1.spark sql
1.1.spark sql概述
官网地址:http://spark.apache.org/sql/
1.1.1.什么是spark sql
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DataFrame,作为分布式SQL查询的引擎,它是将spark sql转换成RDD,然后提交到集群中去运行,执行效率非常快。支持多种使用方式:SQL、DataFrame API、DataSet API。
相比于spark RDD API,spark sql包含了对结构化数据和在其上运算的更多信息,spark sql使用这些信息进行了额外的优化,对结构化数据的操作更加高效和方便。
1.1.2.spark sql优点
-
易整合
将sql查询与spark程序无缝整合。可以使用java、scala、python、R等语言的API操作。
-
统一的数据访问方式
以相同的方式连接到任何数据源。
-
兼容Hive
支持hive SQL的语法。
-
标准的数据连接
可以使用行业标准的JDBC或ODBC进行连接
六字诀: 易用、兼容、标准
1.2.DataFrame
1.2.1.什么是DataFrame
在spark中,DataFrame是一种以RDD为基础的分布式数据集,它的前身是SchemaRDD,类似于传统数据库的二维表格。
从Spark 1.3.0开始由SchemaRDD更名为DataFrame。它与SchemaRDD的主要区别:DataFrame不再直接继承自RDD,而是自己实现了RDD的绝大多数功能。可以在DataFrame上调用rdd方法将其转换为一个RDD。
DataFrame带有Schema元数据信息,即DataFrame所表示的二维表数据集的每一列都带有名称和类型,底层做了更多的优化。可以通过多种方式构建DataFrame:已经存在的RDD、结构化文件、外部数据库、Hive表。
dataframe记录了对应列的名称和类型
- dataFrame引入schema和off-heap(使用操作系统层面上的内存)
- 1、解决了RDD的缺点
- 序列化和反序列化开销大
- 频繁的创建和销毁对象造成大量的GC
- 2、丢失了RDD的优点
- RDD编译时进行类型检查
- RDD具有面向对象编程的特性
- 1、解决了RDD的缺点
1.2.2.DataFrame与RDD区别
-
RDD是分布式的对象的集合,Spark并不知道对象的详细模式信息
-
DataFrame是分布式的Row对象的集合,其提供了由列组成的详细模式信息
-
DataFrame还引入了off-heap,意味着JVM堆以外的内存, 这些内存直接受操作系统管理(而不是JVM)
-
DataFrame除了提供了比RDD更丰富的算子以外,更重要的特点是减少数据读取以及执行计划的优化,提升执行效 率。易用性更好
1.2.3.DataFrame与RDD的优缺点
- RDD优缺点
- 优点:
- 编译时类型安全
- 面向对象的编程风格
- 缺点:
- 序列化和反序列化的性能开销大
- GC的性能开销大
- 优点:
- DataFrame优缺点
- 优点:
- DataFrame引入了schema,存储了结构化数据的元数据信息,操作方便
- DataFrame引入了off-heap(非堆内存),解决了RDD 中GC性能开销大的问题
- 缺点:
- DataFrame不是类型安全的
- DataFrame不是面向对象的
- 优点:
1.2.4.如何创建DataFrame
在spark2.0版本之前,spark sql中SqlContext是创建DataFrame和执行SQL的入口。利用hiveContext通过hive sql语句操作hive表数据,兼容hive操作,并且hiveContext继承自SQLContext。
在spark2.0之后,这些都统一于SparkSession,SparkSession 封装了SparkContext,SqlContext,通过SparkSession可以获取到SparkConetxt,SqlContext对象。
启动spark-shell:(node03)
#cd /export/servers/spark-2.0.2-bin-hadoop2.7/bin
spark-shell --master local[2]
1.2.4.1.读取文本文件创建DataFrame
1.准备数据文件
people.txt:文件内容有三列(id、name、age)
1 zhangsan 20
2 lisi 29
3 wangwu 25
4 zhaoliu 30
5 tianqi 35
6 kobe 40
2.加载数据文件、关联样例类
#在spark-shell中加载数据文件
val lineRDD= sc.textFile("file:///export/servers/testdata/people.txt").map(_.split(" "))
#定义People样例类
case class People(id:Int,name:String,age:Int)
#将lineRDD和样例类People关联
val peopleRDD=lineRDD.map(x=>People(x(0).toInt,x(1),x(2).toInt))
3.将peopleRDD转换成DataFrame
val peopleDF=peopleRDD.toDF
4.显示DataFrame中数据:
peopleDF.show
5.显示DataFrame中schema信息:
peopleDF.printSchema
6.直接通过SparkSession创建DataFrame
val dataFrame=spark.read.text("file:///export/servers/testdata/people.txt")
1.2.4.2.读取json文件创建DataFrame
1.准备数据文件
使用spark安装包下提供了数据文件:
#文件路径
$SPARK_HOME/examples/src/main/resources/people.json
#加载数据文件
val jsonDF=spark.read.json("file:///export/servers/spark-2.0.2-bin-hadoop2.7/examples/src/main/resources/people.json")
1.2.4.3.读取parquet列式存储格式文件创建DataFrame
1.准备数据文件
使用spark安装包下提供了数据文件:
#文件路径
$SPARK_HOME/examples/src/main/resources/users.parquet
#加载数据文件
val parquetDF= spark.read.parquet("file:///export/servers/spark-2.0.2-bin-hadoop2.7/examples/src/main/resources/users.parquet")
细节:关于SparkSession读取文件的相关方法
输入**spark.read.**按tab键,自动提示
1.3.DataFrame常用操作
1.3.1.DSL风格语法
说明:DSL(Domain Specific Language)特定领域语言,是一种为了特定任务而设计的开发语言。比如XSLT、Html等。
