Spark SQL入门:
1、Spark SQL的由来
2、Spark SQL的特性
3、Spark SQL的功能入口
4、Spark SQL与Hive集成方式
5、Spark SQL的开发以及使用方式
首先讲一下Spark SQL的前世今生,Spark SQL并不是Spark一开始就推出的,最早使用的是Hadoop自己的HIve查询引擎。
Hive的诞生,主要是因为开发MapReduce程序对Java的要求比较高,而很多数据分析师往往并没有很好的Java基础,为了让他们能够操作HDFS上的数据,推出了Hive。Hive与他们熟悉的RDBMS的SQL模型比较类似,容易掌握,Hive中的查询语言叫Hive SQL(HQL)。Hive底层是将SQL语句解析成MapsReduce程序执行,实质上还是运行的MapReduce程序。Hive的主要作用是能够让数据分析人员,以及数据开发人员方便的使用Hive进行数据仓库的建设。,使用SQL对数据仓库中的数据进行统计和分析。Hive的主要缺陷在于它的底层是基于MapReduce的,MapReduce程序的执行往往比较慢。
在Spark 0.x版的时候推出了Shark,Shark与Hive是紧密关联的,Shark底层很多东西还是依赖于HIve,但是修改了内存管理、物理计划、执行三个模块,底层使用Spark的基于内存的计算模型,性能上比Hive提升了很多倍。
在Spark 1.x的时候Shark被淘汰。在2014 年7月1日的Spark Summit 上,Databricks宣布终止对Shark的开发,将重点放到Spark SQL 上。Spark SQL 将涵盖Shark的所有特性,用户可以从Shark0.9 进行无缝的升级。
Databricks 推广的Shark相关项目一共有两个,分别是Spark SQL 和新的Hive on Spark 。
至于终止Shark的原因,Databricks表示,Shark更多是对Hive的改造,替换了Hive的物理执行引擎,因此会有一个很快的速度。然而,不容忽视的是,Shark继承了大量的Hive代码,因此给优化和维护带来了大量的麻烦。此后就重点放在Spark SQL的开发上,下Spark SQL不仅仅针对Hive中的数据,可以支持其他很多数据源。从性能上来说Shark比Hive要高出数倍,而Spark SQL比Hive又有了数倍的提升。下图是Spark SQL的发展时间线。
比较一下Spark SQL和Apache Hive
2、Spark SQL的特性
Spark SQL有如下特点:
1、支持多种数据源,Hive、RDD、Parquet、Json、JDBC等
2、多种性能优化技术
3、组件扩展性,对于SQL的语法解析器、分析器以及优化器,用户可以自己重新开发,且可以动态扩展。
从下面的图中可以更直观的看出
3、Spark SQL的功能入口
在之前Spark-core的时候我们知道,每个Spark-core应用程序都有一个功能入口SparkContext。同样的在Spark SQL中也有一个功能入口,在Spark 1.x的时候Spark SQL的入口有两个,SQLContext和HiveCOntext,两者的关系见下图:
SqlContext:主要负责对MySql这样的RDBMS的数据访问,还有可以对json parque文件的处理 HiveContext(是SqlContext的子类):主要负责读取Hive的元数据,处理Hive的数据 主要目的:让Spark应用可以读取hive的元数据,从而可以读取Hive中的表数据 在Spark2.x的时候:
在Spark 2.0之后,官方放弃了1.x时候的SQLContext和HiveContext的时候这样的容易让人困惑的两个入口,统一使用SparkSession作为Spark SQL的功能入口,用来创建DataFrame/DataSet。
SparkSession的构建方式有两种
// 方式一、通过SparkSession构建
val spark = SparkSession
.builder()
.master("local[2]")
.appName("Spark SQL")
// 如果要读取Hive中的表,必须使用这个
// 如果确定不使用Hive中的数据,建议不用开启,启动的时候会去连接Hive
.enableHiveSupport()
.getOrCreate()
// 方式二、通过SparkConf构建
// 建议通过方式二构建,SparkConf不仅Spark SQL可以使用,其他的Spark模块也可以使用
val conf = new SparkConf()
.setAppName("Spark SQL")
.setMaster("local[2]")
val spark = SparkSession
.builder()
.config(conf)
.enableHiveSupport()
.getOrCreate()
4、Spark SQL与Hive集成方式
步骤:
- Spark集成hive,就是spark编译的时候给定了hive的相关参数;如果是idea环境, 需要在项目中集成sparksql的相关jar文件,也就是在pom.xml中配置spark-sql的依 赖
- 将hive-site.xml文件添加到spark的项目的classpath环境变量中 直接将hive-site.xml拷贝到spark安装的目录下的conf中 需要在hive-site.xml在配置以下参数 a.连接mysql数据库的url 用户名 密码 b.必须配置metastore,同时先启动 完成SparkSQL和Hive的集成
- 进入${Hive_HOME},执行拷贝
- 启动Hive的metasore服务(先启动hdfs的相关进程),注意这个是一个单例的进程, 不能重复启动,在启动一个新的服务前必须将原来的先停止
<property>
<name>hive.metastore.uris</name>
<value>thrift://hostname:9083</value>
<description>Thrift URI for the remote metastore. Used by metastore
client to connect to remote metastore.</description>
</property>
5、Spark SQL的开发以及使用方式
Spark SQL的开发方式主要有两种: 1.SQL(标准SQL + HiveQL)
val sqlStr = "select empno, xxx from emp sssss"
val resultDF = sqlContext.sql(sqlStr)
resultDF.write.table()\jdbc()....
