如下：
注：
由于DataFrame等于DataSet[Row]，它们两个可以互相转换，所以创建哪个都是一样的
咱们前面的scala代码默认创建的是DataFrame，java代码默认创建的是DataSet
尝试对他们进行转换
在Scala代码中将DataFrame转换为DataSet[Row]，对后面的操作没有影响
//将DataFrame转换为DataSet[Row]val stuDf = sparkSession.read.json("D:\\student.json").as("stu")
在Java代码中将DataSet[Row]转换为DataFrame
//将Dataset<Row>转换为DataFrameDataset<Row> stuDf = sparkSession.read().json("D:\\student.json").toDF();
四、DataFrame常见算子操作
下面来看一下Spark sql中针对DataFrame常见的算子操作
先看一下官方文档
printSchema()show()select()filter()、where()groupBy()count()
下面来使用一下这些操作
1、scala代码如下：
package com.imooc.scala.sqlimport org.apache.spark.SparkConfimport org.apache.spark.sql.SparkSession/*** 需求：DataFrame常见操作*/object DataFrameOpScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("DataFrameOpScala").config(conf).getOrCreate()val stuDf = sparkSession.read.json("D:\\student.json")//打印schema信息stuDf.printSchema()//默认显示所有数据，可以通过参数控制显示多少条stuDf.show(2)stuDf.select("name","age").show()//在使用select的时候可以对数据做一些操作，需要添加隐式转换函数，否则语法报错import sparkSession.implicits._stuDf.select($"name",$"age" + 1).show()//对数据进行过滤，需要添加隐式转换函数，否则语法报错stuDf.filter($"age" > 18).show()//where底层调用的就是filterstuDf.where($"age" > 18).show()//对数据进行分组求和stuDf.groupBy("age").count().show()sparkSession.stop()}}
输出如下：
//打印schema信息stuDf.printSchema()
//默认显示所有数据，可以通过参数控制显示多少条stuDf.show(2)
stuDf.select("name","age").show()
//在使用select的时候可以对数据做一些操作，需要添加隐式转换函数，否则语法报错import sparkSession.implicits._stuDf.select($"name",$"age" + 1).show()
//对数据进行过滤，需要添加隐式转换函数，否则语法报错stuDf.filter($"age" > 18).show()
//where底层调用的就是filterstuDf.where($"age" > 18).show()
//对数据进行分组求和stuDf.groupBy("age").count().show()
2、java代码如下：
package com.imooc.java.sql;import org.apache.spark.SparkConf;import org.apache.spark.sql.Dataset;import org.apache.spark.sql.Row;import org.apache.spark.sql.SparkSession;import static org.apache.spark.sql.functions.col;/*** 需求：DataFrame常见操作*/public class DataFrameOpJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("DataFrameOpJava").config(conf).getOrCreate();Dataset<Row> stuDf = sparkSession.read().json("D:\\student.json");//打印schema信息stuDf.printSchema();//默认显示所有数据，可以通过参数控制显示多少条stuDf.show(2);//查询数据中的指定字段信息stuDf.select("name","age").show();//在select的时候可以对数据做一些操作,需要引入import static org.apache.spark.sql.functions.col;stuDf.select(col("name"),col("age").plus(1)).show();//对数据进行过滤stuDf.filter(col("age").gt(18)).show();//where底层调用的就是filterstuDf.where(col("age").gt(18)).show();stuDf.groupBy("age").count().show();sparkSession.stop();}}
输出如下：
//打印schema信息stuDf.printSchema();
//默认显示所有数据，可以通过参数控制显示多少条stuDf.show(2);
//查询数据中的指定字段信息stuDf.select("name","age").show();
//在select的时候可以对数据做一些操作,需要引入import static org.apache.spark.sql.functions.col;stuDf.select(col("name"),col("age").plus(1)).show();
//对数据进行过滤stuDf.filter(col("age").gt(18)).show();
//where底层调用的就是filterstuDf.where(col("age").gt(18)).show();
stuDf.groupBy("age").count().show();
这些就是针对DataFrame的一些常见的操作。
但是现在这种方式其实用起来还是不方便，只是提供了一些类似于可以操作表的算子，很对一些简单的查询还是可以的，但是针对一些复杂的操作，使用算子写起来就很麻烦了，所以我们希望能够直接支持用sql的方式执行，Spark SQL也是支持的。
五、DataFrame的sql操作
想要实现直接支持sql语句查询DataFrame中的数据
需要两步操作
1、先将DataFrame注册为一个临时表2、使用sparkSession中的sql函数执行sql语句
下面来看一个案例
1、scala代码如下：
