sparksql:
Spark SQL是Spark处理数据的一个模块
专门用来处理结构化数据的模块,像json,parquet,avro,csv,普通表格数据等均可。
与基础RDD的API不同,Spark SQL中提供的接口将提供给更多关于结构化数据和计算的信息,并针对这些信息,进行额外的处理优化
操作方式说明:
SparkSql shell:
类似于hive shell
DataFrames API:
最早专为sql on spark设计的数据抽象,与RDD相似,增加了数据结构scheme描述信息部分。
写spark代码,面向DF(DataFrams缩写)编程,可以与其它Spark应用代码无缝集成。
比RDD更丰富的算子,更有利于提升执行效率、减少数据读取、执行计划优化。
DataSets API:
集成了RDD强类型和DataFrames结构化的优点,官方正强力打造的新数据抽象类型。
写spark代码,面向DS编程,可以与其它Spark应用代码无缝集成。
比RDD更丰富的算子,更有利于提升执行效率、减少数据读取、执行计划优化。
面向程序接口对接的操作:通过JDBC、ODBC等方式操作SparkSql
通过jdbc、odbc链接后,发送相关的sparksql请求,实现基于sparksql功能开发。
SparkSQl特点:
可以利用SQL、DataFrams API、DataSets API或其它语言调用的基于sparksql模块计算,均是sparkcore执行引擎,其对计算的表达是独立的,即开发人员可以轻松在不同API之间切换实现相同的功能。
也可以通过命令行、JDBC、ODBC的方式来操作SparkSQL,方便其它数据平台、BI平台使用SparkSql模块。
在spark应用程序开发中,可以无缝使用SparkSql操作数据。
可以直接使用Hive表格数据。
与Hive的兼容性极好:它复用了Hive的前端(去掉驱动mapreduce执行任务的部分)和元数据,因此可以拿过来hivesql的东西在sparksql上运行即可。
并不是100%完全兼容,但绝大多数情况下,不需要改动,或只需要极小的改动!!!
比如个别版本不支持直接insert into table xxx values(xxx...)的插入数据的方式
SparkSql的应用中,sql是一个重要方面,但不局限制sql。
sparksql操作代码:
1.SparkSql Shell操作SparkSql:
//直接输入spark-sql+自己想要添加的参数即可,与spark-shell相似
spark-sql [options]
//如指定运行模式
spark-sql local[*]
//如指定运行spark webui服务的端口,解决多人共用一个入口机时候的进入时候报port bind exception的问题
spark-sql --conf spark.ui.port=4075
//也可以用于似于hive -e的方式,直接直接一段sparksql代码
spark-sql –e “sparksql code”
2.DataFrames API 操作 SparkSql
与之前的Sbt构建SparkWordCount步骤完全一样。
1.6版本
package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
def main(args: Array[String]) {
val conf = new SparkConf()
conf.setMaster("local");
conf.setAppName("TestSparkSql");
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
// 添加将RDD转化为DataFrame的功能包引入
import sqlContext.implicits._
val df = sqlContext.read.json("file:\\E:\\test\\job003\\sparksql\\input_weibo.json")
df.show();
sc.stop();
}
}
- DataFrame常用操作
- 常用命令
- show
- printSchema
- select
- filter
- groupBy
- count
- orderBy
- 其它操作类比于sql即可
- 综合示例-1.6.x
- 常用命令
package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
def main(args: Array[String]) {
val conf = new SparkConf()
conf.setMaster("local");
conf.setAppName("TestSparkSql");
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
// 添加将RDD转化为DataFrame的功能包引入
import sqlContext.implicits._
val df = sqlContext.read.json("file:\\E:\\test\\job003\\sparksql\\input_weibo.json")
//默认显示内容的top20
df.show()
// 打印内容对应的表结构
df.printSchema()
// 选择内容当中的某一个列对应的内容
df.select("content").show()
// 选择任意列并进行自定义操作
df.select(df("content"), df("commentCount"), df("commentCount") + 10000).show()
// 选择评论数大于100的数据显示出来
df.filter(df("commentCount") > 100).show()
// 按userId进行分组计数统计
df.groupBy("userId").count().show()
//分组统计结果按默认升序排列
df.groupBy("userId").count().orderBy("count").show()
//分组统计结果按降序排列
import org.apache.spark.sql.functions._
df.groupBy("userId").count().orderBy(desc("count")).show()
sc.stop();
}
}
- 创建DataFrames-2.3.x