2.DSL
链式编程
val df = sqlContext.read.table()\json()\parquet()\jdbc()...
val resultDF = df.select("").group().aggr().sortBy()
resultDF.write.table()\jdbc()....
使用Spark SQL的方式主要有四种:
第一种:spark-shell命令
spark.sql("select col1,col2 from a where col3 ==
xx").registerTmpTable("b").sql("select * from b")
- 使用DSL语句:倾向于RDD的使用方式,就是将sql的关键字封装成函数(算子)
df.select("col1","col2").where("col3"=="xx").group().agg()
第二种:spark-sql
shell命令行,参考bin/hive,可以直接写sql或者hql
第三种:spark-thirft 也就是 JDBC方式 shell命令行 参考hive中的bin/beeline
- 需要在hive-site.xml在配置以下参数
<property>
<name>hive.server2.thrift.bind.host</name>
<value>[hostname]</value>
<description>Bind host on which to run the HiveServer2 Thrift
service.</description>
</property>
- 拷贝到${SPARK_HOME}/conf/
- 在${SPARK_HOME}/启动spark的thrift服务,注意不是hive的
# 启动
$ sbin/start-thriftserver.sh
# 停止
$ sbin/stop-thriftserver.sh
第四种:IDEA开发工具 参考第一种
本文作为Spark SQL的第二部分,主要讲述一下RDD、DataFrame/DataSet之间的关系及相互转换。
主要从以下几个方面进行阐述:
1、Spark中的模块
2、什么是DataFrame
3、RDD和DataFrame的区别
4、什么是DataSet
5、RDD和Dataset的区别
6、Dataset和DataFrame的区别与联系
7、DataSet的创建
8、RDD转DataFrame原因及方式
9、DataFrame转RDD原因及方式
10、DataFrame转RDD的案例
1、Spark中的模块
上图展示了Spark的模块及各模块之间的关系,底层是Spark-core核心模块,Spark每个模块都有一个核心抽象,Spark-core的核心抽象是RDD,Spark SQL等都基于RDD封装了自己的抽象,在Spark SQL中是DataFrame/DataSet。相对来说RDD是更偏底层的抽象,DataFrame/DataSet是在其上做了一层封装,做了优化,使用起来更加方便。从功能上来说,DataFrame/DataSet能做的事情RDD都能做,RDD能做的事情DataFrame/DataSet不一定能做。
2、什么是DataFrame
在Spark中,DataFrame是一种以RDD为基础的分布式数据集,类似于传统数据库中的二维表格。
3、RDD和DataFrame的区别
DataFrame与RDD的主要区别在于,DataFrame带有schema元信息,即DataFrame所表示的二维表数据集的每一列都带有名称和类型。使得Spark SQL得以洞察更多的结构信息,从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化,最终达到大幅提升运行时效率的目标。
RDD,由于无从得知所存数据元素的具体内部结构,Spark Core只能在stage层面进行简单、通用的流水线优化。 DataFrame底层是以RDD为基础的分布式数据集,和RDD的主要区别的是:RDD中没有schema信息,而DataFrame中数据每一行都包含schema
DataFrame = RDD[Row] + shcema
4、什么是DataSet
Dataset是一个由特定领域的对象组成强类型(typedrel)集合,可以使用函数(DSL)或关系运算(SQL)进行并行的转换操作。 每个Dataset 还有一个称为“DataFrame”的无类型(untypedrel)视图,它是[[Row]]的数据集。
5、RDD和Dataset的区别
Dataset与RDD类似,但是,它们不使用Java序列化或Kryo,而是使用专用的Encoder编码器来序列化对象以便通过网络进行处理或传输。虽然Encoder编码器和标准序列化都负责将对象转换为字节,但Encoder编码器是动态生成的代码,并使用一种格式,允许Spark执行许多操作,如过滤,排序和散列,而无需将字节反序列化为对象
6、Dataset和DataFrame的区别与联系
区别:
- Dataset是强类型typedrel的,会在编译的时候进行类型检测;而DataFrame是弱类型untypedrel的,在执行的时候进行类型检测;
- Dataset是通过Encoder进行序列化,支持动态的生成代码,直接在bytes的层面进行排序,过滤等的操作;而DataFrame是采用可选的java的标准序列化或是kyro进行序列化
联系:
- 在spark2.x,DataFrame和Dataset的api进行了统一
- 在语法角度,DataFrame是Dataset中每一个元素为Row类型的特殊情况
type DataFrame = Dataset[Row] - DataFrame和Dataset实质上都是一个逻辑计划,并且是懒加载的,都包含着scahema信息,只有到数据要读取的时候,才会将逻辑计划进行分析和优化,并最终转化为RDD
- 二者由于api是统一的,所以都可以采用DSL和SQL方式进行开发,都可以通过sparksession对象进行创建或者是通过transform转化操作得到
