目录
1、通过SparkSession中的createDataset来创建Dataset
2、DataFrame通过“as[ElementType]”方法转换得到Dataset
一、Spark SQL的简介
Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象结构叫做DataFrame的数据模型（即带有Schema信息的RDD），Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrames API和Datasets API三种方式实现对结构化数据的处理。
1.1 Spark SQL主要的三个功能
- Spark SQL可从各种结构化数据源中读取数据，进行数据分析
- Spark SQL包含行业标准的JDBC和ODBC连接方式，因此它不局限于在Spark程序内使用SQL语句进行查询。
- Spark SQL可以无缝地将SQL查询与Spark程序进行结合，它能够将结构化数据作为Spark中的分布式数据集（RDD）进行查询。
1.2 Spark SQL架构
Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。
Spark要想很好地支持SQL，需要完成解析（Parser）、优化（Optimizer）、执行（Execution）三大过程。
Catalyst优化器在执行计划生成和优化的工作时，离不开内部的五大组件。
- SqlParse：完成SQL语法解析功能，目前只提供了一个简单的SQL解析器。
- Analyze：主要完成绑定工作，将不同来源的Unresolved LogicalPlan和元数据进行绑定，生成Resolved LogicalPlan。
- Optimizer：对Resolved Lo;gicalPlan进行优化，生成OptimizedLogicalPlan。
- Planner：将LogicalPlan转换成PhysicalPlan.
- CostModel：主要根据过去的性能统计数据，选择最佳的物理执行计划
1.2.1 Spark SQL工作流程：
- 下在解析SQL语句之前，会创建SparkSession，涉及到表名、字段名称和字段类型的元数据都将保存在SessionCatalog中；
- 当调用SparkSession的sql()方法时就会使用SparkSqlParser进行解析SQL语句，解析过程中使用的ANTLR进行词法解析和语法解析；
- 使用Analyzer分析器绑定逻辑计划，在该阶段，Analyzer会使用Analyzer Rules，并结合SessionCatalog，对未绑定的逻辑计划进行解析，生成已绑定的逻辑计划；
- 使用Optimizer优化器优化逻辑计划，该优化器同样定义了一套规则（Rules），利用这些规则对逻辑计划和语句进行迭代处理；
- 使用SparkPlanner对优化后的逻辑计划进行转换，生成可以执行的物理计划SparkPlan；
- 使用QueryExecution执行物理计划，此时则调用SparkPlan的execute()方法，返回RDDs。
二、DataFrame概述
2.1 DataFrame简介
- Spark SQL使用的数据抽象并非是RDD，而是DataFrame。
- 在Spark 1.3.0版本之前，DataFrame被称为SchemaRDD。
- DataFrame使Spark具备处理大规模结构化数据的能力。
- 在Spark中，DataFrame是一种以RDD为基础的分布式数据集。 DataFrame的结构类似传统数据库的二维表格，可以从很多数据源中创建，如结构化文件、外部数据库、Hive表等数据源
DataFrame可以看作是分布式的Row对象的集合，在二维表数据集的每一列都带有名称和类型，这就是Schema元信息，这使得Spark框架可获取更多数据结构信息，从而对在DataFrame背后的数据源以及作用于DataFrame之上数据变换进行针对性的优化，最终达到提升计算效率。
2.2 DataFrame的创建
创建DataFrame的两种基本方式：
- 已存在的RDD调用toDF()方法转换得到DataFrame。
- 通过Spark读取数据源直接创建DataFrame。
若使用SparkSession方式创建DataFrame，可以使用spark.read从不同类型的文件中加载数据创建DataFrame。spark.read的具体操作，在创建Dataframe之前，为了支持RDD转换成Dataframe及后续的SQL操作，需要导入import.spark.implicits._包启用隐式转换。若使用SparkSession方式创建Dataframe，可以使用spark.read操作，从不同类型的文件中加载数据创建DataFrame，具体操作API如表4-1所示。
