Spark SQL、DataFrame和Dataset简介

一、Spark SQL简介

二、DataFrame & DataSet 2.1 DataFrame 2.2 DataFrame 对比 RDDs2.3 DataSet2.4 静态类型与运行时类型安全2.5 Untyped & Typed

三、DataFrame & DataSet & RDDs 总结

四、Spark SQL的运行原理4.1 逻辑计划(Logical Plan)4.2 物理计划(Physical Plan) 4.3 执行

一、Spark SQL简介

Spark SQL 是 Spark 中的一个子模块，主要用于操作结构化数据。它具有以下特点：

  • 能够将 SQL 查询与 Spark 程序无缝混合，允许您使用 SQL 或 DataFrame API 对结构化数据进行查询；
  • 支持多种开发语言；
  • 支持多达上百种的外部数据源，包括 Hive，Avro，Parquet，ORC，JSON 和 JDBC 等；
  • 支持 HiveQL 语法以及 Hive SerDes 和 UDF，允许你访问现有的 Hive 仓库；
  • 支持标准的 JDBC 和 ODBC 连接；
  • 支持优化器，列式存储和代码生成等特性；
  • 支持扩展并能保证容错。

SparkSQL - 图1

二、DataFrame & DataSet

2.1 DataFrame

为了支持结构化数据的处理，Spark SQL 提供了新的数据结构 DataFrame。DataFrame 是一个由具名列组成的数据集。它在概念上等同于关系数据库中的表或 R/Python 语言中的 data frame。 由于 Spark SQL 支持多种语言的开发，所以每种语言都定义了 DataFrame 的抽象，主要如下：

语言 主要抽象
Scala Dataset[T] & DataFrame (Dataset[Row] 的别名)
Java Dataset[T]
Python DataFrame
R DataFrame

2.2 DataFrame 对比 RDDs

DataFrame 和 RDDs 最主要的区别在于一个面向的是结构化数据，一个面向的是非结构化数据，它们内部的数据结构如下：

SparkSQL - 图2

DataFrame 内部的有明确 Scheme 结构，即列名、列字段类型都是已知的，这带来的好处是可以减少数据读取以及更好地优化执行计划，从而保证查询效率。

DataFrame 和 RDDs 应该如何选择？

  • 如果你想使用函数式编程而不是 DataFrame API，则使用 RDDs；
  • 如果你的数据是非结构化的 (比如流媒体或者字符流)，则使用 RDDs，
  • 如果你的数据是结构化的 (如 RDBMS 中的数据) 或者半结构化的 (如日志)，出于性能上的考虑，应优先使用 DataFrame。

2.3 DataSet

Dataset 也是分布式的数据集合，在 Spark 1.6 版本被引入，它集成了 RDD 和 DataFrame 的优点，具备强类型的特点，同时支持 Lambda 函数，但只能在 Scala 和 Java 语言中使用。在 Spark 2.0 后，为了方便开发者，Spark 将 DataFrame 和 Dataset 的 API 融合到一起，提供了结构化的 API(Structured API)，即用户可以通过一套标准的 API 就能完成对两者的操作。

这里注意一下：DataFrame 被标记为 Untyped API，而 DataSet 被标记为 Typed API，后文会对两者做出解释。

SparkSQL - 图3

2.4 静态类型与运行时类型安全

静态类型 (Static-typing) 与运行时类型安全 (runtime type-safety) 主要表现如下:

在实际使用中，如果你用的是 Spark SQL 的查询语句，则直到运行时你才会发现有语法错误，而如果你用的是 DataFrame 和 Dataset，则在编译时就可以发现错误 (这节省了开发时间和整体代价)。DataFrame 和 Dataset 主要区别在于：

在 DataFrame 中，当你调用了 API 之外的函数，编译器就会报错，但如果你使用了一个不存在的字段名字，编译器依然无法发现。而 Dataset 的 API 都是用 Lambda 函数和 JVM 类型对象表示的，所有不匹配的类型参数在编译时就会被发现。

以上这些最终都被解释成关于类型安全图谱，对应开发中的语法和分析错误。在图谱中，Dataset 最严格，但对于开发者来说效率最高。

SparkSQL - 图4

上面的描述可能并没有那么直观，下面的给出一个 IDEA 中代码编译的示例：

SparkSQL - 图5

这里一个可能的疑惑是 DataFrame 明明是有确定的 Scheme 结构 (即列名、列字段类型都是已知的)，但是为什么还是无法对列名进行推断和错误判断，这是因为 DataFrame 是 Untyped 的。

