SparkSQL-第一章：SparkSQL快速入门

Spark是大数据体系的明星产品，是一款高性能的分布式内存迭代计算框架，可以处理海量规模的数据。下面就带大家来学习今天的内容！

 往期内容：

• Spark基础入门-第一章：Spark 框架概述
• Spark基础入门-第二章：Spark环境搭建-Local
• Spark基础入门-第三章：Spark环境搭建-StandAlone
• Spark基础入门-第四章：Spark环境搭建-StandAlone-HA
• Spark基础入门-第五章：环境搭建-Spark on YARN
• Spark基础入门-第六章：PySpark库
• Spark基础入门-第七章：本机开发环境搭建
• Spark基础入门-第八章：分布式代码执行分析
• Spark Core-第一章： RDD详解
• Spark Core-第三章：RDD的持久化
• Spark Core-第四章：Spark案例练习
• Spark Core-第五章：共享变量
• Spark Core-第六章：Spark 内核调度

---

一、什么是SparkSQL

SparkSQL 是Spark的一个模块, 用于处理海量结构化数据

限定: 结构化数据处理

二、为什么学习SparkSQL

SparkSQL是非常成熟的 海量结构化数据处理框架.

学习SparkSQL主要在2个点:

SparkSQL本身十分优秀, 支持SQL语言\性能强\可以自动优化\API简单\兼容HIVE等等

企业大面积在使用SparkSQL处理业务数据

• 离线开发
• 数仓搭建
• 科学计算
• 数据分析

三、SparkSQL的特点

四、SparkSQL发展历史 - 前身 Shark框架

在许多年前(2012\2013左右)Hive逐步火热起来, 大片抢占分布式SQL计算市场；

Spark作为通用计算框架, 也不可能放弃这一细分领域。于是, Spark官方模仿Hive推出了Shark框架(Spark 0.9版本)；

Shark框架是几乎100%模仿Hive, 内部的配置项\优化项等都是直接模仿而来，不同的在于将执行引擎由MapReduce更换为了Spark；

因为Shark框架太模仿Hive, Hive是针对MR优化, 很多地方和SparkCore(RDD)水土不服, 最终被放弃

Spark官方下决心开发一个自己的分布式SQL引擎 也就是诞生了现在的SparkSQL

● 2014年 1.0正式发布

● 2015年 1.3 发布DataFrame数据结构, 沿用至今

● 2016年 1.6 发布Dataset数据结构(带泛型的DataFrame), 适用于支持泛型的语言(Java\Scala)

● 2016年 2.0 统一了Dataset 和 DataFrame, 以后只有Dataset了, Python用的DataFrame就是 没有泛型的Dataset

● 2019年 3.0 发布， 性能大幅度提升， SparkSQL变化不大