1.3.1.1.启动spark-shell
spark-shell --master local[2]
1.3.1.2.查看DataFrame完整内容
#加载数据文件
val rdd1= sc.textFile("file:///export/servers/testdata/people.txt").map(_.split(" "))
#定义样例类
case class People(id:Int,name:String,age:Int)
#将rdd与样例类进行关联
val rdd2=rdd1.map(x=>People(x(0).toInt,x(1),x(2).toInt))
#将rdd2转换成DataFrame
val peopleDF=rdd2.toDF
#查看peopleDF中的完整内容
peopleDF.show
1.3.1.3.查看DataFrame部分列内容
peopleDF.select("name").show
peopleDF.select(col("name")).show
peopleDF.select($"name").show
peopleDF.select(peopleDF.col("name")).show
1.3.1.4.查看DataFrame部分列内容,在列上执行操作
peopleDF.select("name","age").show
peopleDF.select(col("name"),col("age")).show
#取出年龄列数据,并且执行+1操作
peopleDF.select(col("name"),col("age"),col("age")+1).show
1.3.1.5查看DataFrame满足条件的内容
#查看年龄大于等于30的用户
peopleDF.filter(col("age")>=30).show
1.3.1.6.执行统计操作
#统计用户记录数
peopleDF.count
1.3.1.7.执行分组统计操作
#按照年龄列进行分组统计
peopleDF.groupBy("age").count.show
1.3.1.8.打印DataFrame的schema信息
peopleDF.printSchema
1.3.2.SQL风格语法
说明:DataFrame的一个强大之处就是我们可以将它看作是一个关系型数据表,可以通过在程序中使用spark.sql() 来执行SQL语句查询,结果返回一个DataFrame。
使用SQL风格的语法,需要将DataFrame注册成表,采用如下的方式:
DataFrame.registerTempTable("表名称")
1.3.2.1.将DataFrame注册成表
peopleDF.registerTempTable("t_people")
1.3.2.2.查询年龄最大的前两名
spark.sql("select * from t_people order by age desc limit 2").show
1.3.2.3.查询年龄大于30的人信息
spark.sql("select * from t_people where age>30").show
1.3.2.4.显示表的schema信息
spark.sql("desc t_people").show
1.4.DataSet
1.4.1.什么是DataSet
DataSet是分布式的数据集合,提供了强类型支持,是在RDD的每行数据加了类型约束。DataSet是在spark1.6中添加的新的接口,它集中了RDD的优点和spark sql优化的执行引擎。
DataSet包含了DataFrame的功能,DataFrame表示为DataSet[Row],即DataSet的子集。在spark2.0中两者已经统一。
1.4.2.RDD、DataFrame、DataSet区别
RDD:
DataFrame:
DataSet:
**细节:**DataSet融合了RDD和DataFrame两者的优点。
- DataSet中,数据有类型信息(DataFrame的优点)
- DataSet会在编译时检查类型(RDD的优点)
- DataSet是面向对象编程的接口(RDD的优点)
1.4.3.DataFrame与DataSet转换
1.4.3.1.DataFrame转换为DataSet
DataFrame.as[ElementType]
1.4.3.2.DataSet转换为DataFrame
DataSet.toDF()
1.4.4.创建DataSet
1.4.4.1.DataFrame转换生成DataSet
#加载数据文件
val df1= spark.read.json("file:///export/servers/spark-2.0.2-bin-hadoop2.7/examples/src/main/resources/people.json")
#定义样例类
case class Person(age:BigInt,name:String)
#通过as[类型]转换成DataSet
val ds1=df1.as[Person]
1.4.4.2.通过toDS方法生成DataSet
#定义样例类
case class Person(id:Long,name:String,age:Long)
#定义集合数据
val data=List(Person(1,"zhangsan",18),Person(2,"lisi",28))
#通过toDs方法转换成DataSet
val ds2=data.toDS
1.4.4.3.spark.createDataSet方法创建DataSet
#从已经存在的scala集合中构建DataSet
val ds3=spark.createDataset(1 to 5)
#从已经存在的rdd构建DataSet
val rdd4=sc.textFile("file:///export/servers/testdata/people.txt")
val ds4=spark.createDataset(rdd4)
2.编程方式执行spark sql查询
2.1.编写spark sql程序将RDD转换成DataFrame
2.1.1.通过反射推断schema方式
scala支持使用case class类型导入RDD转换为DataFrame,通过case class创建schema,case class的参数名称会被利用反射机制作为列名。这种RDD可以高效的转换为DataFrame并注册为表。
2.1.1.1.创建项目
2.1.1.2.导入依赖
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>cn.liny</groupId>
<artifactId>spark-teach-day06-01project</artifactId>
<version>1.0-SNAPSHOT</version>
<packaging>jar</packaging>
<properties>
<scala.version>2.11.8</scala.version>
<spark.version>2.0.2</spark.version>
</properties>
<!--配置依赖-->
<dependencies>
<!--scala依赖-->
<dependency>
<groupId>org.scala-lang</groupId>