spark sql教程
在本系列的第一部分中，我们研究了使用Apache Spark SQL和DataFrames “大规模”利用关系数据库的功能方面的进展。 现在，我们将基于现实世界的数据集做一个简单的教程，以了解如何使用Spark SQL。 我们将使用Spark DataFrames，但重点将更多地放在使用SQL上。 在另一篇文章中，我将详细介绍Spark DataFrames和常见操作。
我喜欢将云服务用于我的机器学习，深度学习甚至大数据分析需求，而不是费力地设置自己的Spark集群。 我将使用Databricks平台满足我的Spark需求。 Databricks是由Apache Spark的创建者创建的公司，旨在帮助客户使用Spark进行基于云的大数据处理。
最简单（免费）的方法是转到Try Databricks页面并注册社区版帐户。 您将获得一个基于云的群集，该群集是具有6GB和无限笔记本数量的单节点群集-对于免费版本来说还不错！ 如果您强烈需要分析大数据，建议使用Databricks平台。
现在让我们开始案例研究。 可以在Databricks或自己的Spark集群的主屏幕上随意创建一个新笔记本。
您也可以导入包含整个教程的笔记本，但是请确保运行每个单元并在其中玩转并进行探索，而不仅仅是阅读它。 不确定如何在Databricks上使用Spark？ 请遵循此简短但有用的教程 。
本教程将使您熟悉基本的Spark功能，以处理通常从数据库或平面文件获得的结构化数据。 我们将利用Spark使用DataFrames和SQL的概念，探索查询和聚合关系数据的典型方法。 我们将处理来自KDD Cup 1999的一个有趣的数据集，并尝试使用高级抽象查询数据，例如数据框，该数据框已在流行的数据分析工具（如R和Python）中流行。 我们还将研究使用SQL语言构建数据查询并从我们的数据中检索有洞察力的信息有多么容易。 由于Spark在后端高效地分发了这些数据结构，因此这也大规模地进行而无需我们做更多的事情，这使得我们的查询可扩展且尽可能高效。 我们将从加载一些基本的依赖关系开始。
import pandas as pd
import matplotlib.pyplot as plt
plt.style.use('fivethirtyeight')
资料检索
KDD Cup 1999数据集用于第三届国际知识发现和数据挖掘工具竞赛，该竞赛与KDD-99（第五届知识发现和数据挖掘国际会议）一起举行。 竞争任务是建立一个网络入侵检测器，这是一种能够区分不良连接 （即入侵或攻击）和良好，正常连接的预测模型。 该数据库包含一组要审核的标准数据，其中包括在军事网络环境中模拟的多种入侵。
我们将使用简化后的数据集kddcup.data_10_percent.gz ，其中包含近50万次网络交互。 我们将从本地从Web下载此Gzip文件，然后对其进行处理。 如果您拥有良好稳定的互联网连接，请随时下载并使用完整的数据集kddcup.data.gz 。
使用网络数据
在Databricks中处理从网络检索的数据集可能会有些棘手。 幸运的是，我们有一些出色的实用程序包，例如dbutils ，可帮助简化我们的工作。 让我们快速看一下该模块的一些基本功能。
dbutils. help ( )
This module provides various utilities for users to interact with the rest of Databricks.
fs: DbfsUtils -> Manipulates the Databricks filesystem (DBFS) from the console
meta: MetaUtils -> Methods to hook into the compiler (EXPERIMENTAL)
notebook: NotebookUtils -> Utilities for the control flow of a notebook (EXPERIMENTAL)
preview: Preview -> Utilities under preview category
secrets: SecretUtils -> Provides utilities for leveraging secrets within notebooks
widgets: WidgetsUtils -> Methods to create and get bound value of input widgets inside notebooks
在Databricks中检索并存储数据
现在，我们将利用Python urllib库从其Web存储库中提取KDD Cup 99数据，将其存储在一个临时位置，然后将其移至Databricks文件系统，从而可以轻松访问此数据进行分析。
注意：如果跳过此步骤并直接下载数据，则可能最终会收到InvalidInputException：输入路径不存在错误。
import
urllib
urllib .
urlretrieve
(
"http://kdd.ics.uci.edu/databases/kddcup99/kddcup.data_10_percent.gz"
,
"/tmp/kddcup_data.gz"
)
dbutils.
fs .
mv
(
"file:/tmp/kddcup_data.gz"
,
"dbfs:/kdd/kddcup_data.gz"
)
display
( dbutils.
fs .
