Spark SQL快速入门

 1. 了解Spark SQL

1.1 什么是Spark SQL

Spark SQL是spark的一个模块，用于处理海量的结构化数据。

1.2 Spark SQL有什么特点？优点是什么？

特点：

• Spark SQL支持读取和写入多种格式的数据源，包括Parquet、JSON、CSV、JDBC等。
• Spark SQL支持标准的SQL语言，包括SELECT、JOIN、GROUP BY等，还支持用户自定义函数（UDF）和窗口函数（Window Function）等高级功能。
• Spark SQL支持将SQL查询结果转换为DataFrame或RDD，使得可以在Spark的其他API中继续处理数据。
• Spark SQL可以和Spark的其他组件（如Spark Streaming、MLlib等）无缝集成，从而实现实时数据处理和机器学习等应用。

优点：

• Spark SQL提供了一个统一的编程接口，将SQL查询和DataFrame API结合在一起，使得开发人员可以更方便地处理结构化数据。
• Spark SQL采用了Spark的分布式计算框架，可以在大规模集群上运行，处理大量的数据。
• Spark SQL支持延迟计算和数据缓存等优化技术，可以提高计算性能。
• Spark SQL提供了丰富的数据源支持，可以方便地读取和写入各种数据格式的数据。
• Spark SQL支持多种语言的API，包括Scala、Java、Python和R等，使得开发人员可以使用自己熟悉的语言进行开发。

2. Spark SQL概述

2.1 Spark SQL和Hive的区别与联系

相似之处：

• Spark SQL和Hive都是基于Hadoop生态圈的大数据处理工具，都可以处理PB级别的数据。
• Spark SQL和Hive都支持SQL语言，可以使用SQL查询语言来操作数据。
• Spark SQL和Hive都支持数据存储在HDFS中。

不同之处：

• Spark SQL是基于Spark的内存计算框架，而Hive是基于MapReduce的离线计算框架。因此，在某些情况下，Spark处理数据比Hive更快。
• Spark SQL支持广泛的数据源类型，包括Hive、JSON、Parquet、JDBC等，而Hive只支持Hive数据源类型。
• Spark SQL支持实时计算、流处理、机器学习等高级功能，而Hive只支持批处理。
• Spark SQL可以通过Spark Streaming和Structured Streaming实现实时计算和流处理，而Hive需要使用额外的工具来实现流处理。

2.2 Spark SQL的数据抽象

 2.3 DataFrame概述

DataFrame是一种分布式的数据集合，它以表格形式（只能以表格的形式）表示，并且具有带有命名列的概念，类似于传统数据库或电子表格应用程序中的表格。DataFrame可以看作是一个关系型数据库中的一张表，或者是Python或R中的一个数据框架，但是不同的是，DataFrame是在分布式环境下运行的，可以处理大量的数据。

2.4 SparkSession对象

在RDD阶段，程序的执行入口为SparkContext。在spark2.0之后，推出了SparkSession对象，作为spark编码的统一入口对象。

3. DataFrame 详解

3.1 DataFrame 的组成

前面说过DataFrame是一个二维表结构，那么它的结构一定有三部分组成：行、列和表结构描述。

在结构层面：

• StructType对象描述整个DataFrame的表结构
• StructFiled对象描述一个列的信息

在数据层面：

• Row对象记录一行数据
• Column对象记录一列数据并包含列的信息

也就是说，Column是包含单个StructFiled对象的，所有的Column组成全部的StructType对象。

3.2 代码构建

下面用一个例子解释各个api的作用及相关参数的含义

from pyspark import SparkConf, SparkContext
from pyspark.sql import SparkSession
import re

if __name__ == '__main__':
    # 构建入口对象
    spark = SparkSession.builder. \
        appName("test"). \
        master("local[*]"). \
        getOrCreate()
    sc = spark.sparkContext

    # 基于RDD转换成DataFrame
    rdd = sc.textFile("一个数据文件,格式形如:'username, age'"). \
        map(lambda x: x.split(",")). \
        map(lambda x: (x[0], int(x[1])))  # 将str类型的年龄变为int类型

    # 构建DataFrame对象
    # 参数1 被转换的RDD
    # 参数2 指定列名，通过list的形式指定，按照顺序依次提供字符串名称即可
    df = spark.createDataFrame(rdd, schema=['name', 'age'])

    # 打印表结构
    df.printSchema()

    # 打印df中的数据
    # 参数1表示展示出多少条数据，默认不传的话是20
    # 参数2表示是否对列进行截断，如果列的数据长度超过20个字符串长度，后续的内容不显示以...代皙#如果False表示不阶产全部显示，默认是True
    df.show(20, False)

上面的代码是基于RDD转换成DataFrame的构建方法，下面我们用基于StructType的方法构建。

schema = StructType().add("name", StringType(), nullable=True). \
        add("age", IntegerType(), nullable=False)

3.3 读取外部数据

通过Spark SQL的统一api进行数据读取，并构建DataFrame

 format是指支持读取的数据格式，schema就是配置StructType的信息，指定数据的类型和名称

3.4 DataFrame的编程风格

DataFrame的编程风格支持两种：DSL和SQL语法风格。

DSL风格指的是使用Spark SQL提供的DataFrame API进行编程，可以支持更加复杂的数据处理操作。DSL风格的代码通常比SQL语法风格的代码更加直观和易于调试，因为DSL代码中可以使用编程语言的各种特性和工具来处理数据，比如函数、变量、循环等。

代码：

from pyspark.sql import SparkSession

spark = SparkSession.builder.appName("example").getOrCreate()

# 读取csv数据文件
df = spark.read.format("csv")\
    .option("header", True)\
    .option("inferSchema", True)\
    .load("data.csv")

# 进行数据处理
result = df.filter(df["age"] > 25)\
    .groupBy("gender")\
    .agg({"salary": "avg"})\
    .orderBy("gender")

# 输出结果
result.show()

使用SQL语法风格的编程方式，可以直接使用SQL语句对DataFrame进行查询和数据处理。SQL语法风格的代码通常比DSL风格的代码更加简洁和易于理解，因为SQL语句可以直接表达数据处理的逻辑。

代码：

from pyspark.sql import SparkSession

spark = SparkSession.builder.appName("example").getOrCreate()

# 读取csv数据文件
df = spark.read.format("csv")\
    .option("header", True)\
    .option("inferSchema", True)\
    .load("data.csv")

# 创建临时视图
df.createOrReplaceTempView("people")

# 使用SQL语句进行查询
result = spark.sql("""
    SELECT gender, AVG(salary) as avg_salary
    FROM people
    WHERE age > 25
    GROUP BY gender
    ORDER BY gender
""")

# 输出结果
result.show()