2.5 Untyped & Typed

在上面我们介绍过 DataFrame API 被标记为 Untyped API，而 DataSet API 被标记为 Typed API。DataFrame 的 Untyped 是相对于语言或 API 层面而言，它确实有明确的 Scheme 结构，即列名，列类型都是确定的，但这些信息完全由 Spark 来维护，Spark 只会在运行时检查这些类型和指定类型是否一致。这也就是为什么在 Spark 2.0 之后，官方推荐把 DataFrame 看做是 DatSet[Row]，Row 是 Spark 中定义的一个 trait，其子类中封装了列字段的信息。

相对而言，DataSet 是 Typed 的，即强类型。如下面代码，DataSet 的类型由 Case Class(Scala) 或者 Java Bean(Java) 来明确指定的，在这里即每一行数据代表一个 Person，这些信息由 JVM 来保证正确性，所以字段名错误和类型错误在编译的时候就会被 IDE 所发现。

  1. case class Person(name: String, age: Long)
  2. val dataSet: Dataset[Person] = spark.read.json("people.json").as[Person]

三、DataFrame & DataSet 的创建

3.1 创建DataFrame

Spark 中所有功能的入口点是 SparkSession，可以使用 SparkSession.builder() 创建。创建后应用程序就可以从现有 RDD，Hive 表或 Spark 数据源创建 DataFrame。示例如下：

  1. val spark = SparkSession.builder().appName("Spark-SQL").master("local[4]").getOrCreate()
  3. // 建议在进行 spark SQL 编程前导入下面的隐式转换，因为 DataFrames 和 dataSets 中很多操作都依赖了隐式转换
  4. import spark.implicits._
  6. // 通过读取文件创建：spark.read.json/text/orc/parquet/jdbc
  7. val df = spark.read.json("/usr/file/json/emp.json")
  8. df.show()
  10. // 通过toDF方法创建
  11. // 集合/rdd中元素如果是样例类,DataFrame的列名默认就是属性名,属性的类型就是列的类型。
  12. // 集合/rdd中元素如果是元组,DataFrame的列名默认就是_N,此时推荐使用有参的toDF方法重定义列名,在重定义列名的到时候要求列名的个数与元组的元素一致。
  13. val list = List(1,2,3,4,5)
  14. val df2 = list.toDF()
  15. df2.show()
  17. // 通过其他DataFrame衍生
  18. val df3 = df.filter/where/select...
  20. // 通过createDataFrame方法创建
  21. val schema = StructType(Array(StructFiled(列名，列类型),...))
  22. val rdd:RDD[Row] = ...
  23. spark.createDataFrame(rdd,schema)

可以使用 spark-shell 进行测试，需要注意的是 spark-shell 启动后会自动创建一个名为 spark 的 SparkSession，在命令行中可以直接引用即可：

SparkSQL - 图6

3.2 创建Dataset

Spark 支持由内部数据集和外部数据集来创建 DataSet，其创建方式分别如下：

3.2.1. 由外部数据集创建

  1. // 1.需要导入隐式转换
  2. import spark.implicits._
  4. // 2.创建 case class,等价于 Java Bean
  5. case class Emp(ename: String, comm: Double, deptno: Long, empno: Long, 
  6.                hiredate: String, job: String, mgr: Long, sal: Double)
  8. // 3.由外部数据集创建 Datasets
  9. val ds = spark.read.json("/usr/file/emp.json").as[Emp]
  10. ds.show()
  12. // 通过toDS方法创建：集合/rdd.toDS
  13. // 集合/rdd中元素如果是样例类,DataSet的列名默认就是属性名,属性的类型就是列的类型。
  14. // 集合/rdd中元素如果是元组,DataSet的列名默认就是_N,此时推荐使用有参的toDF方法重定义列名,在重定义列名的到时候要求列名的个数与元组的元素一致。
  16. // 通过其他DataSet衍生
  17. val ds2 = ds.mao/flatMap/filter...
  19. // 通过creataDataSet方法创建
  20. val rdd:RDD[Person] = ...
  21. val ds:DataSet[Person] = spark.createDataSet(rdd)

