Spark Sql
1、SparkSql概述
1.1混乱的前世今生
- 先出现MapReduce，后本着sql on mr的思路，产生了Hive。
- MapReduce执行效率太慢，效率升级后产生了Tez，再效率升级后产生了Spark。
- Spark为了方便操作，本着sql on spark的思路产生Shark，但Shark太多的借鉴和依赖Hive，制约了Spark的One Stack Rule Them All既定方针，制约了Spark各个组件的相互集成
最后被Spark团队推翻和停更，推出了sql on spark新项目SparkSql，使sql on spark的发展方向上，得到质的提升。
1.2 SparkSql简介
SparkSql是什么
- Spark SQL是Spark处理数据的一个模块
- 专门用来处理结构化数据的模块，像json，parquet，avro，csv，普通表格数据等均可。
- 与基础RDD的API不同，Spark SQL中提供的接口将提供给更多关于结构化数据和计算的信息，并针对这些信息，进行额外的处理优化。
- SparkSql操作方式说明
- SparkSql shell
- 类似于hive shell
- DataFrames API
- 最早专为sql on spark设计的数据抽象，与RDD相似，增加了数据结构scheme描述信息部分。
- 写spark代码，面向DF(DataFrams缩写)编程，可以与其它Spark应用代码无缝集成。
- 比RDD更丰富的算子，更有利于提升执行效率、减少数据读取、执行计划优化。
- DataSets API
- 集成了RDD强类型和DataFrames结构化的优点，官方正强力打造的新数据抽象类型。
- 写spark代码，面向DS编程，可以与其它Spark应用代码无缝集成。
- 比RDD更丰富的算子，更有利于提升执行效率、减少数据读取、执行计划优化。
- 面向程序接口对接的操作：通过JDBC、ODBC等方式操作SparkSql
- 通过jdbc、odbc链接后，发送相关的sparksql请求，实现基于sparksql功能开发。
- SparkSql shell
- SparkSql的特点
- 可以利用SQL、DataFrams API、DataSets API或其它语言调用的基于sparksql模块计算，均是sparkcore执行引擎，其对计算的表达是独立的，即开发人员可以轻松在不同API之间切换实现相同的功能。
- 也可以通过命令行、JDBC、ODBC的方式来操作SparkSQL，方便其它数据平台、BI平台使用SparkSql模块。
- 在spark应用程序开发中，可以无缝使用SparkSql操作数据。
- 可以直接使用Hive表格数据。
- 与Hive的兼容性极好：它复用了Hive的前端(去掉驱动mapreduce执行任务的部分)和元数据，因此可以拿过来hivesql的东西在sparksql上运行即可。
- 并不是100%完全兼容，但绝大多数情况下，不需要改动，或只需要极小的改动！！！
- 比如个别版本不支持直接insert into table xxx values(xxx…)的插入数据的方式
- SparkSql的应用中，sql是一个重要方面，但不局限制sql。
SparkSql愿景
SQL
- 面向数据编程的最高级抽象
- HQL=Hive Sql
- sql on hadoop的落地
- Hive on mr
- sql on mapreduce引擎
- Hive on tez
- sql on tez引擎
- Shark
- 早期发展的sql on spark项目，已废弃
- SparkSql
- spark团队主推的sql on spark项目，目前已相对成熟
- sql on spark商用的首选
Hive on spark
环境进入方式
//直接输入spark-sql+自己想要添加的参数即可，与spark-shell相似
spark-sql [options]
//如指定运行模式
spark-sql local[]
*//如指定运行spark webui服务的端口，解决多人共用一个入口机时候的进入时候报port bind exception的问题
spark-sql —conf spark.ui.port=4075
//也可以用于似于hive -e的方式，直接直接一段sparksql代码
spark-sql –e “sparksql code”
- 成功进入后状态
操作方式
与之前的Sbt构建SparkWordCount步骤完全一样。
- 将Spark-Sql库依赖，加入build.sbt
- sbt reload
- sbt eclipse
- eclipse项目中进行刷新操作
- spark-sql依赖库
“org.apache.spark” %% “spark-sql” % “2.3.2” % “provided”
3.2 DataFrames相关操作
- 创建DataFrames-1.6.x
package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
def main(args: Array[String]) {
val conf = new SparkConf()
conf.setMaster(“local”);
conf.setAppName(“TestSparkSql”);
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
// 添加将RDD转化为DataFrame的功能包引入
import sqlContext.implicits._
val df = sqlContext.read.json(“file:\E:\test\job003\sparksql\input_weibo.json”)
df.show();
sc.stop();
}
}
- DataFrame常用操作
- 常用命令
- show
- printSchema
- select
- filter
- groupBy
- count
- orderBy
- 其它操作类比于sql即可
- 综合示例-1.6.x
- 常用命令
package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
def main(args: Array[String]) {
val conf = new SparkConf()
conf.setMaster(“local”);
conf.setAppName(“TestSparkSql”);
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
// 添加将RDD转化为DataFrame的功能包引入
import sqlContext.implicits.
