目录
零、本讲学习目标
- 了解Spark SQL的基本概念
- 掌握DataFrame的基本概念
- 掌握Dataset的基本概念
- 会基于DataFrame执行SQL查询
在很多情况下,开发工程师并不了解Scala语言,也不了解Spark常用API,但又非常想要使用Spark框架提供的强大的数据分析能力。Spark的开发工程师们考虑到了这个问题,利用SQL语言的语法简洁、学习门槛低以及在编程语言普及程度和流行程度高等诸多优势,从而开发了Spark SQL模块,通过Spark SQL,开发人员能够通过使用SQL语句,实现对结构化数据的处理。
一、Spark SQL
(一)Spark SQL概述
- Spark SQL是Spark用来处理结构化数据的一个模块,它提供了一个编程抽象结构叫做DataFrame的数据模型(即带有Schema信息的RDD),Spark SQL作为分布式SQL查询引擎,让用户可以通过SQL、DataFrames API和Datasets API三种方式实现对结构化数据的处理。
(二)Spark SQL功能
- Spark SQL可从各种结构化数据源中读取数据,进行数据分析。
- Spark SQL包含行业标准的JDBC和ODBC连接方式,因此它不局限于在Spark程序内使用SQL语句进行查询。
- Spark SQL可以无缝地将SQL查询与Spark程序进行结合,它能够将结构化数据作为Spark中的分布式数据集(RDD)进行查询。
(三)Spark SQL结构
1、Spark SQL架构图
- Spark SQL架构与Hive架构相比,把底层的MapReduce执行引擎更改为Spark,还修改了Catalyst优化器,Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起,执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。
2、Spark SQL三大过程
- Spark要想很好地支持SQL,需要完成解析(Parser)、优化(Optimizer)、执行(Execution)三大过程。
3、Spark SQL内部五大组件
- Catalyst优化器在执行计划生成和优化的工作时,离不开内部的五大组件。
(四)Spark SQL工作流程
- 在解析SQL语句之前,会创建SparkSession,涉及到表名、字段名称和字段类型的元数据都将保存在SessionCatalog中;
- 当调用SparkSession的sql()方法时就会使用SparkSqlParser进行解析SQL语句,解析过程中使用的ANTLR进行词法解析和语法解析;
- 使用Analyzer分析器绑定逻辑计划,在该阶段,Analyzer会使用Analyzer Rules,并结合SessionCatalog,对未绑定的逻辑计划进行解析,生成已绑定的逻辑计划;
- 使用Optimizer优化器优化逻辑计划,该优化器同样定义了一套规则(Rules),利用这些规则对逻辑计划和语句进行迭代处理;
- 使用SparkPlanner对优化后的逻辑计划进行转换,生成可以执行的物理计划SparkPlan;
- 使用QueryExecution执行物理计划,此时则调用SparkPlan的execute()方法,返回RDDs。
(五)Spark SQL主要特点
1、将SQL查询与Spark应用程序无缝组合
- Spark SQL允许使用SQL或熟悉的DataFrame API在Spark程序中查询结构化数据。与Hive不同的是,Hive是将SQL翻译成MapReduce作业,底层是基于MapReduce的;而Spark SQL底层使用的是Spark RDD。
- 在Spark应用程序中嵌入SQL语句
val res = spark.sql( "SELECT * FROM student")
- 1
2、Spark SQL以相同方式连接多种数据源
- Spark SQL提供了访问各种数据源的通用方法,数据源包括
Hive
、Avro
、Parquet
、ORC
、JSON
、JDBC
等。 - 读取HDFS中的JSON文件,基于文件内容创建临时视图,最后与其他表根据指定的字段关联查询
// 读取JSON文件
val userScoreDF = spark.read.json("hdfs://master:9000/users.json")
// 创建临时视图user_score
userScoreDF.createTempView("user_score")
// 根据name关联查询
val resDF = spark.sql("SELECT i.age, i.name, c.score FROM user_info i INNER JOIN user_score c ON i.name = c.name")
3、在现有数据仓库上运行SQL或HiveQL查询
- Spark SQL支持
HiveQL
语法以及Hive SerDes
和UDF
(用户自定义函数),允许访问现有的Hive仓库。
二、数据帧 - DataFrame
(一)DataFrame概述
