spark学习笔记（八）——sparkSQL概述-定义/特点/DataFrame/DataSet

目录

sparkSQL概述

sparkSQL

sparkSQL特点

DataFrame

DataSet 

---

sparkSQL概述

sparkSQL

定义：sparkSQL是spark用于结构化数据处理的spark模块。

优势：

（1）数据兼容：SparkSQL不但兼容Hive，还可以从RDD、parquet文件、JSON文件中获取数据，未来版本甚至支持获取RDBMS数据以及cassandra等NOSQL数据；

（2）性能优化：除了采取In-Memory Columnar Storage、byte-code generation等优化技术外、将会引进Cost Model对查询进行动态评估、获取最佳物理计划等等；

（3）组件扩展：无论是SQL的语法解析器、分析器还是优化器都可以重新定义，进行扩展。

sparkSQL特点

（1）统一的数据访问：使用相同的方式连接不同的数据源。

（2）易整合：无缝整合了SQL查询和spark编程。

（3）兼容hive：在已有的仓库上直接运行SQL和HQL（HiveQL）。

（4）标准的数据连接：用JDBC或者ODBC连接。

DataFrame

定义：DataFrame是一种以RDD为基础的分布式数据集。

特征：DataFrame带有schema元信息，DataFrame所表示的二维表数据集的每一列都带有名称和类型。Spark SQL可以洞察到更多的结构信息，对DataFrame背后的数据源以及DataFrame的变换进行了针对性的优化，最终大幅提升运行效率。DataFrame支持嵌套数据类型（struct、array和map）。DataFrame API提供的是一套高层的关系操作，比函数式的RDD API要更加友好，门槛更低。

DataFrame和RDD的区别：

RDD以Person为类型参数，但Spark框架本身不了解Person类的内部结构。而DataFrame提供了详细的结构信息，使得Spark SQL可以清楚地知道该数据集中包含的信息。

DataFrame为数据提供了Schema的视图。可以把它当做数据库中的一张表来对待。

查询优化

DataFrame也是懒执行，但性能比RDD要高，主要原因是优化了执行计划，查询计划通过Spark catalyst optimiser进行优化。

例子：

构造dataframe，用到join和filter操作。先join再filter：执行效率不高。先filter再join：有效的缩短时间，执行效率高。

原因：join 是一个代价较大的操作，可能会产生一个较大的数据集。先执行filter再执行join，先对DataFrame进行过滤再join过滤后的较小结果集，便可以有效缩短执行时间。

Spark SQL的查询优化器正是这样，逻辑查询计划优化就是一个利用基于关系代数的等价变换，将高成本的操作替换为低成本操作的过程。

DataSet 

定义：DataSet是分布式数据集合。

特征：

（1）DataSet是DataFrame的一个扩展。DataSet提供了RDD的优势（强类型）以及SparkSQL优化执行引擎的优点。DataSet也可以使用功能性的转换如：map、latMap、filter等等。

（2）DataSet友好的API风格，既具有类型安全检查也具有DataFrame的查询优化特性；

（3）用样例类来对DataSet定义数据的结构信息，样例类中每个属性的名称直接映射到DataSet中的字段名称；

（4）DataSet是强类型；比如可以DataSet[Car]，DataSet[Person]；

（5）DataFrame=DataSet[Row] ，DataFrame是DataSet的特列，可以通过as方法将DataFrame转换为DataSet。

注：Row是一个类型，跟Car、Person这些的类型一样，所有的表结构信息都用Row来表示。获取数据时需要指定顺序。

本文为学习笔记的记录！