val df = sqlContext.read.json(“file:\E:\test\job003\sparksql\input_weibo.json”)
//默认显示内容的top20
df.show()
// 打印内容对应的表结构
df.printSchema()
// 选择内容当中的某一个列对应的内容
df.select(“content”).show()
// 选择任意列并进行自定义操作
df.select(df(“content”), df(“commentCount”), df(“commentCount”) + 10000).show()
// 选择评论数大于100的数据显示出来
df.filter(df(“commentCount”) > 100).show()
// 按userId进行分组计数统计
df.groupBy(“userId”).count().show()
//分组统计结果按默认升序排列
df.groupBy(“userId”).count().orderBy(“count”).show()
//分组统计结果按降序排列
import org.apache.spark.sql.functions.
df.groupBy(“userId”).count().orderBy(desc(“count”)).show()
sc.stop();
}
}
- 创建DataFrames-2.3.x
| package com.tl.job011.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.SparkSession
object TestSparkSqlFor23_x {
def main(args: Array[String]): Unit = {
//1、构建spark session
val sparkSession = SparkSession
.builder()
.appName(“SparkSql-2.3.2-TestCase”)
.master(“local[*]”)
.getOrCreate()
// For implicit conversions like converting RDDs to DataFrames
import sparkSession.implicits.
//2、构建data frames
val df = sparkSession.read.json(“F:\\test_sbt\\FirstSpark4Scala\\input_json.txt”)
//3、df算子操作
df.show()
val cc = df.count()
println(“数据共有多少行=” + cc)
//4、停掉相关会话
sparkSession.stop()
}
} | | —- |
- 综合示例-2.3.x
| package com.tl.job011.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.SparkSession
object TestSparkSqlFor23_x {
def main(args: Array[String]): Unit = {
//1、构建spark session
val sparkSession = SparkSession
.builder()
.appName(“SparkSql-2.3.2-TestCase”)
.master(“local[*]”)
.getOrCreate()
// For implicit conversions like converting RDDs to DataFrames
import sparkSession.implicits.
//2、构建data frames
val df = sparkSession.read.json(“F:\\testsbt\\FirstSpark4Scala\\input_json.txt”)
//3、df算子操作
// 打印内容对应的表结构
df.printSchema()
// 选择内容当中的某一个列对应的内容
df.select(“content”).show()
// 选择任意列并进行自定义操作
df.select(df(“content”), df(“commentCount”), df(“commentCount”) + 10000).show()
// 选择评论数大于100的数据显示出来
df.filter(df(“commentCount”) > 100).show()
// 按userId进行分组计数统计
df.groupBy(“userId”).count().show()
//分组统计结果按默认升序排列
df.groupBy(“userId”).count().orderBy(“count”).show()
//分组统计结果按降序排列
import org.apache.spark.sql.functions.
df.groupBy(“userId”).count().orderBy(desc(“count”)).show()
//4、停掉相关会话
sparkSession.stop()
}
} | | —- |
RDD与DataFrame互操作
将RDD转化成DataFrame(将无结构化数据转化成有结构化数据)
- 将一个RDD转化为带Scheme的DataFrame
- 实现转化的方式有两种
- 反射推断
- 程序编码实现数据与结构的对应，达到转化目标。（重点）
1.6.x的代码实现 | package com.tl.job011.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.types.StructField
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.Row
object TestRddToDataFrameFor16_x {
def main(args: Array[String]): Unit = {
//1、构建spark context,构建sql context
val conf = new SparkConf
conf.setAppName(“SparkSql-Test”)
conf.setMaster(“local[*]”)
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
// 解决隐式转换问题, 如RDDs to DataFrames
import sqlContext.implicits.