3.2.2. 由内部数据集创建

  1. // 1.需要导入隐式转换
  2. import spark.implicits._
  4. // 2.创建 case class,等价于 Java Bean
  5. case class Emp(ename: String, comm: Double, deptno: Long, empno: Long, 
  6.                hiredate: String, job: String, mgr: Long, sal: Double)
  8. // 3.由内部数据集创建 Datasets
  9. val caseClassDS = Seq(Emp("ALLEN", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0),
  10.                       Emp("JONES", 300.0, 30, 7499, "1981-02-20 00:00:00", "SALESMAN", 7698, 1600.0))
  11.                     .toDS()
  12. caseClassDS.show()

3.3 由RDD创建DataFrame

Spark 支持两种方式把 RDD 转换为 DataFrame，分别是使用反射推断和指定 Schema 转换：

3.3.1. 使用反射推断

  1. // 1.导入隐式转换
  2. import spark.implicits._
  4. // 2.创建部门类
  5. case class Dept(deptno: Long, dname: String, loc: String)
  7. // 3.创建 RDD 并转换为 dataSet
  8. val rddToDS = spark.sparkContext
  9.   .textFile("/usr/file/dept.txt")
  10.   .map(_.split("\t"))
  11.   .map(line => Dept(line(0).trim.toLong, line(1), line(2)))
  12.   .toDS()  // 如果调用 toDF() 则转换为 dataFrame

3.3.2. 以编程方式指定Schema

  1. import org.apache.spark.sql.Row
  2. import org.apache.spark.sql.types._
  5. // 1.定义每个列的列类型
  6. val fields = Array(StructField("deptno", LongType, nullable = true),
  7.                    StructField("dname", StringType, nullable = true),
  8.                    StructField("loc", StringType, nullable = true))
  10. // 2.创建 schema
  11. val schema = StructType(fields)
  13. // 3.创建 RDD
  14. val deptRDD = spark.sparkContext.textFile("/usr/file/dept.txt")
  15. val rowRDD = deptRDD.map(_.split("\t")).map(line => Row(line(0).toLong, line(1), line(2)))
  18. // 4.将 RDD 转换为 dataFrame
  19. val deptDF = spark.createDataFrame(rowRDD, schema)
  20. deptDF.show()

3.4 RDD、DataFrames与Datasets互相转换

Spark 提供了非常简单的转换方法用于RDD、 DataFrame 与 Dataset 间的互相转换，示例如下：

  1. # RDD转DataFrame
  2. rdd.toDF()/rdd.toDF(列名,...)
  4. # RDD转DataSet
  5. rdd.toDS
  7. #DataFrame转RDD
  8. val rdd1:RDD[Row] = df.rdd  
  9. #Row类型的取值方法
  10. row.getAs[列的类型](列名)
  12. #DataSet转RDD
  13. ds.rdd  
  15. # DataFrames转Datasets
  16. scala> df.as[Emp]
  17. res1: org.apache.spark.sql.Dataset[Emp] = [COMM: double, DEPTNO: bigint ... 6 more fields]
  19. # Datasets转DataFrames
  20. scala> ds.toDF()
  21. res2: org.apache.spark.sql.DataFrame = [COMM: double, DEPTNO: bigint ... 6 more fields]

四、DataFrame & DataSet & RDDs 总结

这里对三者做一下简单的总结：

  • RDDs 适合非结构化数据的处理，而 DataFrame & DataSet 更适合结构化数据和半结构化的处理；
  • DataFrame & DataSet 可以通过统一的 Structured API 进行访问，而 RDDs 则更适合函数式编程的场景；
  • 相比于 DataFrame 而言，DataSet 是强类型的 (Typed)，有着更为严格的静态类型检查；
  • DataSets、DataFrames、SQL 的底层都依赖了 RDDs API，并对外提供结构化的访问接口。