ls
(
"dbfs:/kdd"
)
)
建立KDD资料集
现在我们已经将数据存储在Databricks文件系统中，现在让我们将磁盘中的数据加载到Spark的传统抽象数据结构即弹性分布式数据集 （RDD）中。
data_file
=
"dbfs:/kdd/kddcup_data.gz"
raw_rdd
= sc.
textFile
( data_file
) .
cache
(
)
raw_rdd.
take
(
5
)
您还可以使用以下代码来验证我们的数据（RDD）的数据结构类型。
type(raw_rdd)
在我们的数据上构建一个Spark DataFrame
Spark DataFrame是一种有趣的数据结构，代表数据的分布式集合。 通常，Spark中所有SQL功能的入口点都是SQLContext类。 要创建此调用的基本实例，我们只需要一个SparkContext引用即可。 在Databricks中，为此目的，此全局上下文对象可用作sc 。
from pyspark.
sql
import SQLContext
sqlContext
= SQLContext
( sc
)
sqlContext
分割CSV数据
RDD中的每个条目都是以逗号分隔的数据行，在解析和构建数据帧之前，我们首先需要对其进行拆分。
csv_rdd
= raw_rdd.
map
(
lambda row: row.
split
(
","
)
)
print
( csv_rdd.
take
(
2
)
)
print
(
type
( csv_rdd
)
)
检查功能总数（列）
我们可以使用以下代码来检查数据集中潜在列的总数。
len(csv_rdd.take(1)[0])
Out[57]: 42
了解和解析数据
KDD 99 Cup数据包含从连接数据中捕获的不同属性。 您可以获取数据中属性的完整列表，以及与每个属性/列的描述有关的更多详细信息。 我们将只使用数据集中的一些特定列，其详细信息指定如下。
| 功能编号 | 功能名称 | 描述 | 类型 |
|---|---|---|---|
| 1 | 持续时间 | 连接的长度（秒数） | 连续 |
| 2 | protocol_type | 协议的类型，例如tcp，udp等。 | 离散的 |
| 3 | 服务 | 目的地上的网络服务，例如，http，telnet等。 | 离散的 |
| 4 | src_bytes | 从源到目标的数据字节数 | 连续 |
| 5 | dst_bytes | 从目标到源的数据字节数 | 连续 |
| 6 | 旗 | 连接的正常或错误状态 | 离散的 |
| 7 | 错误片段 | “错误”片段的数量 | 连续 |
| 8 | 紧急 | 紧急包数 | 连续 |
| 9 | 热 | “热”指标数量 | 连续 |
| 10 | num_failed_logins | 失败的登录尝试次数 | 连续 |
| 11 | num_compromised | “妥协”条件的数量 | 连续 |
| 12 | su_attempted | 如果尝试“ su root”命令，则为1； 否则为0 | 离散的 |
| 13 | num_root | “根”访问次数 | 连续 |
| 14 | num_file_creations | 文件创建操作数 | 连续 |
我们将根据它们在每个数据点（行）中的位置提取以下列，并按如下所示构建新的RDD。
from pyspark.
sql
import Row
parsed_rdd
= csv_rdd.
map
(
lambda r: Row
(
duration
=
int
( r
[
0
]
)
,
protocol_type
= r
[
1
]
,
service
= r
[
2
]
,
flag
= r
[
3
]
,
src_bytes
=
int
( r
[
4
]
)
,
dst_bytes
=
int
( r
[
5
]
)
,
wrong_fragment
=
int
( r
[
7
]
)
,
urgent
=
int
( r
[
8
]
)
,
hot
=
int
( r
[
9
]
)
,
num_failed_logins
=
int
( r
[
10
]
)
,
num_compromised
=
int
( r
[
12
]
)
,
su_attempted
= r
[
14
]
,
num_root
=
int
( r
[
15
]
)
,
num_file_creations
=
int
( r
[
16
]
)
,
label
= r
[ -
1
]
)
)
parsed_rdd.
take
(
5
)
构造数据框
现在，我们的数据已经被很好地解析和格式化了，让我们构建我们的DataFrame！
df
= sqlContext.
createDataFrame
( parsed_rdd
)
display
( df.
