SparkSQL基础知识总结

一.SparkSQL架构

1.架构

2.解释

一个sql 过来 解析成unresolved，只拿出来字段名和表名
但是不知道字段名和表名在哪个位置
需要通过Schema 确定表的位置等信息，
生成逻辑执行计划，Logical,知道数据从哪里来了
通过一些列优化过滤生成物理执行计划Physical
最后把物理执行计划放到spark集群上运行

3.样例

二.SparkSQL的几点误区

Spark SQL就是写SQL,这是错误的观点
Spark SQL不是SQL,超出SQL,因为SQL是其一部分
Spark SQL 是处理结构化数据的，只是Spark中的一个模块
Spark SQL 与 Hive on Spark  不是一个东西
Spark SQL 是spark里面的
Hive on Spark 的功能是比Spark SQL多的
Hive on Spark 稳定性不是很好

三.SQL的几个几点注意

1.SQL注意

关系数据库集群成本很高，还是有限的
SQL : schema + file
使用sql的前提就是有schema ，作用到文件上去
hive是进程的
hive2.0 默认引擎是Tez
Hive on Spark 就是把hive执行引擎改成spark

2.执行引擎

mr
spark
Tez

3.SparkSQL的JOIN

spark sql 可以跨数据源进行join，例如hdfs与mysql里表内容join
Spark SQL运行可以不用hive，只要你连接到hive的metastore就可以

3.hive底层的hiveserver2协议走的是thrift

hiveserver2开启可以用JDBC或者ODBC直接连接

四.连接Hive的几种方式

1.三种方式

spark-sql 与 spark-shell  ，thriftserver
thriftserver对应hive里面的hiveserver2

2.thriftserver连接方式

./beeline -u jdbc:hive2://localhost:10000 -n root

3.thriftserver和spark-sql,spark-shell 的区别在哪？

spark-shell、spark-sql 都是是一个独立的 spark application，
启动几个就要几个application，非常耗资源
用thriftserver，无论启动多少个客户端（beeline）连接在一个thriftserver，
是一个独立的spark application，
后面不用在重新申请资源。前一个beeline缓存的，下一个beeline也可以用
用thriftserver，可在ui看执行计划，优化有优势

4.注意情况

这个要起来，要不spark-shell， spark-sql，连接不上，这个跟hive一样

5.可能出错

spark-shell --master local[2] --jars /soft/hive/lib/mysql-connector-java-8.0.12.jar 这样启动不起来
你可以试试把mysql-connector-java-8.0.12.jar 放到spark的jars里

6.解决

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/69941978/viewspace-2652110/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/69941978/viewspace-2652110/