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")
1
2
3
4
5
6
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
1
2
3
4
5
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)
}
)
1
2
3
4
5
6
7
8
9
4、对学生数据集进行操作
(1)显示数据集内容
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。
(2)打印数据集模式
执行命令:studentDS.printSchema
(3)对数据集进行投影操作
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
执行命令:studentDS.select(studentDS("name"), studentDS("age") + 1).show
-
执行命令:studentDS.select(studentDS("name").as("姓名"), (studentDS("age") + 1).as("年龄")).show(给字段取别名)
相当于SQL语句:select name as 姓名, age + 1 as 年龄 from student;
(4)对数据集进行过滤操作
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)
逻辑运算 集合运算
not 补集 - complement
and 交集 - intersection
or 并集 - union
(5)对数据集进行统计操作
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
相当于SQL语句:select gender, sum(age) from student group by gender;
分组统计男女生平均年龄:执行命令:studentDS.groupBy("gender").avg("age").show
相当于SQL语句:select gender, avg(age) from student group by gender;
分组统计男女生最大年龄,执行命令:studentDS.groupBy("gender").max("age").show
相当于SQL语句:select gender, max(age) from student group by gender;
分组统计男女生最小年龄,执行命令:studentDS.groupBy("gender").min("age").show
相当于SQL语句:select gender, min(age) from student group by gender;
(6)对数据集进行排序操作
按年龄升序排列,执行命令:studentDS.sort("age").show
相当于SQL语句:select * from student order by age; (默认是asc - ascending)
按年龄降序排列,执行命令:studentDS.sort(studentDS("age").desc).show
按年龄降序排列,执行命令:studentDS.sort(desc("age")).show
相当于SQL语句:select * from student order by age desc; (desc - descending)
先按性别升序排列,再按年龄降序排列,执行命令:studentDS.sort(asc("gender"), desc("age")).show
对应的SQL语句:select * from student order by gender asc, age desc;
(7)重命名数据集字段
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
(1)显示数据帧内容
显示学生数据帧内容,执行命令:studentDF.show
(2)显示数据帧模式信息
打印学生数据帧模式信息,执行命令:studentDF.printSchema
(3)对数据帧进行投影操作
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
执行命令:studentDF.select(studentDF("name").as("姓名"), (studentDF("age") + 1).as("年龄")).show (给字段取别名)
(4)对数据帧进行过滤操作
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()
(5)对数据帧进行统计操作
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
(6)对数据帧进行排序操作
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(desc("age")).show
先按性别升序,再按年龄降序,- 执行命令:studentDF.sort(asc("gender"), desc("age")).show
(7)重命名数据帧字段
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
(1)查询全部表记录
执行命令:spark.sql("select * from student").show
(2)显示数据表结构
执行命令:spark.sql("describe student").show
(3)对表进行投影操作
执行命令:spark.sql("select name, age + 1 from student").show
(4)对表进行选择操作
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
(5)对表进行统计操作
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
(6)对表进行排序操作
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
(7)重命名数据表字段
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