package com.imooc.scala.sqlimport org.apache.spark.SparkConfimport org.apache.spark.sql.SparkSession/*** 需求：使用sql操作DataFrame*/object DataFrameSqlScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("DataFrameSqlScala").config(conf).getOrCreate()val stuDf = sparkSession.read.json("D:\\student.json")//将DataFrame注册为一个临时表stuDf.createOrReplaceTempView("student")//使用sql查询临时表中的数据sparkSession.sql("select age,count(*) as num from student group by age").show()sparkSession.stop()}}
结果输出如下：
2、java代码如下：
package com.imooc.java.sql;import org.apache.spark.SparkConf;import org.apache.spark.sql.Dataset;import org.apache.spark.sql.Row;import org.apache.spark.sql.SparkSession;/*** 需求：使用sql操作DataFrame*/public class DataFrameSqlJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("DataFrameSqlJava").config(conf).getOrCreate();Dataset<Row> stuDf = sparkSession.read().json("D:\\student.json");//将Dataset<Row>注册为一个临时表stuDf.createOrReplaceTempView("student");//使用sql查询临时表中的数据sparkSession.sql("select age,count(*) as num from student group by age").show();sparkSession.stop();}}
结果输出如下：
六、RDD转换为DataFrame
为什么要将RDD转换为DataFrame?
在实际工作中我们可能会先把hdfs上的一些日志数据加载进来，然后进行一些处理，最终变成结构化的数据，希望对这些数据做一些统计分析，当然了我们可以使用spark中提供的transformation算子来实现，只不过会有一些麻烦，毕竟是需要写代码的，如果能够使用sql实现，其实是更加方便的。
所以可以针对我们前面创建的RDD，将它转换为DataFrame，这样就可以使用dataFrame中的一些算子或者直接写sql来操作数据了。
Spark SQL支持这两种方式将RDD转换为DataFrame
1、反射方式2、编程方式
1、反射方式
下面来看一下反射方式：
这种方式是使用反射来推断RDD中的元数据。
基于反射的方式，代码比较简洁，也就是说当你在写代码的时候，已经知道了RDD中的元数据，这样的话使用反射这种方式是一种非常不错的选择。
Scala具有隐式转换的特性，所以spark sql的scala接口是支持自动将包含了case class的RDD转换为DataFrame的
下面来举一个例子
（1）scala代码如下：
package com.imooc.scala.sqlimport org.apache.spark.SparkConfimport org.apache.spark.sql.SparkSession/*** 需求：使用反射方式实现RDD转换为DataFrame*/object RddToDataFrameByReflectScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("RddToDataFrameByReflectScala").config(conf).getOrCreate()//获取SparkContextval sc = sparkSession.sparkContextval dataRDD = sc.parallelize(Array(("jack",18),("tom",20),("jessic",30)))//基于反射直接将包含Student对象的dataRDD转换为DataFrame//需要导入隐式转换import sparkSession.implicits._val stuDf = dataRDD.map(tup=>Student(tup._1,tup._2)).toDF()//下面就可以通过DataFrame的方式操作dataRDD中的数据了stuDf.createOrReplaceTempView("student")//执行sql查询val resDf = sparkSession.sql("select name,age from student where age > 18")sparkSession.sql("select name,age from student where age > 18").show()//将DataFrame转化为RDDval resRDD = resDf.rdd//从row中取数据，封装成student，打印到控制台resRDD.map(row=>Student(row(0).toString,row(1).toString.toInt)).collect().foreach(println(_))//使用row的getAs()方法，获取指定列名的值resRDD.map(row=>Student(row.getAs[String]("name"),row.getAs[Int]("age"))).collect().foreach(println(_))sparkSession.stop()}}//定义一个Studentcase class Student(name:String,age:Int)
输出如下：
（2）java代码如下：