package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession object TestSparkSqlFor2_3_x { def main(args: Array[String]): Unit = { //1、构建spark session val sparkSession = SparkSession .builder() .appName("SparkSql-2.3.2-TestCase") .master("local[*]") .getOrCreate() // For implicit conversions like converting RDDs to DataFrames import sparkSession.implicits._ //2、构建data frames val df = sparkSession.read.json("F:\\test_sbt\\FirstSpark4Scala\\input_json.txt") //3、df算子操作 df.show() val cc = df.count() println("数据共有多少行=" + cc)
//4、停掉相关会话 sparkSession.stop() } } |
- 综合示例-2.3.x
package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession object TestSparkSqlFor2_3_x { def main(args: Array[String]): Unit = { //1、构建spark session val sparkSession = SparkSession .builder() .appName("SparkSql-2.3.2-TestCase") .master("local[*]") .getOrCreate() // For implicit conversions like converting RDDs to DataFrames import sparkSession.implicits._ //2、构建data frames val df = sparkSession.read.json("F:\\test_sbt\\FirstSpark4Scala\\input_json.txt") //3、df算子操作 // 打印内容对应的表结构 df.printSchema() // 选择内容当中的某一个列对应的内容 df.select("content").show() // 选择任意列并进行自定义操作 df.select(df("content"), df("commentCount"), df("commentCount") + 10000).show() // 选择评论数大于100的数据显示出来 df.filter(df("commentCount") > 100).show() // 按userId进行分组计数统计 df.groupBy("userId").count().show() //分组统计结果按默认升序排列 df.groupBy("userId").count().orderBy("count").show() //分组统计结果按降序排列 import org.apache.spark.sql.functions._ df.groupBy("userId").count().orderBy(desc("count")).show() //4、停掉相关会话 sparkSession.stop() } } |
- RDD与DataFrame互操作
- 将RDD转化成DataFrame(将无结构化数据转化成有结构化数据)
- 将一个RDD转化为带Scheme的DataFrame
- 实现转化的方式有两种
- 反射推断
- 程序编码实现数据与结构的对应,达到转化目标。(重点)
- 1.6.x的代码实现
- 将RDD转化成DataFrame(将无结构化数据转化成有结构化数据)
package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession import org.apache.spark.sql.types.StructType import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StringType import org.apache.spark.sql.Row object TestRddToDataFrameFor1_6_x { def main(args: Array[String]): Unit = { //1、构建spark context,构建sql context val conf = new SparkConf conf.setAppName("SparkSql-Test") conf.setMaster("local[*]") val sc = new SparkContext(conf) val sqlContext = new SQLContext(sc) // 解决隐式转换问题, 如RDDs to DataFrames import sqlContext.implicits._ //2、构建scheme val schema = StructType( "stdNo name classNo className".split(" ").map(fieldName => StructField(fieldName, StringType, true))) //3、构建rdd,linesRDD val studentRDD = sc.textFile("F:\\test_sbt\\FirstSpark4Scala\\student_mysql.txt") //4、将linesRDD转换成Row rdd val rowRDD = studentRDD.map(_.split("\\t")).map(p => Row(p(0), p(1), p(2), p(3))) //5、创建df,由row rdd + scheme val studentDataFrame = sqlContext.createDataFrame(rowRDD, schema) //6、df算子操作 studentDataFrame.printSchema() studentDataFrame.show() //7、停掉相关会话 sc.stop() } } |
-
-
- 2.3.x的代码实现
-