//2、构建scheme
val schema =
StructType(
“stdNo name classNo className”.split(“ “).map(fieldName => StructField(fieldName, StringType, true)))
//3、构建rdd，linesRDD
val studentRDD = sc.textFile(“F:\\testsbt\\FirstSpark4Scala\\student_mysql.txt”)
//4、将linesRDD转换成Row rdd
val rowRDD = studentRDD.map(.split(“\\t”)).map(p => Row(p(0), p(1), p(2), p(3)))
//5、创建df，由row rdd + scheme
val studentDataFrame = sqlContext.createDataFrame(rowRDD, schema)
//6、df算子操作
studentDataFrame.printSchema()
studentDataFrame.show()
//7、停掉相关会话
sc.stop()
}
} | | —- |2.3.x的代码实现
| package com.tl.job011.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.types.StructField
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.Row
object TestRddToDataFrameFor23_x {
def main(args: Array[String]): Unit = {
//1、构建spark session
val sparkSession = SparkSession
.builder()
.appName(“SparkSql-2.3.2-TestCase”)
.master(“local[*]”)
.getOrCreate()
// For implicit conversions like converting RDDs to DataFrames
import sparkSession.implicits.
//2、构建scheme
val schema =
StructType(
“stdNo name classNo className”.split(“ “).map(fieldName => StructField(fieldName, StringType, true)))
//3、构建rdd，linesRDD
val studentRDD = sparkSession.sparkContext.textFile(“F:\\testsbt\\FirstSpark4Scala\\student_mysql.txt”)
//4、将linesRDD转换成Row rdd
val rowRDD = studentRDD.map(.split(“\\t”)).map(p => Row(p(0), p(1), p(2), p(3)))
//5、创建df，由row rdd + scheme
val studentDataFrame = sparkSession.createDataFrame(rowRDD, schema)
//6、df算子操作
studentDataFrame.printSchema()
studentDataFrame.show()
//7、停掉相关会话
sparkSession.stop()
}
} | | —- |
- 将DataFrame转化成RDD
//提供直接转化成RDD的方式,即df.rdd即可
studentDataFrame.rdd
- SparkSql临时表生成（内存中存放的表，应用结束即消失）
- 直接通过df注册生成
//将df对象直接注册成一张临时表
df.registerTempTable(“weibo_doc”); //1.6.x版本
df. createTempView (“weibo_doc”); //2.3.x版本
- 将RDD转换成DF后，再如上例注册成临时表
- 临时表与DataFrame互操作
- 应用开发中，使用SqlContext调用sql语句生成DataFrame
- 综合示例-融合1.6.x和2.3.x
package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
def main(args: Array[String]) {
val conf = new SparkConf()
conf.setMaster(“local”);
conf.setAppName(“TestSparkSql”);
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
// 添加将RDD转化为DataFrame的功能包引入
import sqlContext.implicits._
val df = sqlContext.read.json(“file:\E:\test\job003\sparksql\input_weibo.json”)
//注册为名称为weibo_doc的临时表-1.6.x
// df.registerTempTable(“weibo_doc”);
//注册为名称为weibo_doc的临时表-2.3.x
df. createTempView (“weibo_doc”);
//执行该sql，并做相应的dataframe操作即可
sqlContext.sql(“select userId,content from weibo_doc order by commentCount desc”).show();
sc.stop();
}
}
- DataFrame数据持久化
- parquet数据格式，默认的输入和输出均为该格式
- spark自带：天然集成，强力推荐的数据格式
- parquet产生背景
- 面向分析型业务的列式存储格式
- 由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目.
- Twitter的日志结构是复杂的嵌套数据类型，需要设计一种列式存储格式，既能支持关系型数据（简单数据类型），又能支持复杂的嵌套类型的数据，同时能够适配多种数据处理框架。
- parquet的优点
- 压缩数据，内部自带gzip压缩
- 不失真
- 减少IO吞吐量
- 高效的查询
- 多数据处理平台，均支持parquet，包括hive等。
- 综合示例实现-2.3.x(与1.6.x差距核心在sparkSession抽象)
| package com.tl.job011.sparksql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.types.StructField
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.Row
object TestSparksqlPersistFor23_x {
def main(args: Array[String]): Unit = {
//1、构建spark session
val sparksql = SparkSession
.builder()
.appName(“SparkSql-2.3.2-TestCase”)
.master(“local[*]”)
.getOrCreate()
// For implicit conversions like converting RDDs to DataFrames
import sparksql.implicits.