package com.imooc.java.sql;import org.apache.spark.SparkConf;import org.apache.spark.SparkContext;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.api.java.function.Function;import org.apache.spark.rdd.RDD;import org.apache.spark.sql.Dataset;import org.apache.spark.sql.Row;import org.apache.spark.sql.SparkSession;import scala.Tuple2;import java.io.Serializable;import java.util.Arrays;import java.util.List;/*** 需求：使用反射方式实现RDD转换为DataFrame*/public class RddToDataFrameByReflectJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("RddToDataFrameByReflectJava").config(conf).getOrCreate();//获取SparkContext//从sparkSession中获取的是scala中的sparkContext，所以需要转换成java中的sparkContextJavaSparkContext sc = JavaSparkContext.fromSparkContext(sparkSession.sparkContext());Tuple2<String, Integer> t1 = new Tuple2<String, Integer>("jack", 18);Tuple2<String, Integer> t2 = new Tuple2<String, Integer>("tom", 20);Tuple2<String, Integer> t3 = new Tuple2<String, Integer>("jessic", 30);JavaRDD<Tuple2<String,Integer>> dataRDD = sc.parallelize(Arrays.asList(t1,t2,t3));JavaRDD<Student> stuRDD = dataRDD.map(new Function<Tuple2<String, Integer>, Student>() {@Overridepublic Student call(Tuple2<String, Integer> tup) throws Exception {return new Student(tup._1, tup._2);}});//注意：Student这个类必须声明为public，并且必须实现序列化Dataset<Row> stuDf = sparkSession.createDataFrame(stuRDD,Student.class);stuDf.createOrReplaceTempView("student");//执行sql查询Dataset<Row> resDf = sparkSession.sql("select name,age from student where age > 18");//将DataFrame转化为RDD，注意：这里需要转为JavaRDDJavaRDD<Row> resRDD = resDf.javaRDD();//从row中取数据，封装成student，打印到控制台List<Student> resList = resRDD.map(new Function<Row, Student>() {@Overridepublic Student call(Row row) throws Exception {//return new Student(row.getString(0), row.getInt(1));//通过getAs获取数据return new Student(row.getAs("name").toString(), Integer.parseInt(row.getAs("age").toString()));}}).collect();for(Student stu : resList){System.out.println(stu);}sparkSession.stop();}}
Student类：
package com.imooc.java.sql;import java.io.Serializable;/****/public class Student implements Serializable {private String name;private int age;public Student(String name, int age) {this.name = name;this.age = age;}public String getName() {return name;}public void setName(String name) {this.name = name;}public int getAge() {return age;}public void setAge(int age) {this.age = age;}@Overridepublic String toString() {return "Student{" +"name='" + name + '\'' +", age=" + age +'}';}}
输出如下：
2、编程方式
接下来是编程的方式
这种方式是通过编程接口来创建DataFrame，你可以在程序运行时动态构建一份元数据，就是Schema，然后将其应用到已经存在的RDD上。这种方式的代码比较冗长，但是如果在编写程序时，还不知道RDD的元数据，只有在程序运行时，才能动态得知其元数据，那么只能通过这种动态构建元数据的方式。
也就是说当case calss中的字段无法预先定义的时候，就只能用编程方式动态指定元数据了
下面看一个案例
（1）scala代码如下：
package com.imooc.scala.sqlimport org.apache.spark.SparkConfimport org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}import org.apache.spark.sql.{Row, SparkSession}/*** 需求：使用编程方式实现RDD转换为DataFrame**/object RddToDataFrameByProgramScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("RddToDataFrameByProgramScala").config(conf).getOrCreate()//获取SparkContextval sc = sparkSession.sparkContextval dataRDD = sc.parallelize(Array(("jack",18),("tom",20),("jessic",30)))//组装rowRDDval rowRDD = dataRDD.map(tup=>Row(tup._1,tup._2))//指定元数据信息【这个元数据信息就可以动态从外部获取了，比较灵活】val schema = StructType(Array(StructField("name",StringType,true),StructField("age",IntegerType,true)))//组装DataFrameval stuDf = sparkSession.createDataFrame(rowRDD,schema)//下面就可以通过DataFrame的方式操作dataRDD中的数据了stuDf.createOrReplaceTempView("student")//执行sql查询val resDf = sparkSession.sql("select name,age from student where age > 18")//将DataFrame转化为RDDval resRDD = resDf.rddresRDD.map(row=>(row(0).toString,row(1).toString.toInt)).collect().foreach(println(_))sparkSession.stop()}}