package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession import org.apache.spark.sql.types.StructType import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StringType import org.apache.spark.sql.Row object TestRddToDataFrameFor2_3_x { def main(args: Array[String]): Unit = { //1、构建spark session val sparkSession = SparkSession .builder() .appName("SparkSql-2.3.2-TestCase") .master("local[*]") .getOrCreate() // For implicit conversions like converting RDDs to DataFrames import sparkSession.implicits._ //2、构建scheme val schema = StructType( "stdNo name classNo className".split(" ").map(fieldName => StructField(fieldName, StringType, true))) //3、构建rdd,linesRDD val studentRDD = sparkSession.sparkContext.textFile("F:\\test_sbt\\FirstSpark4Scala\\student_mysql.txt") //4、将linesRDD转换成Row rdd val rowRDD = studentRDD.map(_.split("\\t")).map(p => Row(p(0), p(1), p(2), p(3))) //5、创建df,由row rdd + scheme val studentDataFrame = sparkSession.createDataFrame(rowRDD, schema) //6、df算子操作 studentDataFrame.printSchema() studentDataFrame.show() //7、停掉相关会话 sparkSession.stop() } } |
-
- 将DataFrame转化成RDD
//提供直接转化成RDD的方式,即df.rdd即可
studentDataFrame.rdd
-
- SparkSql临时表生成(内存中存放的表,应用结束即消失)
- 直接通过df注册生成
- SparkSql临时表生成(内存中存放的表,应用结束即消失)
//将df对象直接注册成一张临时表
df.registerTempTable("weibo_doc"); //1.6.x版本
df. createTempView ("weibo_doc"); //2.3.x版本
-
- 将RDD转换成DF后,再如上例注册成临时表
- 临时表与DataFrame互操作
- 应用开发中,使用SqlContext调用sql语句生成DataFrame
- 综合示例-融合1.6.x和2.3.x
package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
def main(args: Array[String]) {
val conf = new SparkConf()
conf.setMaster("local");
conf.setAppName("TestSparkSql");
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
// 添加将RDD转化为DataFrame的功能包引入
import sqlContext.implicits._
val df = sqlContext.read.json("file:\\E:\\test\\job003\\sparksql\\input_weibo.json")
//注册为名称为weibo_doc的临时表-1.6.x
// df.registerTempTable("weibo_doc");
//注册为名称为weibo_doc的临时表-2.3.x
df. createTempView ("weibo_doc");
//执行该sql,并做相应的dataframe操作即可
sqlContext.sql("select userId,content from weibo_doc order by commentCount desc").show();
sc.stop();
}
}
- DataFrame数据持久化
- parquet数据格式,默认的输入和输出均为该格式
- spark自带:天然集成,强力推荐的数据格式
- parquet产生背景
- 面向分析型业务的列式存储格式
- 由Twitter和Cloudera合作开发,2015年5月从Apache的孵化器里毕业成为Apache顶级项目.
- Twitter的日志结构是复杂的嵌套数据类型,需要设计一种列式存储格式,既能支持关系型数据(简单数据类型),又能支持复杂的嵌套类型的数据,同时能够适配多种数据处理框架。
- parquet的优点
- 压缩数据,内部自带gzip压缩
- 不失真
- 减少IO吞吐量
- 高效的查询
- 多数据处理平台,均支持parquet,包括hive等。
- 综合示例实现-2.3.x(与1.6.x差距核心在sparkSession抽象)
package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession import org.apache.spark.sql.types.StructType import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StringType import org.apache.spark.sql.Row object TestSparksqlPersistFor2_3_x { def main(args: Array[String]): Unit = { //1、构建spark session val sparksql = SparkSession .builder() .appName("SparkSql-2.3.2-TestCase") .master("local[*]") .getOrCreate() // For implicit conversions like converting RDDs to DataFrames import sparksql.implicits._ //2、构建scheme val df = sparksql.read.json("F:\\test_sbt\\FirstSpark4Scala\\input_json.txt") //3、注册成表 df.createTempView("weibo") //4、df算子操作 var resultDF = sparksql.sql("select * from weibo") resultDF.repartition(1).write.format("parquet").save("F:\\test_sbt\\FirstSpark4Scala\\save3") //5、停掉相关会话 sparksql.stop() } } |