//2、构建scheme
val df = sparksql.read.json(“F:\\test_sbt\\FirstSpark4Scala\\input_json.txt”)
//3、注册成表
df.createTempView(“weibo”)
//4、df算子操作
var resultDF = sparksql.sql(“select * from weibo”)
resultDF.repartition(1).write.format(“parquet”).save(“F:\\test_sbt\\FirstSpark4Scala\\save3”)
//5、停掉相关会话
sparksql.stop()
}
} | | —- |
4、DataSets API操作SparkSql
- 1开发环境搭建步骤
- 与DataFrames完全相同
- 2DataSets相关操作
- 操作说明
- DataSet集成了RDD和DataFrame的优点，也称为强类型的DataFrame。
- DataSets和DataFrames具有完全相同的成员函数。
- 两者中，每个行的数据类型不同。DataFrame也可以叫Dataset[Row]，即DataFrame是Dataset的一种特定形式。而DataSet的每一行是不固定的，需要模式匹配来确定。
- 版本说明
- 在1.6.2版本DataSet为alpha版测试功能，API方面均没有得到丰富和完善。
- 在2.0.0开始DataSet得到正式推广使用，由于其API和DataFrame在成员函数中完全对等，在使用上差异极小，由于是强类型，故仅在数据集case class模式匹配时，有明显差别。
- DataSets的Spark2.3.2版本上的应用
| package com.tl.job011.sparksql
import org.apache.spark.sql.SparkSession
//样例类
case class Student(name: String, age: Long, address: String)
/
抽象数据类型DataSet测试类
/
object TestSparkSqlDataSet {
def main(args: Array[String]): Unit = {
//1、构建spark session
val sparkSession = SparkSession
.builder()
.appName(“SparkSql-2.3.2-TestCase”)
.master(“local[*]”)
.getOrCreate()
//引入自动隐式类型转换
import sparkSession.implicits._
// 从基础数据对象类型创建DataSet
val primitiveDS = Seq(1, 2, 3).toDS()
val col = primitiveDS.map(_ + 1).collect() // Returns: Array(2, 3, 4)
col.foreach(println)
println(“————————-“)
primitiveDS.show()
// 已为样例类case class创建完成编码类Encoder
val caseClassDS = Seq(Student(“脱口秀大会”, 3, “北京”)).toDS()
caseClassDS.show()
// 指定相应的文件导入形成样例类对应的DataSet，通过json的key和样例类的字段名称对应即可
val path = “F:\\test_sbt\\FirstSpark4Scala\\student_data.txt”
val peopleDS = sparkSession.read.json(path).as[Student**]
peopleDS.select(“name”, “age”, “address”).show()
//关停会话上下文
sparkSession.stop()
}
} | | —- |
- 操作说明
5、多数据集抽象类型对比分析
- spark抽象数据集列表
- RDD
- DataFrame
- DataSet
- 相同点
- 全都是spark平台下的分布式弹性数据集，为处理超大型数据提供便利
- 三者都有惰性机制，在进行Transform操作时不会立即执行，在遇到Action操作时会正式提交作业执行。
- 均采用spark的内存运算和优化策略，内存使用和执行效率上均可以得到保障。
- 均有partition的概念，便于分布式并行计算处理，达到分而治之。
- 均有许多共同的函数，如map、filter、sort等。
- 在进行三者的相关操作时候，个别特殊操作时必须引入一个相同的包依赖。（ 早期称为 import sqlContext.implicits.，最新版本称为import spark.implicits.)
- DF和DS均可以通过模式匹配获取内部的变量类型和值。
- DF和DS产生于SparkSql，天然支持SparkSql。
- 区别点
- RDD
- 不支持SparkSql操作，均需进行转成DF或是DS才行。
- 类型是安全的，编译时候即可检查出类型错误。(强类型)
- 机器间通信、IO操作均需要序列化、反序列化对象，性能开销大。
- DataFrame
- 有scheme的RDD：比RDD增加了数据的描述信息。
- 比RDD的API更丰富，增加了针对结构化数据API。
- 只有一个固定类型的DataSet，即为DataFrame=DataSet[Row]
- 序列化和反序列化时做了结构化优化，减少了不必要的结构化信息的序列化，提高了执行效率。
- DataSet
- 强类型的DataFrame，与DF有完全相同的成员函数。
- 每行的类型不固定，需要使用模式匹配case class后，获取实际的类信息、字段类型、字段值。
- 访问对象数据时，比DF更加直接简单。
- 在序列化和反序列化时，引入了Encoder机制，达到按需序列化和反序列化，不必像之前整个对象操作了，进一步提高了效率。
- RDD
应用场景
- 使用RDD场景
- 数据为非结构化，如流媒体等数据
- 对数据集进行底层的转换、处理、控制
- 不需要列式处理，而是通过常规的对象.属性来使用数据。
- 对DF、DS带来的开发效率、执行效率提升不敏感时
- 使用DF（必须）
- R或是python语言开发者，使用DF
- 使用DS（必须）
- 在编译时就有高度的类型安全，想要有类型的JVM对象，用上Catalyst优化，并得益于Tungsten生成的高效代码
- 使用DF、DS场景
- 使用RDD场景
Hive课件当中的经典问题使用sparkSql实现。
- 大数据开发项目中，hive环节的实现换由SparkSql实现。
若有收获，就点个赞吧
0 人点赞
