Spark SQL的发展及特点

目录

概述   

特点

总结

---

概述   

        SparkSQL，顾名思义，就是Spark⽣态体系中的构建在SparkCore基础之上的⼀个基于SQL的计算模块。

        Hadoop刚开始出来的时候，使用的是hadoop自带的分布式计算系统MapReduce，但是MapReduce的使用难度较大，所以就开发了Hive，Hive编程用的是类SQL的HQL的语句，这样编程的难度就大大的降低了，Hive的运行原理就是将HQL语句经过语法解析、逻辑计划、物理计划转化成MapReduce程序执行。当Spark出来以后，Spark团队也开发了一个Shark，就是在Spark集群上安装一个Hive的集群，执行引擎是Hive转化成Mapreduce的执行引擎，这样的框架就是Hive  on  Spark，但是这样是有局限性的，因为Shark的版本升级是依赖Hive的版本的，所有2014年7月1日spark团队就将Shark转给Hive进行管理，shark负责⼈，将shark项⽬结束掉，重新独⽴出来的⼀个项⽬，就是sparksql，不在依赖hive，做了独⽴的发展，逐渐的形成两条互相独⽴的业务，SparkSQL和Hive-On-Spark。在SparkSQL发展过程中，同时也吸收了Shark有 些的特点：基于内存的列存储，动态字节码优化技术。Spark团队开发了一个SparkSQL，这个计算框架就是将Hive on Spark的将SQL语句转化为Spark RDD的执行引擎换成自己团队从新开发的执行引擎。Spark SQL经历了几次的更新，演变历程如下：

-1  1.0版本以前

Hive on Spark   Shark

-2  1.0.x版本

Spark SQL

      Alpha版本（测试版本，不建议商业项目使用）

这个版本让Spark升为了Apache的顶级项目。

-3  1.3.x版本

SparkSQL  DataFrame

Release（成熟，可以使用）

-4  spark 1.5.x版本

     钨丝计划（底层代码的优化）

-5  spark 1.6.x版本

     DataSet（alpha版本）

-6  Spark 2.x.x版本

      DataSet（正式的）

      Structrued Streaming

特点

        官网上第一句话：“ Spark SQL is Apache Spark’s module for working with structured data. ”
Spark SQL是Apache Spark处理结构化数据的模块

官网地址：https://spark.apache.org/sql/

集成
无缝地将SQL查询与Spark程序混合。
Spark SQL允许您使用SQL或熟悉的DataFrame API在Spark程序中查询结构化数据。适用于Java、Scala、Python和R语言。

 
统一的数据访问
以相同的方式连接到任何数据源。
DataFrames和SQL提供了一种访问各种数据源的通用方法，包括Hive、Avro、Parquet、ORC、JSON和JDBC。您甚至可以通过这些源连接数据。

 
hive集成
在现有仓库上运行SQL或HiveQL查询。
Spark SQL支持HiveQL语法以及Hive SerDes和udf，允许您访问现有的Hive仓库。

标准的连接
通过JDBC或ODBC连接。
服务器模式为业务智能工具提供了行业标准JDBC和ODBC连接。

总结

        SparkSQL就是 Spark ⽣态体系中⽤于处理结构化数据的⼀个模块。结构化数据是什么？存储在关系型数据库中的数据，就是结构化数据；半结构化数据是什么？类似xml 、 json 等的格式的数据被称之为半结构化数据；⾮结构 化数据是什么？⾳频、视频、图⽚等为⾮结构化数据。

        换句话说，SparkSQL 处理的就是⼆维表数据。