1．数据准备
在HDFS文件系统中的/spark目录中有一个person.txt文件，内容如下：
2．通过文件直接创建DataFrame
我们通过Spark读取数据源的方式进行创建DataFrame
3．RDD直接转换为DataFrame
2.3 DataFrame的常用操作
DataFrame提供了两种语法风格，即DSL风格语法和SQL风格语法。二者在功能上并无区别，仅仅是根据用户习惯，自定义选择操作方式。
2.3.1 DSL风格操作DataFrame
2.3.2 SQL风格操作DataFrame
1. 将DataFrame注册成一个临时表
2. 查询年龄最大的前两名人的信息
3. 查询年龄大于25的人的信息
三、Dataset简介
Dataset是从Spark1.6 Alpha版本中引入的一个新的数据抽象结构，最终在Spark2.0版本被定义成Spark新特性。Dataset提供了特定域对象中的强类型集合，也就是在RDD的每行数据中添加了类型约束条件，只有约束条件的数据类型才能正常运行。Dataset结合了RDD和DataFrame的优点，并且可以调用封装的方法以并行方式进行转换等操作。
3.1 RDD、DataFrame及Dataset的区别
- RDD数据的表现形式，即序号（1），此时RDD数据没有数据类型和元数据信息。
- DataFrame数据的表现形式，即序号（2），此时DataFrame数据中添加Schema元数据信息（列名和数据类型，如ID：String），DataFrame每行类型固定为Row类型，每列的值无法直接访问，只有通过解析才能获取各个字段的值。
Dataset数据的表现形式，序号（3）和（4），其中序号（3）是在RDD每行数据的基础之上，添加一个数据类型（value：String）作为Schema元数据信息。而序号（4）每行数据添加People强数据类型，在Dataset[Person]中里存放了3个字段和属性，Dataset每行数据类型可自定义，一旦定义后，就具有错误检查机制。
3.2 Dataset对象的创建
1、通过SparkSession中的createDataset来创建Dataset
2、DataFrame通过“as[ElementType]”方法转换得到Dataset
四、RDD转换DataFrame
- Spark官方提供了两种方法实现从RDD转换得到DataFrame。
- 第一种方法是利用反射机制来推断包含特定类型对象的Schema，这种方式适用于对已知数据结构的RDD转换
- 第二种方法通过编程接口构造一个Schema，并将其应用在已知的RDD数据中。
4.1 反射机制推断Schema
Windows系统开发Scala代码，可使用本地环境测试（需要先准备本地数据文件）。我们可以很容易的分析出当前数据文件中字段的信息，但计算机无法直观感受字段的实际含义，因此需要通过反射机制来推断包含特定类型对象的Schema信息，实现将RDD转换成DataFrame。
- 创建Maven工程。 打开IDEA开发工具，创建名为“spark_chapter04”的Maven工程。
- 添加依赖。在pom.xml文件中添加Spark SQL依赖。
- 定义case class样例类、字段和属性，样例类的参数名会被利用反射机制作为列名。通过sc对象读取文件生成一个RDD，将RDD 与样例类匹配，调用toDF()方法将RDD转换为DataFrame。
4.2 编程方式定义Schema
当Case类不能提前定义Schema时，就需要采用编程方式定义Schema信息，实现RDD转换DataFrame的功能。
- 创建一个Row对象结构的RDD。
- 基于StructType类型创建Schema。
- 通过SparkSession提供的createDataFrame()方法来拼接Schema，来实现RDD转换成DataFrame。
五、Spark SQL操作数据源
5.1 Spark SQL操作MySQL
1. 读取MySQL数据库
2. 向MySQL数据库写入数据
5.2 操作Hive数据集
- 准备环境，使Spark可以访问Hive，Spark SQL连接Hive。
- 在Hive中创建数据库和表。
- Spark SQL操作Hive数据库。
- 向Hive表写入数据。
598
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