- DataFrame是Spark SQL提供的一个编程抽象,与RDD类似,也是一个分布式的数据集合,但与RDD不同,DataFrame的数据都被组织到有名字的列中,就像关系型数据库中的表一样。在Spark 1.3.0版本之前,DataFrame被称为SchemaRDD。此外,多种数据都可以转化为DataFrame,例如Spark计算过程中生成的RDD、结构化数据文件、Hive中的表、外部数据库等。
(二)将RDD转成DataFrame
-
DataFrame在RDD的基础上添加了数据描述信息(Schema,模式,即元信息),因此看起来更像是一张数据库表。
-
一个RDD中有
5
行数据 -
将RDD转成DataFrame
-
使用DataFrame API结合SQL处理结构化数据比RDD更加容易,而且通过DataFrame API或SQL处理数据,Spark优化器会自动对其优化,即使写的程序或SQL不高效,也可以运行得很快。
三、数据集 - Dataset
(一)Dataset概述
- Dataset是一个分布式数据集,Spark 1.6中添加的一个新的API。相对于RDD,Dataset提供了强类型支持,在RDD的每行数据加了类型约束。而且使用Dataset API同样会经过Spark SQL优化器的优化,从而提高程序执行效率。
(二)将RDD转成DataSet
- 一个RDD中有
5
行数据 - 将RDD转换为Dataset
(三)DataFrame与Dataset的关系
- 在Spark中,一个
DataFrame
所代表的是一个元素类型为Row
的Dataset
,即DataFrame
只是Dataset[Row]
的一个类型别名。
四、简单使用Spark SQL
(一)了解SparkSession
- Spark Shell启动时除了默认创建一个名为
sc
的SparkContext
的实例外,还创建了一个名为spark
的SparkSession
实例,该spark
变量可以在Spark Shell
中直接使用。 - 从Spark2.0以上版本开始, Spark使用全新的SparkSession接口替代Spark1.6中的SQLContext及HiveContext接口来实现其对数据加载、转换、处理等功能。SparkSession实现了SQLContext及HiveContext所有功能。
- SparkSession只是在SparkContext基础上的封装,应用程序的入口仍然是SparkContext。SparkSession允许用户通过它调用DataFrame和Dataset相关API来编写Spark程序,支持从不同的数据源加载数据,并把数据转换成DataFrame,然后使用SQL语句来操作DataFrame数据。
(二)准备工作
1、准备数据文件
1,郑秀芸,女,20
2,王志峰,男,18
3,陈燕文,女,21
4,郑国栋,男,19
5,肖雨涵,男,20
-
在
/home
目录里创建student.txt
文件 -
将
student.txt
上传到HDFS的/student/input
目录
2、启动Spark Shell
- 启动Spark Shell,执行命令:
spark-shell --master spark://master:7077
(三)加载数据为Dataset
1、读文件得数据集
-
调用
SparkSession
对象的read.textFile()
可以读取指定路径中的文件内容,并加载为一个Dataset
-
执行命令:
val ds = spark.read.textFile("hdfs://master:9000/student/input/student.txt")
-
从变量
ds
的类型可以看出,textFile()
方法将读取的数据转为了Dataset
。除了使用textFile()
方法读取文本内容外,还可以使用csv()
、jdbc()
、json()
等方法读取CSV
文件、JDBC
数据源、JSON
文件等数据。(csv: comma separated value)
2、显示数据集内容
-
执行命令:
ds.show
-
可以看出,
Dataset
将文件中的每一行看作一个元素,并且所有元素组成了一列,列名默认为value
。
3、显示数据集模式
- 执行命令:
ds.printSchema
- 这样的单列数据集显得太粗糙,应该加点元数据信息,让它更精细化。
(四)给数据集添加元数据信息
1、定义学生样例类
-
定义一个样例类
Student
,用于存放数据描述信息(Schema
) -
执行命令:
case class Student(id: Int, name: String, gender: String, age: Int)
-
基于样例类创建对象很简单,不需要
new
关键字,只需要传入相应参数即可创建对象
2、导入隐式转换
- 导入SparkSession的
隐式转换
,以便后续可以使用Dataset的算子 - 执行命令:
import spark.implicits._
(_
表示implicits
包里所有的类,类似于Java里的*
)
3、将数据集转换成学生数据集
- 调用Dataset的
map()
算子将每一个元素拆分并存入Student
样例对象 - 执行命令
:paste
进入粘贴模式,然后执行红框类的命令
val studentDS = ds.map(line => {
val fields = line.split(",")
val id = fields(0).toInt