输出如下：
（2）java代码如下：
package com.imooc.java.sql;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.api.java.function.Function;import org.apache.spark.sql.Dataset;import org.apache.spark.sql.Row;import org.apache.spark.sql.RowFactory;import org.apache.spark.sql.SparkSession;import org.apache.spark.sql.types.DataTypes;import org.apache.spark.sql.types.StructField;import org.apache.spark.sql.types.StructType;import scala.Tuple2;import java.util.ArrayList;import java.util.Arrays;import java.util.List;/*** 需求：使用编程方式实现RDD转换为DataFrame**/public class RddToDataFrameByProgramJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("RddToDataFrameByProgramJava").config(conf).getOrCreate();//获取SparkContext//从sparkSession中获取的是scala中的sparkContext，所以需要转换成java中的sparkContextJavaSparkContext sc = JavaSparkContext.fromSparkContext(sparkSession.sparkContext());Tuple2<String, Integer> t1 = new Tuple2<String, Integer>("jack", 18);Tuple2<String, Integer> t2 = new Tuple2<String, Integer>("tom", 20);Tuple2<String, Integer> t3 = new Tuple2<String, Integer>("jessic", 30);JavaRDD<Tuple2<String, Integer>> dataRDD = sc.parallelize(Arrays.asList(t1, t2, t3));//组装rowRDDJavaRDD<Row> rowRDD = dataRDD.map(new Function<Tuple2<String, Integer>, Row>() {@Overridepublic Row call(Tuple2<String, Integer> tup) throws Exception {return RowFactory.create(tup._1, tup._2);}});//指定元数据信息ArrayList<StructField> structFieldList = new ArrayList<StructField>();structFieldList.add(DataTypes.createStructField("name", DataTypes.StringType, true));structFieldList.add(DataTypes.createStructField("age", DataTypes.IntegerType, true));StructType schema = DataTypes.createStructType(structFieldList);//构建DataFrameDataset<Row> stuDf = sparkSession.createDataFrame(rowRDD, schema);stuDf.createOrReplaceTempView("student");//执行sql查询Dataset<Row> resDf = sparkSession.sql("select name,age from student where age > 18");//将DataFrame转化为RDD，注意：这里需要转为JavaRDDJavaRDD<Row> resRDD = resDf.javaRDD();List<Tuple2<String, Integer>> resList = resRDD.map(new Function<Row, Tuple2<String, Integer>>() {@Overridepublic Tuple2<String, Integer> call(Row row) throws Exception {return new Tuple2<String, Integer>(row.getString(0), row.getInt(1));}}).collect();for(Tuple2<String,Integer> tup : resList){System.out.println(tup);}sparkSession.stop();}}
输出如下：
七、load和save操作
对于Spark SQL的DataFrame来说，无论是从什么数据源创建出来的DataFrame，都有一些共同的load和save操作。
load操作主要用于加载数据，创建出DataFrame；
save操作，主要用于将DataFrame中的数据保存到文件中。
我们前面操作json格式的数据的时候好像没有使用load方法，而是直接使用的json方法，这是什么特殊用法吗？
查看json方法的源码会发现，它底层调用的是format和load方法。
def json(paths: String*): DataFrame = format("json").load(paths : _*)
注意：如果看不到源码，需要点击idea右上角的download source提示信息下载依赖的源码。
我们如果使用原始的format和load方法加载数据，
此时如果不指定format，则默认读取的数据源格式是parquet，也可以手动指定数据源格式。Spark SQL内置了一些常见的数据源类型，比如json, parquet, jdbc, orc, csv, text
通过这个功能，就可以在不同类型的数据源之间进行转换了。
来看一个案例：
1、scala代码如下：
