spark-sql是用来处理结构化数据的模块，是入门spark的首要模块。
技术的学习无非就是去了解它的API，但是Spark有点难，因为它的例子和网上能搜到的基本都是Scala写的。我们这里使用Java。
数据处理的第一个例子通常都是word count，就是统计一个文件里每个单词出现了几次。我们也来试一下。
还是以我们前面的例子来改：
-
String logFile = "words";
-
SparkSession spark = SparkSession.builder().appName("Simple Application").master("local").getOrCreate();
-
Dataset<String> logData = spark.read().textFile(logFile).cache();
-
System.out.println("行数：" + logData.count());
这里我不再使用之前的README文件，自己创建了一个words文件，内容随意写了一堆单词。
执行程序，可以正常打印出来：
接下来我们需要把句子分割成一个个单词合在一起，然后统计每个单词出现的次数。
我们通过Spark的flatMap先来处理一下：
-
Dataset<String> words = logData.flatMap((FlatMapFunction<String, String>) k -> Arrays.asList(k.split("\s")).iterator(), Encoders.STRING());
-
System.out.println("单词数：" + words.count());
-
words.foreach(k -> {
-
System.out.println("W:" + k);
-
});
不同于Java的流，spark这个flatMap的返回值是可以直接访问结果的：
再Java中使用Scala的方法总是有些怪异，Lambda表达式前面总是需要强制类型转换，只是为了指明参数类型，否则需要new一个匿名类。
这个也花了我不少时间，后来找到一个网页 org.apache.spark.sql.Dataset.flatMap java code examples | Tabnine
再往后我迷茫了：
-
KeyValueGroupedDataset<String, String> group = words.groupByKey((Function1<String, String>) k -> k, Encoders.STRING());
这样我已经group好了，但是返回的不是DataSet，我也不知道这个返回有啥用，怎么拿到里面的内容呢？我费了好大劲没搞定。
比如我发现count方法会返回一个DataSet：
看起来正是我想要的，但是当我想把它输出竟然执行报错：
-
count.foreach(t -> {
-
System.out.println(t);
-
});
别说foreach了，就算想看看里面的数量（就像一开始我们查看了文件有几行那样）都会报错，错误内容一样
-
count.count();
查了很多资料，大意是说spark的计算方法都是分布式的，各个任务之间需要通信，通信时需要序列化来传递信息。所以上面我们能看文件行数因为类型是String，有序列化标志；现在生成的是元组，不能序列化。我尝试了各种方法，甚至自己创建新类模拟了计算过程还是不行
查了好久资料，比如 Job aborted due to stage failure: Task not serializable: | Databricks Spark Knowledge Base (gitbooks.io) 依然没有解决。偶然的机会找到一个令人激动的网站 Spark Groupby Example with DataFrame — SparkByExamples 终于解决了我的问题。
DataFrame虽然是spark提供的重要工具，但是再Java上并没有对应的类，只是把DataSet的泛型对象改成Row而已。注意这个Row没有泛型定义，所以里面有哪些列不知道
可以从一开始就把DataSet转成DataFrame:
但是可以看到要从Row里面拿数据比较麻烦。所以目前我只在需要序列化的地方转：
版权声明：
本文来源网络，所有图片文章版权属于原作者，如有侵权，联系删除。
本文网址：https://www.bianchenghao6.com/java-jiao-cheng/14699.html