head
(
10
)
)
现在，您还可以使用以下代码签出DataFrame的架构。
df.printSchema()
建立一个临时表
我们可以利用registerTempTable（）函数来构建一个临时表，以便在DataFrame上大规模运行SQL命令！ 要记住的一点是，此临时表的生存期与会话相关。 它创建一个内存表，该表的作用域仅限于创建该表的群集。 数据使用Hive高度优化的内存中列格式存储。
您还可以签出saveAsTable（） ，它使用Parquet格式创建一个永久的物理表，存储在S3中。 该表可用于所有集群。 表元数据（包括文件的位置）存储在Hive元存储中。
help(df.registerTempTable)
df.registerTempTable("connections")
大规模执行SQL
让我们看一些如何根据数据框在表上运行SQL查询的示例。 我们将从一些简单的查询开始，然后看一下本教程中的聚合，过滤器，排序，子查询和数据透视。
基于协议类型的连接
让我们看看如何根据连接协议的类型获得连接总数。 首先，我们将使用常规的DataFrame DSL语法获取此信息以执行聚合。
display
( df.
groupBy
(
'protocol_type'
)
.
count
(
)
.
orderBy
(
'count'
, ascending
=
False
)
)
我们还可以使用SQL来执行相同的聚合吗？ 是的，我们可以利用我们之前构建的表！
protocols
= sqlContext.
sql
(
"""
SELECT protocol_type, count(*) as freq
FROM connections
GROUP BY protocol_type
ORDER BY 2 DESC
"""
)
display
( protocols
)
您可以清楚地看到获得相同的结果，而不必担心您的后台基础结构或代码如何执行。 只需编写简单SQL！
基于好或坏（攻击类型）签名的连接
现在，我们将运行一个简单的聚合，以根据良好（正常）或不良（入侵攻击）类型检查连接总数。
labels
= sqlContext.
sql
(
"""
SELECT label, count(*) as freq
FROM connections
GROUP BY label
ORDER BY 2 DESC
"""
)
display
( labels
)
我们有很多不同的攻击类型。 我们可以以条形图的形式将其可视化。 最简单的方法是在Databricks笔记本中使用出色的界面选项。
这为我们提供了漂亮的条形图，您可以通过单击“ 绘图选项”进一步自定义。
另一种方法是编写代码来做到这一点。 您可以将汇总数据提取为Pandas DataFrame并将其绘制为常规条形图。
labels_df
= pd.
DataFrame
( labels.
toPandas
(
)
)
labels_df.
set_index
(
"label"
, drop
=
True
, inplace
=
True
)
labels_fig
= labels_df.
plot
( kind
=
'barh'
)
plt.
rcParams
[
"figure.figsize"
]
=
(
7
,
5
)
plt.
rcParams .
update
(
{
'font.size' :
10
}
)
plt.
tight_layout
(
)
display
( labels_fig.
figure
)
基于协议和攻击的连接
通过使用以下SQL查询，看看哪些协议最容易受到攻击。
attack_protocol
= sqlContext.
sql
(
"""
SELECT
protocol_type,
CASE label
WHEN 'normal.' THEN 'no attack'
ELSE 'attack'
END AS state,
COUNT(*) as freq
FROM connections
GROUP BY protocol_type, state
ORDER BY 3 DESC
"""
)
display
( attack_protocol
)
好吧，看起来像ICMP连接，其次是TCP连接受到的攻击最多。
基于协议和攻击的连接状态
让我们看一下与这些协议有关的统计量以及针对我们的连接请求的攻击。
attack_stats
= sqlContext.
sql
(
"""
SELECT
protocol_type,
CASE label
WHEN 'normal.' THEN 'no attack'
ELSE 'attack'
END AS state,
COUNT(*) as total_freq,
ROUND(AVG(src_bytes), 2) as mean_src_bytes,
ROUND(AVG(dst_bytes), 2) as mean_dst_bytes,
ROUND(AVG(duration), 2) as mean_duration,
SUM(num_failed_logins) as total_failed_logins,
SUM(num_compromised) as total_compromised,
SUM(num_file_creations) as total_file_creations,
SUM(su_attempted) as total_root_attempts,
SUM(num_root) as total_root_acceses
FROM connections
GROUP BY protocol_type, state
ORDER BY 3 DESC
"""
)
display
( attack_stats
)
看起来在TCP请求中传输的平均数据量要高得多，这不足为奇。 有趣的是，攻击从源到目的地传输的数据的平均有效负载要高得多。
根据TCP协议按服务和攻击类型筛选连接统计信息
鉴于我们拥有更多相关的数据和统计信息，让我们仔细看一下TCP攻击。 现在，我们将根据服务和攻击类型汇总不同类型的TCP攻击，并观察不同的指标。
tcp_attack_stats
= sqlContext.
sql
(
"""
SELECT
service,
label as attack_type,
COUNT(*) as total_freq,
ROUND(AVG(duration), 2) as mean_duration,
SUM(num_failed_logins) as total_failed_logins,
SUM(num_file_creations) as total_file_creations,
SUM(su_attempted) as total_root_attempts,
SUM(num_root) as total_root_acceses
FROM connections
WHERE protocol_type = 'tcp'
AND label != 'normal.'
