Spark SQL学习和使用
概述
SQL:类似于Hive,数据仓库(Data WareHourse)工具,简化Spark应用开发
http://spark.apache.org/docs/latest/sql-programming-guide.html
Spark SQL是Spark中一个模块,用以对结构化数据进行处理。SparkSQL在RDD之上抽象出来Dataset/Dataframe 这两个类提供了类似RDD的功能,也就意味用户可以使用map、flatMap、filter等高阶算子,同时也通过了基于列的命名查询,也就是说Dataset/DataFrame提供了两套操作数据的API,这些API可以给Saprk引擎要提供更多信息,系统可以根据这些信息对计算实现一定的优化。
目前Spark SQL提供了两种交互方式:1) SQL 脚本 ,2) Dataset API (strong-typed类型、untyped类型操作)
Datasets & DataFrames
Dataset
Dataset类似于Spark RDD,代表的是一个分布式数据集。Spark RDD数据进行序列化传输处理时,使用的是Java序列化方案; Spark SQL DataSet
数据在进行序列化传输处理时,使用的是Encoder编码器,Spark SQL针对于编码器进行了大量执行优化。
Dataset是在spark-1.6提出新的API,该API构建在RDD(strong type,使用lambda表达式)之上同时可以借助于Spark SQL对执行引擎的优点,使得使用Dateset执行一些数据的转换比直接使用RDD算子功能和性能都有所提升。因此我们可以认为Python does not have the support for the Dataset API.
DataFrame
开发时,建议使用DF API
DataFrame 是特殊的Dataset。概念类似于数据库表,DataFrame包含了数据(一行行记录Row)和表结构(Schema); 通俗理解DataFrame 类似于Dataset[Row]
DataFrames 是Dataset的一种特殊情况。比如 Dataset中可以存储任意对象类型的数据作为Dataset的元素。但是Dataframe的元素只有一种类型Row类型,这种基于Row查询和传统数据库中ResultSet操作极其相似。因为Row类型的数据表示Dataframe的一个元素,类似数据库中的一行,这些行中的元素可以通过下标或者column name访问。由于Dateset是API的兼容或者支持度上不是多么的好,但是Dataframe在API层面支持的Scala、Java、R、Python支持比较全面。
总结:RDD —> Dataset (特殊的RDD)—> DataFrame(特殊的Dataset[Row])
案列
依赖
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.4.4</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.4.4</version>
<!--集群中运行打开,本地运行注释-->
<!--<scope>provided</scope>-->
</dependency>
开发应用
package quickstart
import org.apache.spark.sql.{
Dataset, SparkSession}
/**
* spark sql的入门案列
*/
object SparkSqlExample1 {
def main(args: Array[String]): Unit = {
// RDD sc
// Streaming ssc
// SQL SparkSession
// 1. 初始化spark sql的应用入口对象 SparkSession
val sparkSession = SparkSession.builder().appName("spark sql first example").master("local[*]").getOrCreate()
// 2. 导入Spark SQL隐式转换
import sparkSession.implicits._
// 3. 构建Spark SQL数据源
// Spark Sql数据集 rdd.toDS
val rdd = sparkSession.sparkContext.makeRDD(List(("Hello", 1), ("Scala", 1), ("Spark", 1), ("Hello", 1)))
val dataset: Dataset[(String, Int)] = rdd.toDS() // 隐式增强
// 4. dataset进行操作
// 方法1:函数操作 select word,sum(count) from t_word group by word;
/*
dataset
.where("_1 != 'Scala'")
.groupBy("_1") // _1 代表的RDD 元素的第一值 单词
.sum("_2") // _2 sum聚合
.withColumnRenamed("_1", "word")
.withColumnRenamed("sum(_2)", "num")
.show() // 展示结果集
*/
// 方法2:SQL操作
dataset.createOrReplaceTempView("t_word") // 对dataset起表名或者视图名
sparkSession
.sql("select _1 as word,sum(_2) as num from t_word where _1 != 'Scala' group by _1 order by num asc")
.show()
// 5. 释放资源
sparkSession.close()
}
}
Spark SQL Dataset和DataFrame构建方法
Dataset
Dataset类似于RDD,不同的是Spark SQL有一套自己的序列化规范独立于Spark RDD(Java/Kryo序列化)之上称为Encoders(编码器)。不同于SparkRDD序列化,由于Dataset支持无类型操作,用户无需获取操作的类型,操作仅仅是列名,因为Spark SQL在执行算子操作的时候可以省略反序列化的步骤,继而提升程序执行效率。
通过scala集合(元组)创建
// 通过scala的集合(元组)构建Dataset
val dataset = List((1,"zs",true,1000),(2,"ls",false,2000)).toDS()
dataset
.show() // _1 _2 _3 _4
//-------------------------------------------------------------
+---+---+-----+----+
| _1| _2| _3| _4|
+---+---+-----+----+
| 1| zs| true|1000|
| 2| ls|false|2000|
+---&#