package com.imooc.scala.sqlimport org.apache.spark.SparkConfimport org.apache.spark.sql.SparkSession/*** 需求：load和save的使用**/object LoadAndSaveOpScala {def main(args: Array[String]): Unit = {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0")val conf = new SparkConf().setMaster("local")//创建SparkSession对象，里面包含SparkContext和SqlContextval sparkSession = SparkSession.builder().appName("LoadAndSaveOpScala").config(conf).getOrCreate()//读取数据val stuDf = sparkSession.read.format("json").load("D:\\student.json")//保存数据stuDf.select("name","age").write.format("csv").save("hdfs://bigdata01:9000/out-save001")sparkSession.stop()}}
执行代码，查看结果，csv文件是使用逗号分隔的：
[root@bigdata01 hadoop-3.2.0]# hdfs dfs -ls /out-save001 Found 2 items-rw-r--r-- 3 yehua supergroup0 -05-29 17:53 /out-save001/_SUCCESS-rw-r--r-- 3 yehua supergroup 46 -05-29 17:53 /out-save001/part-00000-9bf82de6-b23e-4118-bc05-34e0466aa295-c000.csv[root@bigdata01 hadoop-3.2.0]# hdfs dfs -cat /out-save001/part-00000-9bf82de6-b23e-4118-bc05-34e0466aa295-c000.csvjack,19tom,18jessic,27hehe,18haha,15
2、java代码如下：
package com.imooc.java.sql;import org.apache.spark.SparkConf;import org.apache.spark.sql.Dataset;import org.apache.spark.sql.Row;import org.apache.spark.sql.SparkSession;/*** 需求：load和save的使用*/public class LoadAndSaveOpJava {public static void main(String[] args) {System.setProperty("hadoop.home.dir", "E:\\hadoop-3.2.0\\hadoop-3.2.0");SparkConf conf = new SparkConf();conf.setMaster("local");//创建SparkSession对象，里面包含SparkContext和SqlContextSparkSession sparkSession = SparkSession.builder().appName("LoadAndSaveOpJava").config(conf).getOrCreate();//读取数据Dataset<Row> stuDf = sparkSession.read().format("json").load("D:\\student.json");//保存数据stuDf.select("name","age").write().format("csv").save("hdfs://bigdata01:9000/out-save002");sparkSession.stop();}}
八、SaveMode
Spark SQL对于save操作，提供了不同的save mode。
主要用来处理，当目标位置已经有数据时应该如何处理。save操作不会执行锁操作，并且也不是原子的，因此是有一定风险出现脏数据的。
SaveMode解释SaveMode.ErrorIfExists (默认)如果目标位置已经存在数据，那么抛出一个异常SaveMode.Append如果目标位置已经存在数据，那么将数据追加进去SaveMode.Overwrite如果目标位置已经存在数据，那么就将已经存在的数据删除，用新数据进行覆盖SaveMode.Ignore如果目标位置已经存在数据，那么就忽略，不做任何操作
在LoadAndSaveOpScala中增加SaveMode的设置，重新执行，验证结果
将SaveMode设置为Append，如果目标已存在，则追加
stuDf.select("name","age").write.format("csv").mode(SaveMode.Append)//追加.save("hdfs://bigdata01:9000/out-save001")
执行之后的结果确实是追加到之前的结果目录中了
[root@bigdata01 hadoop-3.2.0]# hdfs dfs -ls /out-save001 Found 3 items-rw-r--r-- 3 yehua supergroup0 -05-29 17:59 /out-save001/_SUCCESS-rw-r--r-- 3 yehua supergroup 46 -05-29 17:59 /out-save001/part-00000-94a0141a-49f1-45a5-b2a4-0bdd89647ab1-c000.csv-rw-r--r-- 3 yehua supergroup 46 -05-29 17:53 /out-save001/part-00000-9bf82de6-b23e-4118-bc05-34e0466aa295-c000.csv
九、内置函数
Spark中提供了很多内置的函数，
种类函数聚合函数avg, count, countDistinct, first, last, max, mean, min, sum, sumDistinct集合函数array_contains, explode, size日期/时间函数datediff, date_add, date_sub, add_months, last_day, next_day, months_between, current_date, current_timestamp, date_format数学函数abs, ceil, floor, round混合函数if, isnull, md5, not, rand, when字符串函数concat, get_json_object, length, reverse, split, upper窗口函数denseRank, rank, rowNumber
其实这里面的函数和hive中的函数是类似的
注意：SparkSQL中的SQL函数文档不全，其实在使用这些函数的时候，大家完全可以去查看hive中sql的文档，使用的时候都是一样的。
Spark15：Spark SQL：DataFrame常见算子操作 DataFrame的sql操作 RDD转换为DataFrame load和save操作 SaveMode 内置函数
