Spark：SQL（二）

目录

01：上篇回顾

02：课程目标

03：数据源Sink：设计

04：集成Hive：场景及设计

05：集成Hive：SparkShell测试

06：集成Hive：IDEA测试

07：自定义UDF规则

08：自定义UDF测试

09：SparkSQL开发方式

10：SparkSQL开发方式：SQL Shell

11：SparkSQL开发方式：Beeline

12：SparkSQL开发方式：JDBC

13：Catalyst 优化器

14：实时数据计算场景及架构

15：Spark Streaming的功能及特点

16：官方案例Wordcount

17：驱动接口及数据抽象设计

18：自定义开发WordCount

附录一：Maven依赖

---

01：上篇回顾

https://blog.csdn.net/m0_57498038/article/details/119112063

1. RDD、DF、DS之间的区别是什么？

   • RDD：分布式数据集合：数据 + 支持泛型

   • DataFrame：分布式数据表：数据 + Schema + 不支持泛型【Row】

   • DataSet：分布式数据表：数据 + Schema + 支持泛型

2. 怎么实现三者之间的互相转换？

   • DF 、 DS =》 RDD：.rdd

   • RDD =》 DF、DS

     • 方式一：反射：将没有Schema的RDD类型转换有Schema的RDD类型

       • RDD【String】 =》 RDD【CaseClass】

     • 方式二：自定义Schema

       • RDD【Row】 + Schema【StructType【StructFields】】 = DataFrame

   • DF => DS ：df.as【CaseClass】

   • DS => DF：toDF（colName）

3. SaveMode是什么？

   • 保存模式

     • Append：追加

     • Overwrite：覆盖

     • ErrorIfExists：默认，如果存在就报错

     • Ignore：如果存在就忽略

   • csv：文本文件

   • jdbc：问题：主键 + 约束导致如果用追加：主键重复，如果用覆盖，数据丢失

     ds.write.mode.option.jdbc

     • 解决

       • 如果用官方的JDBC：1-建MySQL表时，允许主键自动更新 2-使用追加模式

       • 如果不用官方的JDBC：自己写

         ds.foreachPartition(part => {
             //JDBC
             //replace into 
         })

4. 如何调整SparkSQL 的聚合Shuffle中的分区个数？

   • 默认分区：200个

   • 修改属性：spark.sql.shuffle.partitions

5. SparkSQL有哪些常用的数据源接口？

   • Source接口

   • 调用：spark.read.format（“格式”）.load(“路径”)

     spark.read.csv/partquet/orc/json/jdbc/table

02：课程目标

1. SparkSQL与Hive集成

   • SparkSQL为什么要访问Hive，集成基本原理？

   • Spark SQL 集成 Hive 与 Hive on Spark 有什么区别？

   • SparkSQL集成Hive怎么进行开发？

2. SparkSQL开发方式

   • IDEA + JAR

   • Shell

   • Beeline

   • SQL脚本

   • JDBC

3. SparkStreaming入门

   • 实时计算的需求以及场景？

   • SparkStreaming的基本设计：驱动接口【StreamingContext】和数据抽象【DStream】

   • 自定义开发一个SparkStreaming程序：Wordcount

03：数据源Sink：设计

• 目标：了解SparkSQL中Sink数据源的设计

• 实施

  • 设计：非常类似于MR的设计

    • MR的设计

      • 输出：OutputFormat

        • TextOutputFormat：将结果保存为文件

        • DBOutputFormat：将结果保存到MySQL

    • SparkSQL的设计

      • 输出：DataFrameWriter

        • .csv

        • .jdbc

        • .parquet

        • .json

        • ……

  • 语法

    //保存方式一：redis、hbase、JDBC
    df/ds.foreachPartition(自定义保存的逻辑)
    ​
    //保存方式二
    df/ds.write.mode.jdbc => df/ds.write.mode.format("输出的格式").save("路径")
    ​
    //保存方式三
    df/ds
      .write
      .mode(SaveMode.Overwrite)
      .format("指定保存格式")
      .save("保存的路径")/save()/saveAsTable

    • save(Path:String)：用于保存文本

    • save()：用于保存数据库

    • saveAsTable：保存到Hive表中

• 小结

  • 了解SparkSQL中Sink数据源的设计

04：集成Hive：场景及设计

• 目标：掌握SparkSQL集成Hive的场景及设计

• 实施

  • 场景

    • 离线：对数据仓库中的数据进行分布式计算分析处理

      • 数据来源：Hive

    • 实时：对结构化数据进行分布式实时计算

      • 数据来源：Kafka

    • 利用SparkSQL对Hive数据仓库中的数据进行处理分析

  • 设计

    • 所有需要访问Hive数据仓库的分布式计算服务，只要知道metastore服务的地址，就可以访问Hive元数据了

       

  • 配置

    • 启动Hive

      #第一台机器
      start-dfs.sh
      cd /export/server/hive
      bin/hive-daemon.sh metastore

    ​
    ​
    

  • 配置SparkSQL

    • Spark的conf目录中创建hive-site.xml，执行metastore服务地址

      cd /export/server/spark
      vim conf/hive-site.xml
      
      
      <?xml version="1.0"?>
      <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
      <configuration>
          <property>
              <name>hive.metastore.uris</name>
              <value>thrift://node1.itcast.cn:9083</value>
        </property>
      </configuration>

      - 集群模式，需要分发给Spark所有节点 

    • cd conf/ 
      scp hive-site.xml node2:$PWD 
      scp hive-site.xml node3:$PWD

• 小结

  • 掌握SparkSQL集成Hive的场景及设计

05：集成Hive：SparkShell测试

• 目标：实现SparkShell测试与Hive的集成

• 实施

  • 启动spark-shell

    bin/spark-shell --master local[2]

  • 方式一

    • 直接写SQL操作Hive表

    • 测试

      spark.sql("show databases").show
      spark.sql("show tables in db_hive").show
      spark.sql("select deptno,round(avg(sal),2) as avgsal from db_hive.emp group by deptno").show
      spark.sql("create table db_hive.tb_test(word string)")

  • 

     

     

  • 方式二

    • 加载Hive表的数据变成DF，可以调用DSL或者SQL的方式来实现计算

    • 测试

      • step1：读取数据

        val hiveData = spark.read.table("db_hive.emp")
        hiveData.printSchema
        hiveData.show

        

      • step2：转换数据：统计每个部门的平均薪资

      • val data = hiveData
            .select($"deptno",$"sal")
            .groupBy($"deptno")
            .agg(round(avg($"sal"),2).as("avgsal"))
        rsData.show

      • 

      • step3：保存结果

        import org.apache.spark.sql._
        rsData.write.mode(SaveMode.Overwrite).saveAsTable("db_hive.tb_rs")
        spark.sql("select * from db_hive.tb_rs").show

        

         

      • SparkSQL集成Hive：语法与Hive类似，由SparkSQL解析SQL语句变成SparkCore程序

    • Hive on Spark：Hive底层用SparkCore作为计算引擎，SQL解析由Hive实现，转换为SparkCore程序

      • hive.executor.engine = mr / spark

• 小结

  • 实现SparkShell测试与Hive的集成