SparkSQL—RDD、DataFrame、DataSet关系与转换

SparkSQL—RDD、DataFrame、DataSet关系与转换

---

1. 关于 SparkSQL

1.1 概念

1. Spark SQL 是 Spark 用于结构化数据(structured data)处理的 Spark 模块
2. SparkSQL 的前身是 Shark，给熟悉 RDBMS 但又不理解 MapReduce 的技术人员提供快速上手的工具
3. 随着 Spark 的发展,SparkSQL在数据兼容、性能优化、组件扩展方面都得到了极大的方便:
   (1) 数据兼容方面 SparkSQL不但兼容 Hive，还可以从 RDD、parquet 文件、JSON 文件中获取数据，未来版本甚至支持获取 RDBMS 数据以及 cassandra 等 NOSQL 数据；
   (2) 性能优化方面 除了采取 In-Memory Columnar Storage、byte-code generation 等优化技术外、将会引进 Cost Model 对查询进行动态评估、获取最佳物理计划等等；
   (3) 组件扩展方面 无论是 SQL 的语法解析器、分析器还是优化器都可以重新定义，进行扩展
4. Spark SQL 为了简化 RDD 的开发，提高开发效率，提供了 2 个编程抽象，类似 Spark Core 中的 RDD：DataFrame，DataSet

1.2 特点

1. 易整合：无缝的整合了 SQL 查询和 Spark 编程
2. 统一的数据访问：使用相同的方式连接不同的数据源
3. 兼容 Hive：在已有的仓库上直接运行 SQL 或者 HiveQL
4. 标准数据连接：通过 JDBC 或者 ODBC 来连接

1.3 RDD、DataFrame、DataSet

2、SparkSQL 核心编程

1. Spark Core 中，如果想要执行应用程序，需要首先构建上下文环境对象 SparkContext，Spark SQL 其实可以理解为对 Spark Core 的一种封装，不仅仅在模型上进行了封装，上下文环境对象也进行了封装
2. SparkSession 是 Spark 最新的 SQL 查询起始点，SparkSession 内部封装了 SparkContext，所以计算实际上是由 sparkContext 完成的。当我们使用 spark-shell 的时候, spark 框架会自动的创建一个名称叫做 spark SparkSession 对 象, 就像我们以前可以自动获取到一个 sc 来表示 SparkContext 对象一样
   

2.1 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。

2.1.1 创建 DataFrame

进入spark的shell终端
(1) 从 Spark 数据源进行创建

scala> spark.read.

由下图可知，可以读取以下类型的数据

读取 json 文件创建 DataFrame
在 spark 的 bin/input 目录中创建 user.json 文件

{"username":"zhangsan","age":20}
{"username":"lisi","age":30}
{"username":"王五","age":40}

代码如下（示例）：

scala> val df = spark.read.json("input/user.json")
scala> df.show

2.1.2 SQL语法

SQL 语法风格是指我们查询数据的时候使用 SQL 语句来查询，这种风格的查询必须要有临时视图或者全局视图来辅助
(1) 通过刚刚创建的DataFrame创建一个临时表

scala> val df = spark.read.json("input/user.json")

(2) 通过 SQL 语句实现查询全表

scala> val sqlDF = spark.sql("select * from user")
scala> val sqlDF = spark.sql("select age from user")

普通临时表是 Session 范围内的，如果想应用范围内有效，可以使用全局临时表。使用全局临时表时需要全路径访问，如：global_temp.user
(1) 对于 DataFrame 创建一个全局表

scala> df.createGlobalTempView("user1")

(2) 通过 SQL 语句实现查询全表（不同session）

scala> spark.sql("select username from global_temp.user1").show()
scala> spark.newSession().sql("select username from global_temp.user1").show()

2.1.3 DSL 语法

DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。可以在 Scala, Java, Python 和 R 中使用 DSL，使用 DSL 语法风格不必去创建临时视图了
(1) 创建一个 DataFrame

scala> val df = spark.read.json("input/user.json")

(2) 查看 DataFrame 的 Schema 信息

scala> df.printSchema

(3) 只查看"username"列数据

scala> df.select("username").show()

(4) 查看"username"列数据以及"age+1"数据
注意:涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式：单引号+字段名

scala> df.select($"username",$"age"+1).show()
scala> df.select('username, 'age+1).show()

(5) 查看"age"大于"30"的数据

scala> df.select('age > 30).show()

(6) 按照"age"分组，查看数据条数

scala> df.groupBy("age").count.show()

2.2 DataSet

DataSet 是具有强类型的数据集合，需要提供对应的类型信息。

2.2.1 创建DataSet

1. 使用样例类序列创建 DataSet

scala> val caseClassDS = List(User("zhangsan",22),User("lisi",31)).toDS()
scala> caseClassDS.show

2. 使用基本类型的序列创建 DataSet，序列中数据类型保持一致

scala> val listDs = List(1,2,3,4).toDS
scala> val list2Ds = List("3","4").toDS
scala> listDs.show()