7、DataSet的创建
DataSet的创建在上一篇文章《Spark SQL入门详解》中已经介绍。更多信息可以参见官方文档:
http://spark.apache.org/docs/2.2.1/sql-programming-guide.html#creating-datasets
8、RDD转DataFrame原因及方式
可以将RDD转成DataFrame之后,借用sparksql和sql以及HQL语句快速方便的使用sql语句统计和查询,比如说分组排名(row_number() over()) 分析函数和窗口函数去实现占比分析。
将RDD转化为DataFrame有两种方式:
方式一:通过反射推断schema 要求:RDD的元素类型必须是case class
方式二、编程指定schema 要求:RDD的元素类型必须是Row 自己编写schema(StructType) 调用SparkSession的createDatafrmame(RDD[Row],schema)
9、DataFrame转RDD原因及方式
- 解决一些使用sql难以处理的统计分析
- 将数据写入Mysql
a.DataFrame的write.jdbc,仅支持四种模式:append、overwrite、ignore、default
b.使用rdd的话,除了上述以外还支持insert 和 update操作,还支持数据库连接池 (自定 义,第三方:c3p0 hibernate mybatis)方式,批量高效将大量数据写入 Mysql
方式: DataFrame转换为RDD相对来说比较简单,只需要调用DataFrame的RDD算子即可。
10、DataFrame转RDD的案例
Java版本
package com.spark.sql;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.rdd.RDD;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.types.*;
import scala.Function1;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.Iterator;
import java.util.List;
public class RddToDFjava {
public static void main(String[] args) {
SparkConf conf = new SparkConf()
.setMaster("local[2]")
.setAppName("RddToDF");
SparkSession spark = SparkSession.builder()
.config(conf)
.getOrCreate();
JavaRDD<String> dept = spark.sparkContext().textFile("data/dept.txt", 1)
JavaRDD<DeptBean> deptRDD = dept.map(line -> {
String[] arr = line.split("\t");
DeptBean deptBean = new DeptBean();
int deptid;
if (!arr[0].isEmpty()) {
deptid = Integer.valueOf(arr[0]);
} else {
deptid = 0;
}
deptBean.setDeptid(deptid);
deptBean.setDetname(arr[1]);
deptBean.setAdd(arr[2]);
return deptBean;
});
Dataset<Row> deptDF = spark.createDataFrame(deptRDD, DeptBean.class);
deptDF.printSchema();
deptDF.show();
}
}
Scala版本
package com.spark.sql
import org.apache.spark.rdd.RDD
import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
import org.apache.spark.sql.types.{FloatType, IntegerType, StructField, StructType,StringType}
object Rdd2DataFrame {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setMaster("local[2]")
.setAppName(getClass.getSimpleName)
// 创建SparkSession
val spark = SparkSession
.builder()
.config(conf)
// .enableHiveSupport()
.getOrCreate()
// 导入隐式转换包
import spark.implicits._
val deptLine: RDD[String] = spark.sparkContext.textFile("data/dept.txt")
case class Dept(deptid:Int, deptname:String, addr:String)
val dept: RDD[Dept] = deptLine.map(line => {
val arr: Array[String] = line.split("\t")
val deptid = arr(0).toInt
val deptname = arr(1)
val add = arr(2)
Dept(deptid,deptname,add)
})
val deptDF: DataFrame = dept.toDF()
deptDF.show()
}
}