4、DataSets API操作SparkSql
- 1开发环境搭建步骤
- 与DataFrames完全相同
- 2 DataSets相关操作
- 操作说明
- DataSet集成了RDD和DataFrame的优点,也称为强类型的DataFrame。
- DataSets和DataFrames具有完全相同的成员函数。
- 两者中,每个行的数据类型不同。DataFrame也可以叫Dataset[Row],即DataFrame是Dataset的一种特定形式。而DataSet的每一行是不固定的,需要模式匹配来确定。
- 版本说明
- 在1.6.2版本DataSet为alpha版测试功能,API方面均没有得到丰富和完善。
- 在2.0.0开始DataSet得到正式推广使用,由于其API和DataFrame在成员函数中完全对等,在使用上差异极小,由于是强类型,故仅在数据集case class模式匹配时,有明显差别。
- DataSets的Spark2.3.2版本上的应用
- 操作说明
package com.tl.job011.sparksql import org.apache.spark.sql.SparkSession //样例类 case class Student(name: String, age: Long, address: String) /** * 抽象数据类型DataSet测试类 */ object TestSparkSqlDataSet { def main(args: Array[String]): Unit = { //1、构建spark session val sparkSession = SparkSession .builder() .appName("SparkSql-2.3.2-TestCase") .master("local[*]") .getOrCreate() //引入自动隐式类型转换 import sparkSession.implicits._ // 从基础数据对象类型创建DataSet val primitiveDS = Seq(1, 2, 3).toDS() val col = primitiveDS.map(_ + 1).collect() // Returns: Array(2, 3, 4) col.foreach(println) println("-----------------") primitiveDS.show() // 已为样例类case class创建完成编码类Encoder val caseClassDS = Seq(Student("脱口秀大会", 3, "北京")).toDS() caseClassDS.show()
// 指定相应的文件导入形成样例类对应的DataSet,通过json的key和样例类的字段名称对应即可 val path = "F:\\test_sbt\\FirstSpark4Scala\\student_data.txt" val peopleDS = sparkSession.read.json(path).as[Student] peopleDS.select("name", "age", "address").show() //关停会话上下文 sparkSession.stop() } } |
5、多数据集抽象类型对比分析
- spark抽象数据集列表
- RDD
- DataFrame
- DataSet
- 相同点
- 全都是spark平台下的分布式弹性数据集,为处理超大型数据提供便利
- 三者都有惰性机制,在进行Transform操作时不会立即执行,在遇到Action操作时会正式提交作业执行。
- 均采用spark的内存运算和优化策略,内存使用和执行效率上均可以得到保障。
- 均有partition的概念,便于分布式并行计算处理,达到分而治之。
- 均有许多共同的函数,如map、filter、sort等。
- 在进行三者的相关操作时候,个别特殊操作时必须引入一个相同的包依赖。( 早期称为 import sqlContext.implicits._,最新版本称为import spark.implicits._)
- DF和DS均可以通过模式匹配获取内部的变量类型和值。
- DF和DS产生于SparkSql,天然支持SparkSql。
- 区别点
- RDD
- 不支持SparkSql操作,均需进行转成DF或是DS才行。
- 类型是安全的,编译时候即可检查出类型错误。(强类型)
- 机器间通信、IO操作均需要序列化、反序列化对象,性能开销大。
- DataFrame
- 有scheme的RDD:比RDD增加了数据的描述信息。
- 比RDD的API更丰富,增加了针对结构化数据API。
- 只有一个固定类型的DataSet,即为DataFrame=DataSet[Row]
- 序列化和反序列化时做了结构化优化,减少了不必要的结构化信息的序列化,提高了执行效率。
- DataSet
- 强类型的DataFrame,与DF有完全相同的成员函数。
- 每行的类型不固定,需要使用模式匹配case class后,获取实际的类信息、字段类型、字段值。
- 访问对象数据时,比DF更加直接简单。
- 在序列化和反序列化时,引入了Encoder机制,达到按需序列化和反序列化,不必像之前整个对象操作了,进一步提高了效率。
- RDD
- 应用场景
- 使用RDD场景
- 数据为非结构化,如流媒体等数据
- 对数据集进行底层的转换、处理、控制
- 不需要列式处理,而是通过常规的对象.属性来使用数据。
- 对DF、DS带来的开发效率、执行效率提升不敏感时
- 使用DF(必须)
- R或是python语言开发者,使用DF
- 使用DS(必须)
- 在编译时就有高度的类型安全,想要有类型的JVM对象,用上Catalyst优化,并得益于Tungsten生成的高效代码
- 使用DF、DS场景
- 需要丰富的语义、高级抽象和特定领域专用的API时
- 处理需要对半结构化数据进行高级处理,如filter、map、aggregation、average、sum、SQL查询、列式访问或使用lambda函数
- 在不同的Spark库之间使用一致和简化的API
- 使用RDD场景