SparkSQL-直接读取拼花地板文件

Question

我正在从Impala迁移到SparkSQL，使用以下代码读取一个表：

my_data = sqlContext.read.parquet('hdfs://my_hdfs_path/my_db.db/my_table')

我如何调用上面的SparkSQL，这样它就可以返回这样的东西：

'select col_A, col_B from my_table'

Answer 1

假设您在HDFS中有拼花地板文件ventas4：

hdfs://localhost:9000/sistgestion/sql/ventas4

在这种情况下，步骤如下：

>

SQL上下文：

val sqlContext = new org.apache.spark.sql.SQLContext(sc)

阅读拼花地板文件：

val ventas=sqlContext.read.parquet("hdfs://localhost:9000/sistgestion/sql/ventas4")

注册一个时态表：

ventas.registerTempTable("ventas")

执行查询（在这一行中，可以使用toJSON传递JSON格式，也可以使用collect（））：

sqlContext.sql("select * from ventas").toJSON.foreach(println(_))

sqlContext.sql("select * from ventas").collect().foreach(println(_))

Answer 2

无需在Spark DataFrame上创建表格，即可查询JSON、ORC、Parquet和CSV文件。

//This Spark 2.x code you can do the same on sqlContext as well
val spark: SparkSession = SparkSession.builder.master("set_the_master").getOrCreate

spark.sql("select col_A, col_B from parquet.`hdfs://my_hdfs_path/my_db.db/my_table`")
   .show()

Answer 3

从拼花地板文件创建Dataframe后，您必须将其注册为临时表，以便在其上运行sql查询。

val sqlContext = new org.apache.spark.sql.SQLContext(sc)

val df = sqlContext.read.parquet("src/main/resources/peopleTwo.parquet")

df.printSchema

// after registering as a table you will be able to run sql queries
df.registerTempTable("people")

sqlContext.sql("select * from people").collect.foreach(println)