SparkSQL-第二章：SparkSQL 概述

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
• SparkSQL-第一章：SparkSQL快速入门

---

一、SparkSQL和Hive的异同

• Hive和Spark 均是：“分布式SQL计算引擎”
• 均是构建大规模结构化数据计算的绝佳利器，同时SparkSQL拥有更好的性能
• 目前，企业中使用Hive仍旧居多，但SparkSQL将会在很近的未来替代Hive成为分布式SQL计算市场的顶级

二、SparkSQL的数据抽象

Pandas - DataFrame

• 二维表数据结构
• 单机(本地)集合

SparkCore - RDD

• 无标准数据结构，存储什么数据均可
• 分布式集合(分区)

SparkSQL - DataFrame

• 二维表数据结构
• 分布式集合(分区)

SparkSQL 其实有3类数据抽象对象

• SchemaRDD对象(已废弃)
• DataSet对象：可用于Java、Scala语言
• DataFrame对象：可用于Java、Scala、 Python 、 R

我们以Python开发SparkSQL，主要使用的就是 DataFrame对象作为核心数据结构

三、SparkSQL数据抽象的发展

从SparkSQL的发展历史可以看到：

• 14年最早的数据抽象是： SchemaRDD (内部存储二维表数据结构的RDD)， SchemaRDD就是魔改的RDD，将RDD支持的存储数据，限定 为二维表数据结构用以支持SQL查询。由于是魔改RDD，只是一个过渡产品，现已废弃。
• 15年发布DataFrame对象，基于Pandas的DataFrame (模仿)独立于RDD进行实现，将数据以二维表结构进行存储并支持分布式运行
• 16年发布DataSet对象，在DataFrame之上添加了泛型的支持，用以更好的支持Java和Scala这两个支持泛型的编程语言
• 16年， Spark2.0版本，将DataFrame和DataSet进行合并。其底层均是DataSet对象，但在Python和R语言到用时，显示为DataFrame对象 。和老的DataFrame对象没有区别

四、DataFrame概述

DataFrame和RDD都是：弹性的、分布式的、数据集只是， DataFrame存储的数据结构“限定”为：二维表结构化数据，而RDD可以存储的数据则没有任何限制，想处理什么就处理什么。

五、SparkSession对象

在RDD阶段，程序的执行入口对象是： SparkContext

在Spark 2.0后，推出了SparkSession对象， 作为Spark编码的统一入口对象。

SparkSession对象可以：

• - 用于SparkSQL编程作为入口对象
• - 用于SparkCore编程，可以通过SparkSession对象中获取到SparkContext

所以，我们后续的代码，执行环境入口对象，统一变更为SparkSession对象。

现在，来体验一下构建执行环境入口对象：SparkSession

构建SparkSession核心代码

# coding:utf8

# SparkSQL 中的入口对象是SparkSession对象
from pyspark.sql import SparkSession


if __name__ == '__main__':
# 构建SparkSession对象, 这个对象是 构建器模式 通过builder方法来构建 spark = SparkSession.builder.\
appName("local[*]").\
config("spark.sql.shuffle.partitions", "4").\
getOrCreate()
# appName 设置程序名称, config设置一些常用属性
# 最后通过getOrCreate()方法 创建SparkSession对象

六、SparkSQL HelloWorld 演示

有如下数据集：列1ID，列2学科， 列3分数

数据集文件：资料\data\sql\stu_score.txt

注意：右侧代码同学们不需要练习， 只是先体验一下SparkSQL的数据处理

需求：读取文件，找出学科为“语文”的数据，并限制输出5条，where subject = '语文' limit 5

代码如下：

# coding:utf8
# SparkSQL 中的入口对象是SparkSession对象
from pyspark.sql import SparkSession
if __name__ == '__main__':
# 构建SparkSession对象, 这个对象是 构建器模式 通过builder方法来构建
spark = SparkSession.builder.\
appName("local[*]").\
config("spark.sql.shuffle.partitions", "4").\
getOrCreate()
# appName 设置程序名称, config设置一些常用属性
# 最后通过getOrCreate()方法 创建SparkSession对象
df = spark.read.csv('../data/sql/stu_score.txt', sep=',', header=False)
df2 = df.toDF('id', 'name', 'score')
df2.printSchema()
df2.show()
df2.createTempView("score")
# SQL 风格
spark.sql("""
SELECT * FROM score WHERE name='语文' LIMIT 5
""").show()
# DSL 风格
df2.where("name='语文'").limit(5).show()