Spark从入门到精通第十四课：SparkSQL入门

写更少的代码

加载更少的数据

将优化交给底层

 

1、写更少的代码

A.从wordcount角度看：

MapReduce(代码量最多)--->hive（代码量少）---->Spark core（代码量更少，但可读性差）----->Spark SQL（代码量少，可读性好，性能更好）

B.从外部数据源角度看：

为文件输入输出提供了访问的接口

C.从schema推导的角度来看：

可以自动推导数据类型，对于数据类型不对的数据，很方便转换，即数据兼容性更好

例如：如果读一些数据 ，字段age有的数据有,有的数据没有,没有的字段会赋值为NULLL

           如果age字段有的数据为Int型，有的为double型，则Spark SQL会自动帮你转成double型

 

分区推导：

假设有一个表所在的目录为：/user/hive/warehouse/gender=male/country=us。数据类型为parquet

如果加载数据时使用：val df=spark.read.format("parquet").load("/user/hive/warehouse")

此时执行df.show ,查看到的表的信息中有gender字段也有country字段

如果加载数据时使用：val df=spark.read.format("parquet").load("/user/hive/warehouse/gender=male")

此时执行df.show ,查看到的表的信息中只有country字段

###分区推导仅支持numeric、String、date、timestamp类型，如果不想对列的类型进行自动推导，可以将参数spark.sql.sources.partitionColumnTypeInference.enabled设置为false,该参数默认为true.

 

schema合并：

    schema合并是相对昂贵的操作，spark1.5之后该属性默认为关闭。开启的两种方式如下：

    A.在读取parquet的时候，设置数据源选项mergeSchema为true

    B.设置全局SQL选项spark.sql.parquet.mergeSchema为true

例子：

 

// This is used to implicitly convert an RDD to a DataFrame.
import spark.implicits._
 
// Create a simple DataFrame, store into a partition directory
val squaresDF = spark.sparkContext.makeRDD(1 to 5).map(i => (i, i * i)).toDF("value", "square")
squaresDF.write.parquet("data/test_table/key=1")
 
// Create another DataFrame in a new partition directory,
// adding a new column and dropping an existing column
val cubesDF = spark.sparkContext.makeRDD(6 to 10).map(i => (i, i * i * i)).toDF("value", "cube")
cubesDF.write.parquet("data/test_table/key=2")
 
// Read the partitioned table
val mergedDF = spark.read.option("mergeSchema", "true").parquet("data/test_table")
mergedDF.printSchema()
 
// The final schema consists of all 3 columns in the Parquet files together
// with the partitioning column appeared in the partition directory paths
// root
//  |-- value: int (nullable = true)
//  |-- square: int (nullable = true)
//  |-- cube: int (nullable = true)
//  |-- key: int (nullable = true)
savemode:

将数据以DataFrame形式写到外部数据源的时候，使用的命令:spark.read.format("目标格式").save("目标路径")，在format和save之间可以加一个mode("参数"），该参数有四种，以下详细讲解：

default                   如果目标路径存在数据，则报错

append                   如果目标路径存在数据，则以新文件的形式追加到原数据之后

overwrite                如果目标路径存在数据，则新数据覆盖原数据

ignore                     如果目标路径存在数据，则新数据跳过原数据

目标参数也可以写全称，比如mode("append")替换成mode(SaveMode.Append),但此时应该导包，import org.apache.spark.sql.savemode

2、读更少的数据

    分区、压缩、pushdown、谓词下压、过滤

3、将优化交给底层

有一个join操作：users.join(events,users.id===events.id).filter(evevts.data>="2016-01-01")  ##要三个等号哦

该操作的执行计划优化过程如下：