SparkSQL - 图7

五、SparkSQL的使用

5.1 使用Structured API进行基本查询

  1. // 1.查询员工姓名及工作
  2. df.select($"ename", $"job").show()
  4. // 2.filter 查询工资大于 2000 的员工信息
  5. df.filter($"sal" > 2000).show()
  7. // 3.orderBy 按照部门编号降序，工资升序进行查询
  8. df.orderBy(desc("deptno"), asc("sal")).show()
  10. // 4.limit 查询工资最高的 3 名员工的信息
  11. df.orderBy(desc("sal")).limit(3).show()
  13. // 5.distinct 查询所有部门编号
  14. df.select("deptno").distinct().show()
  16. // 6.groupBy 分组统计部门人数
  17. df.groupBy("deptno").count().show()

5.2 使用Spark SQL进行基本查询（常用）

5.2.1 Spark SQL基本使用

  1. // 1.首先需要将 DataFrame 注册为临时视图
  2. df.createOrReplaceTempView("emp")
  4. // 2.查询员工姓名及工作
  5. spark.sql("SELECT ename,job FROM emp").show()
  7. // 3.查询工资大于 2000 的员工信息
  8. spark.sql("SELECT * FROM emp where sal > 2000").show()
  10. // 4.orderBy 按照部门编号降序，工资升序进行查询
  11. spark.sql("SELECT * FROM emp ORDER BY deptno DESC,sal ASC").show()
  13. // 5.limit  查询工资最高的 3 名员工的信息
  14. spark.sql("SELECT * FROM emp ORDER BY sal DESC LIMIT 3").show()
  16. // 6.distinct 查询所有部门编号
  17. spark.sql("SELECT DISTINCT(deptno) FROM emp").show()
  19. // 7.分组统计部门人数
  20. spark.sql("SELECT deptno,count(ename) FROM emp group by deptno").show()

5.2.2 全局临时视图

上面使用 createOrReplaceTempView 创建的是会话临时视图，它的生命周期仅限于会话范围，会随会话的结束而结束。

你也可以使用 createGlobalTempView 创建全局临时视图，全局临时视图可以在所有会话之间共享，并直到整个 Spark 应用程序终止后才会消失。全局临时视图被定义在内置的 global_temp 数据库下，需要使用限定名称进行引用，如 SELECT * FROM global_temp.view1。

  1. // 注册为全局临时视图
  2. df.createGlobalTempView("gemp")
  4. // 使用限定名称进行引用
  5. spark.sql("SELECT ename,job FROM global_temp.gemp").show()

六、Spark SQL的运行原理

DataFrame、DataSet 和 Spark SQL 的实际执行流程都是相同的：

  1. 进行 DataFrame/Dataset/SQL 编程；
  2. 如果是有效的代码，即代码没有编译错误，Spark 会将其转换为一个逻辑计划；
  3. Spark 将此逻辑计划转换为物理计划，同时进行代码优化；
  4. Spark 然后在集群上执行这个物理计划 (基于 RDD 操作) 。

6.1 逻辑计划(Logical Plan)

执行的第一个阶段是将用户代码转换成一个逻辑计划。它首先将用户代码转换成 unresolved logical plan(未解决的逻辑计划)，之所以这个计划是未解决的，是因为尽管您的代码在语法上是正确的，但是它引用的表或列可能不存在。 Spark 使用 analyzer(分析器) 基于 catalog(存储的所有表和 DataFrames 的信息) 进行解析。解析失败则拒绝执行，解析成功则将结果传给 Catalyst 优化器 (Catalyst Optimizer)，优化器是一组规则的集合，用于优化逻辑计划，通过谓词下推等方式进行优化，最终输出优化后的逻辑执行计划。

SparkSQL - 图8

6.2 物理计划(Physical Plan)

得到优化后的逻辑计划后，Spark 就开始了物理计划过程。 它通过生成不同的物理执行策略，并通过成本模型来比较它们，从而选择一个最优的物理计划在集群上面执行的。物理规划的输出结果是一系列的 RDDs 和转换关系 (transformations)。

SparkSQL - 图9

6.3 执行

在选择一个物理计划后，Spark 运行其 RDDs 代码，并在运行时执行进一步的优化，生成本地 Java 字节码，最后将运行结果返回给用户。

参考资料

  1. Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
  2. Spark SQL, DataFrames and Datasets Guide
  3. 且谈 Apache Spark 的 API 三剑客：RDD、DataFrame 和 Dataset(译文)
  4. A Tale of Three Apache Spark APIs: RDDs vs DataFrames and Datasets(原文)
  5. Spark SQL, DataFrames and Datasets Guide > Getting Started