val name = fields(1)
val gender = fields(2)
val age = fields(3).toInt
Student(id, name, gender, age)
}
)
4、对学生数据集进行操作
-
执行命令:
studentDS.show
-
-
可以看到,
studentDS
中的数据类似于一张关系型数据库的表。
- 执行命令:
studentDS.printSchema
- 显示学生的姓名和年龄字段,执行命令:
studentDS.select("name", "age").show
- 对应的SQL语句:
select name, age from student
-
显示女生记录,执行命令:
studentDS.filter("gender == '女'").show
-
显示年龄在[19, 20]之间的记录
-
两个数据集求交集
-
可以有更简单的处理方式,执行命令:
studentDS.filter("age >= 19 and age <= 20").show
-
如果条件是
age <19 or age > 20
,那么两个数据集ds1与ds2就应该求并集:ds1.union(ds2)
-
求20岁以上的女生人数
-
分组统计男女生总年龄,执行命令:
studentDS.groupBy("gender").sum("age").show
-
分组统计男女生平均年龄:执行命令:
studentDS.groupBy("gender").sum("age").show
-
分组统计男女生最大年龄,执行命令:
studentDS.groupBy("gender").max("age").show
-
分组统计男女生最小年龄,执行命令:
studentDS.groupBy("gender").min("age").show
-
按年龄升序排列,执行命令:
studentDS.sort("age").show()
-
按年龄降序排列,执行命令:
studentDS.sort(studentDS("age").desc).show
-
先按性别升序排列,再按年龄降序排列,执行命令:
studentDS.sort(studentDS("gender"), studentDS("age").desc).show()
-
对应的SQL语句:
select * from student order by gender, age desc;
- 执行命令:
studentDS.select(studentDS("id").as("学号"), studentDS("name").as("姓名"), studentDS("gender").as("性别"), studentDS("age").as("年龄")).show
(五)将数据集转为数据帧
- Spark SQL查询的是DataFrame中的数据,因此需要将存有元数据信息的Dataset转为DataFrame。调用Dataset的
toDF()
方法,将存有元数据的Dataset转为DataFrame。
1、将数据集转为数据帧
- 将学生数据集转为学生数据帧,执行命令:
val studentDF = studentDS.toDF()
2、对学生数据帧进行操作
- 显示学生数据帧内容,执行命令:
studentDF.show
- 打印学生数据帧模式信息,执行命令:
studentDF.printSchema
- 显示学生数据帧姓名与年龄字段,年龄加1,执行命令:
studentDF.select(studentDF("name"), studentDF("age") + 1).show
-
查询年龄在19岁以上的记录,执行命令:
studentDF.filter(studentDF("age") > 19).show
-
查询20岁以上的女生记录,执行命令:
studentDF.filter("age > 20 and gender == '女'").show()
-
统计学生数据帧总记录数,执行命令:
studentDF.count
-
分组统计男女生总年龄,执行命令:
studentDF.groupBy("gender").sum("age").show
, -
分组统计男女生平均年龄,执行命令:
studentDF.groupBy("gender").avg("age").show
, -
分组统计男女生最大年龄,执行命令:
studentDF.groupBy("gender").max("age").show
, -
分组统计男女生最小年龄,执行命令:
studentDF.groupBy("gender").min("age").show
-
分组统计男女生人数,执行命令:
studentDF.groupBy("gender").count.show
-
对年龄升序排列,执行命令:
studentDF.sort("age").show
-
对年龄降序排列,执行命令:
studentDF.sort(studentDF("age").desc).show
-
先按性别升序,再按年龄降序,- 执行命令:
studentDF.sort(studentDF("gender"), studentDF("age").desc).show
-
执行命令:
studentDF.select(studentDF("id").as("学号"), studentDF("name").as("姓名"), studentDF("gender").as("性别"), studentDF("age").as("年龄")).show
-
直接对数据帧进行操作,其实并不是很方便,因此,我们需要基于数据帧创建临时视图,然后对于临时视图就可以进行SQL操作,那样就会十分方便。
(六)基于数据帧进行SQL查询
1、基于数据帧创建临时视图
-
基于学生数据帧
studentDF
,创建一个临时视图student
,就可以对student
视图进行SQL操作 -
执行命令:
studentDF.createTempView("student")
-
如果临时视图存在,使用这个命令就会报错
-
此时,执行命令:
studentDF.createOrReplaceTempView("student")
,就不会报错 -
如果指定的视图不存在,那就创建,如果存在,那就替换。
2、使用spark对象执行SQL查询
- 在Spark Shell环境里,系统已经创建了名为
spark
的SparkSession
对象 - spark.sql()方法用于执行一个SQL查询,返回结果是一个数据帧
- 执行命令:
spark.sql("select * from student").show
- 执行命令:
spark.sql("describe student").show
- 执行命令:
spark.sql("select name, age + 1 from student").show
-
查询年龄在19岁以上的记录,执行命令:
spark.sql("select * from student where age > 19").show
-
查询20岁以上的女生记录,执行命令:
spark.sql("select * from student where age > 20 and gender = '女'").show()
-
查询学生表总记录数,执行命令:
spark.sql("select count(*) count from student").show
-
大家试一试,可否使用中文别名。用中文别名要抛出解析异常。
-
分组统计男女生总年龄,执行命令:
spark.sql("select gender, sum(age) from student group by gender").show
-
分组统计男女生平均年龄,执行命令:
spark.sql("select gender, avg(age) from student group by gender").show
-
分组统计男女生最大年龄,执行命令:
spark.sql("select gender, max(age) from student group by gender").show
-
分组统计男女生最小年龄,执行命令:
spark.sql("select gender, min(age) from student group by gender").show
-
分组统计男女生人数,执行命令:
spark.sql("select gender, count(*) count from student group by gender").show
-
按年龄升序排列,执行命令:
spark.sql("select * from student order by age").show
-
按年龄降序排列,执行命令:
spark.sql("select * from student order by age desc").show
-
先按性别升序,再按年龄降序,执行命令:
spark.sql("select * from student order by gender asc, age desc").show
-
执行命令:
spark.sql("select id stu_id, name stu_name, gender stu_gender, age stu_age from student").show()
-
执行命令:
spark.sql("select id 学号, name 姓名, gender 性别, age 年龄 from student").show()
,无法解析中文别名
五、课后作业
- 成绩表,包含四个字段(姓名、语文、数学、英语),只有三条记录
姓名 | 语文 | 数学 | 英语 |
---|---|---|---|
张钦林 | 78 | 90 | 76 |
陈燕文 | 95 | 88 | 98 |
卢志刚 | 78 | 80 | 60 |
-
在
/home
里创建scores.txt
文件 -
将
scores.txt
文件上传到HDFS上指定目录 -
基于
scores.txt
文件,创建scoreDF
数据帧 -
基于
scoreDF
数据帧进行下列操作
(1)显示数据帧内容
(2)显示数据帧模式信息
(3)对数据帧进行投影操作
(4)对数据帧进行过滤操作
(5)对数据帧进行统计操作
(6)对数据帧进行排序操作
(7)重命名数据帧字段 -
基于
scoreDF
数据帧创建临时表score
-
基于
score
数据表进行下列操作
(1)查询全部表记录
(2)显示数据表结构
(3)对表进行投影操作
(4)对表进行选择操作
(5)对表进行统计操作
(6)对表进行排序操作
(7)重命名数据表字段