9.3.1、Spark Sql

Dataframe 是一种以 RDD 为基础的分布式数据集，类似于传统数据库中的二维表格。Dataframe 与 RDD 的主要区别在于，前者带有 schema （表头）元信息
赖执行，但性能上比 RDD 要高，
主要原因：优化的执行计划，即查询计划通过 Spark catalyst optimiser 进行优化

DataSet 是分布式数据集合。DataSet 是 Spark 1.6 中添加的一个新抽象，是 Dataframe的一个扩展。它提供了 RDD 的优势（强类型，使用强大的 lambda 函数的能力）以及 Spark SQL 优化执行引擎的优点

Spark1.0 => RDD

Spark1.3 => Dataframe

Spark1.6 => Dataset

（1）RDD、Dataframe、DataSet 全都是 spark 平台下的分布式弹性数据集 （2）三者都有惰性机制 （3）RDD 一般和
spark mllib 同时使用，RDD 不支持 sparksql 操作 （3）Dataframe 其实就是 DataSet 的一个特例

    org.apache.spark
    spark-sql_2.11
    2.4.5

SparkSession：程序的入口，2.0引入的
—read：读取数据统一使用read
—schema：添加表头
—show：显示数据
—createOrReplaceTempView：创建视图，使用sql语句操作
—write:将文件写出去

object Demo01Sql {

  def main(args: Array[String]): Unit = {
    
    val spark: SparkSession = SparkSession.builder()
      .appName("Demo01Sql")
      .master("local")
      //在触发shuffle后，后面的reduce默认为200,设置少一些
      .config("spark.sql.shuffle.partitions","3")
      .getOrCreate()

    //从SparkSession中获取sparkContext上下文对象
    //val sc: SparkContext = spark.sparkContext

    //统一使用read方法去读取相应的文件格式（csv，jdbc，json...）
    //读取文本数据没有表头，默认为_c0,_c1...
    //使用schema添加表头
    val stuDF = spark.read
      .option("seq",",")  //指定分隔符
      .schema("id String,name String,age Int,gender String,clazz String")
      .csv("sparkproject/data/students.txt")

    //使用show直接打印，默认打印前20行
    //打印100行,truncate参数为全显示,有些数据较长可能显示不完整
    stuDF.show(10, truncate = false)

    //使用sql去操作数据,创建一个临时的视图，表明为stu
    stuDF.createOrReplaceTempView("stu")

    //操作sql语句,sql查完返回Dataframe，转换算子
    spark.sql("select * from stu where age>23")
      .show()

    //DSL的方式操作数据
    stuDF.where("age>23")
      .select("name","age","clazz")
      .show()

//将文件写出去，write
//调mode方法可以指定SaveMode方式，追加，覆盖等
stuDF.groupBy("clazz")
  .count()
  .write
  .mode(SaveMode.Overwrite)
  .save("sparkproject/data/new_res")
  }

}