GROUP BY service, attack_type
ORDER BY total_freq DESC
"""
)
display
( tcp_attack_stats
)
攻击类型很多，前面的输出显示了它们的特定部分。
根据TCP协议按服务和攻击类型筛选连接统计信息
现在，我们将根据持续时间，文件创建和root用户访问在查询中施加一些约束，从而过滤掉某些攻击类型。
tcp_attack_stats
= sqlContext.
sql
(
"""
SELECT
service,
label as attack_type,
COUNT(*) as total_freq,
ROUND(AVG(duration), 2) as mean_duration,
SUM(num_failed_logins) as total_failed_logins,
SUM(num_file_creations) as total_file_creations,
SUM(su_attempted) as total_root_attempts,
SUM(num_root) as total_root_acceses
FROM connections
WHERE (protocol_type = 'tcp'
AND label != 'normal.')
GROUP BY service, attack_type
HAVING (mean_duration >= 50
AND total_file_creations >= 5
AND total_root_acceses >= 1)
ORDER BY total_freq DESC
"""
)
display
( tcp_attack_stats
)
有趣的是， 多跳攻击可以对目标主机进行root访问！
子查询根据服务过滤TCP攻击类型
让我们尝试基于服务和攻击类型获取所有TCP攻击，以使这些攻击的总体平均持续时间大于零（ > 0 ）。 为此，我们可以使用所有聚合统计信息进行内部查询，提取相关查询，并在外部查询中应用平均持续时间过滤器，如下所示。
tcp_attack_stats
= sqlContext.
sql
(
"""
SELECT
t.service,
t.attack_type,
t.total_freq
FROM
(SELECT
service,
label as attack_type,
COUNT(*) as total_freq,
ROUND(AVG(duration), 2) as mean_duration,
SUM(num_failed_logins) as total_failed_logins,
SUM(num_file_creations) as total_file_creations,
SUM(su_attempted) as total_root_attempts,
SUM(num_root) as total_root_acceses
FROM connections
WHERE protocol_type = 'tcp'
AND label != 'normal.'
GROUP BY service, attack_type
ORDER BY total_freq DESC) as t
WHERE t.mean_duration > 0
"""
)
display
( tcp_attack_stats
)
太好了！ 现在，查看此数据的另一种有趣方式是使用数据透视表，其中一个属性代表行，另一个属性代表列。 让我们看看是否可以利用Spark DataFrames做到这一点！
根据汇总数据构建数据透视表
我们将在之前的DataFrame对象的基础上，根据类型和服务汇总攻击。 为此，我们可以利用Spark DataFrames和DataFrame DSL的功能。
display
(
( tcp_attack_stats.
groupby
(
'service'
)
.
pivot
(
'attack_type'
)
.
agg
(
{
'total_freq' :
'max'
}
)
.
na .
fill
(
0
)
)
)
我们得到一个漂亮，整洁的数据透视表，该表根据服务和攻击类型显示所有事件！
下一步
我鼓励您出去玩Spark SQL和DataFrames。 您甚至可以导入我的笔记本并以自己的帐户使用它。
也可以随意参考我的GitHub存储库，以获取本文中使用的所有代码和笔记本。 它涵盖了我们此处未涵盖的内容，包括：
- 加入
- 视窗功能
- Spark DataFrames的详细操作和转换
如果您想脱机使用它，也可以作为Jupyter Notebook访问我的教程。
在线上有很多文章和教程，因此我建议您查看一下。 Databricks的Spark SQL完整指南是有用的资源。
想使用JSON数据，但不确定使用Spark SQL？ Databricks支持它！ 查阅这份出色的Spark SQL JSON支持指南。
对窗口功能和SQL中的排名等高级概念感兴趣吗？ 看一下“ 在Spark SQL中介绍窗口函数 ”。
我将撰写另一篇文章，以直观的方式介绍其中的一些概念，这对您来说应该很容易理解。 敬请关注！
如果您有任何反馈或疑问，可以通过LinkedIn与我联系。
这篇文章最初出现在Medium的Towards Data Science频道上，经许可重新发布。
接下来要读什么
翻译自: https://opensource.com/article/19/3/apache-spark-and-dataframes-tutorial
spark sql教程
扫一扫
2548
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
