一、DataFrame与DataSet
1.1 DataFrame
可以简单的理解DataFrame为RDD+schema元信息
在Spark中,DataFrame是一种以RDD为基础的分布式数据集,类似传统数据库的二维表格
DataFrame带有schema元信息,DataFrame所表示的数据集每一列都有名称和类型,DataFrame可以从很多数据源构建对象,如已存在的RDD、结构化文件、外部数据库、Hive表。
RDD可以把内部元素当成java对象,DataFrame内部是一个个Row对象,表示一行行数据
左侧的RDD[Person]虽然以Person为类型参数,但Spark框架本身不了解Person类的内部结构。
右侧的DataFrame却提供了详细的结构信息,DataFrame多了数据的结构信息,即schema。
1.2 DataSet
DataSet是分布式的数据集合,DataSet提供了强类型支持,在RDD的每行数据加了类型约束
Dataset是在spark1.6中新添加的接口。它集中了RDD的优点(强类型和可以使用强大的lambda函数)以及使用了sparkSQL优化的执行引擎。
DataFrame(在2.X之后)实际上是DataSet的一个特例,即对Dataset的元素为Row时起了一个别名
二、DSL操作
2.1 action
show以表格的形式在输出中展示 jdbcDF 中的数据,类似于 select * from spark_sql_test 的功能。
功能
show只显示前20条记录
show(numRows: Int) 显示 numRows 条
show(truncate: Boolean) 是否最多只显示20个字符,默认为 true 。
show(numRows: Int, truncate: Boolean) 综合前面的显示记录条数,以及对过长字符串的显示格式。
collect方法会将 jdbcDF 中的所有数据都获取到,并返回一个 Array 对象。
collectAsList:获取所有数据到List
describe(cols: String*):获取指定字段的统计信息
first, head, take, takeAsList:获取若干行记录
(1)first 获取第一行记录
(2)head 获取第一行记录, head(n: Int) 获取前n行记录
(3)take(n: Int) 获取前n行数据
(4)takeAsList(n: Int) 获取前n行数据,并以 List 的形式展现
2.2 查询
where(conditionExpr: String) :SQL语言中where关键字后的条件
可以用 and 和 or 。得到DataFrame类型的返回结果
filter:根据字段进行筛选
得到DataFrame类型的返回结果。和 where 使用条件相同
select:获取指定字段值
根据传入的 String 类型字段名,获取指定字段的值,以DataFrame类型返回
selectExpr :可以对指定字段进行特殊处理
可以直接对指定字段调用UDF函数,或者指定别名等。传入 String 类型参数,得到DataFrame对象。
col:获取指定字段
只能获取一个字段,返回对象为Column类型。
apply:获取指定字段
只能获取一个字段,返回对象为Column类型
drop:去除指定字段,保留其他字段
返回一个新的DataFrame对象,其中不包含去除的字段,一次只能去除一个字段。
2.3 Limit
limit方法获取指定DataFrame的前n行记录,得到一个新的DataFrame对象。
3.4 排序
orderBy 和 sort :按指定字段排序,默认为升序
按指定字段排序。加个 - 表示降序排序。 sort 和 orderBy 使用方法相同
jdbcDF.orderBy(- jdbcDF("c4")).show(false)
jdbcDF.orderBy(jdbcDF("c4").desc).show(false)
sortWithinPartitions
和上面的 sort 方法功能类似,区别在于 sortWithinPartitions 方法返回的是按Partition排好序的DataFrame对象。
2.5 组函数
groupBy :根据字段进行 group by 操作
groupBy 方法有两种调用方式,可以传入 String 类型的字段名,也可传入 Column 类型的对象
cube 和 rollup :group by的扩展
功能类似于 SQL 中的 group by cube/rollup
groupedData对象
该方法得到的是 GroupedData 类型对象,在 GroupedData 的API中提供了 group by 之后的操作
2.6 去重
distinct :返回一个不包含重复记录的DataFrame
返回当前DataFrame中不重复的Row记录。该方法和接下来的 dropDuplicates() 方法不传入指定字段时的结果相同。
dropDuplicates :根据指定字段去重
根据指定字段去重。类似于 select distinct a, b 操作
2.7 聚合
聚合操作调用的是 agg 方法,该方法有多种调用方式。一般与 groupBy 方法配合使用。
以下示例其中最简单直观的一种用法,对 id 字段求最大值,对 c4 字段求和。
jdbcDF.agg("id" -> "max", "c4" -> "sum")
2.8 Union
unionAll 方法:对两个DataFrame进行组合 ,类似于 SQL 中的 UNION ALL 操作。
2.9 Join
笛卡尔积
joinDF1.join(joinDF2)
using一个字段形式
下面这种join类似于 a join b using column1 的形式,需要两个DataFrame中有相同的一个列名
joinDF1.join(joinDF2, "id")
using 多个字段形式
上面这种 using 一个字段的情况外,还可以 using 多个字段
2.10 save
save可以将data数据保存到指定的区域
dataFrame.write.format("json").mode(SaveMode.Overwrite).save()
三、SparkSQL的数据源
SparkSQL 的数据源可以是 JSON 类型的字符串, JDBC , Parquet , Hive , HDFS 等。
3.1 SparkSQL底层架构
首先拿到 sql 后解析一批未被解决的逻辑计划,再经过分析得到分析后的逻辑计划,再经过一批优化规则转换成一批最佳优化的逻辑计划,再经过 SparkPlanner 的策略转化成一批物理计划,随后经过消费模型转换成一个个的 Spark 任务执行。
3.2 谓词下推
Predicate Pushdown简称谓词下推,简而言之,就是在不影响结果的情况下,尽量将过滤条件提量,节约了集群的资源,也提升了任务的性能。前执行。谓词下推后,过滤条件在map端执行,减少了map端的输出,降低了数据在集群上传输的量,节约了集群的资源,也提升了任务的性能。