注意：在实际使用的时候，很少用到把序列转换成DataSet，更多的是通过RDD来得到DataSet

2.3 RDD、DataFrame、DataSet

2.3.1 三者的关系

从版本的产生上来看：

1. Spark1.0 => RDD
2. Spark1.3 => DataFrame
3. Spark1.6 => Dataset

如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。在后期的 Spark 版本中，DataSet 有可能会逐步取代 RDD和 DataFrame 成为唯一的 API 接口。

2.3.1 三者的共性

1. RDD、DataFrame、DataSet 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;
2. 三者都有惰性机制，在进行创建、转换，如 map 方法时，不会立即执行，只有在遇到Action 如 foreach 时，三者才会开始遍历运算;
3. 三者有许多共同的函数，如 filter，排序等;
4. 在对 DataFrame 和 Dataset 进行操作许多操作都要包:importspark.implicits._（在 创建好 SparkSession 对象后尽量直接导入）
5. 三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出
6. 三者都有 partition 的概念
7. DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型

2.3.2 三者的区别

1. RDD
   ➢ RDD 一般和 spark mllib 同时使用
   ➢ RDD 不支持 sparksql 操作
2. DataFrame
   ➢ 与 RDD 和 Dataset 不同，DataFrame 每一行的类型固定为 Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值
   ➢ DataFrame 与 DataSet 一般不与 spark mllib 同时使用
   ➢ DataFrame 与 DataSet 均支持 SparkSQL 的操作，比如 select，groupby 之类，还能注册临时表/视窗，进行 sql 语句操作
   ➢ DataFrame 与 DataSet 支持一些特别方便的保存方式，比如保存成 csv，可以带上表头，这样每一列的字段名一目了然(后面专门讲解)
3. DataSet
   ➢ Dataset 和 DataFrame 拥有完全相同的成员函数，区别只是每一行的数据类型不同。DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row]
   ➢ DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的 getAS 方法或者共性中的第七条提到的模式匹配拿出特定字段。而 Dataset 中，每一行是什么类型是不一定的，在自定义了 case class 之后可以很自由的获得每一行的信息

2.3.3 三者的互相转换

RDD更多的是关注数据本身，DataFrame更多的则是由数据的结构，DataSet是数据的类型

// 准备环境
    val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sql_trans")
    val spark: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
    //spark 不是包名，是上下文环境对象名
    import spark.implicits._

    // RDD  => DataFrame
    val rdd: RDD[(Int, String, Int)] = spark.sparkContext
            .makeRDD(List((1, "zhangsan", 30), (2, "lisi", 26), (3, "wangwu", 29)))
    val df: DataFrame = rdd.toDF("id", "username", "age")
    df.show()

    // DataFrame => DataSet
    // 样例类User
    val ds: Dataset[User] = df.as[User]
    ds.show()

    // RDD => DataSet
    val ds2: Dataset[User] = rdd.map {
      case (id, name, age) => {
        User(id, name, age)
      }
    }.toDS()
    ds2.show()

    println("--------------------------------------------")
    // DataSet => RDD
    val rdd2: RDD[User] = ds2.rdd

    // DataSet => DataFrame
    val df2: DataFrame = ds2.toDF()
    df2.show()

    //DataFrame => RDD
    val rdd3: RDD[Row] = df2.rdd

    /**
     * RDD 返回的 RDD 类型为 Row，里面提供的 getXXX 方法可以获取字段值
     * 类似 jdbc 处理结果集，但是索引从 0 开始
     */
    // 对应id :  2	3	1
    rdd3.foreach(filed => print(filed.getInt(0) + "\t"))
    // 对应name : lisi	wangwu	zhangsan
    rdd3.foreach(filed => print(filed.getString(1) + "\t"))
    // 对应age : 26	29	30
    rdd3.foreach(filed => print(filed.getInt(2) + "\t"))
    // 关闭
    spark.close()

  }
  // 样例类
  case class User(id: Int, username: String, age: Int)

结果：

+---+--------+---+
| id|username|age|
+---+--------+---+
|  1|zhangsan| 30|
|  2|    lisi| 26|
|  3|  wangwu| 29|
+---+--------+---+

+---+--------+---+
| id|username|age|
+---+--------+---+
|  1|zhangsan| 30|
|  2|    lisi| 26|
|  3|  wangwu| 29|
+---+--------+---+

+---+--------+---+
| id|username|age|
+---+--------+---+
|  1|zhangsan| 30|
|  2|    lisi| 26|
|  3|  wangwu| 29|
+---+--------+---+

--------------------------------------------
+---+--------+---+
| id|username|age|
+---+--------+---+
|  1|zhangsan| 30|
|  2|    lisi| 26|
|  3|  wangwu| 29|
+---+--------+---+

2	3	1	lisi	wangwu	zhangsan	26	29	30	
Process finished with exit code 0

总结

文章也是仅作知识点的记录，欢迎大家指出错误，一起探讨~~~