Spark SQL的基本架构与DataFrame概述

一、Spark SQL的基本概念

1，Spark SQL的组成

Spark SQL是Spark的一个结构化数据处理模块，提供一个DataFrame编程抽象，可以看做是一个分布式SQL查询引擎。
Spark SQL主要由Catalyst优化、Spark SQL内核、Hive支持三部分组成。
（1）Catalyst优化
处理查询语句的整个过程，包括解析、绑定、优化、物理计划等，主要由关系代数（relation algebra）、表达式（expression）以及查询优化（query optimization）组成。
（2）Spark SQL内核
处理数据的输入输出，从不同的数据源（结构化数据Parquet文件和JSON文件、Hive表、外部数据库、现有的RDD）获取数据，执行查询（execution of queries），并将查询结果输出成DataFrame。
（3）Hive支持
是指对Hive数据的处理，主要包括HiveQL、MetaStore、SerDes、UDFS等。

2，Spark SQL

Spark SQL的发展，和大数据的发展一样，经历了离线计算、准实时计算、实时计算三个阶段。
（1）离线计算阶段，在大数据发展初期，通过MapReduce模型编写程序直接进行数据查询，解决了海量数据处理问题，编程模型比较简单，可以和Java无缝对接，同时通过Streaming支持C++等多语言编程，产生了划时代的影响；随着数据量的增加和对实时性的要求，基于离线数据计算的输入输出受到磁盘I/O和网络速度的限制，效率成为离散计算的瓶颈。
（2）准实时计算阶段，为了提升编程和查询效率，发展了Hive数据仓库。Hive数据仓库基于HDFS存储构建，并允许使用类似于SQL的语法HiveQL进行数据查询，简化了MapReduce编程，在一定程度上提升了效率，但是并没有彻底解决效率问题。Hive的局限性，促进了Shark的产生。为了进一步提升效率，伯克利实验室使用Shark对Hive进行了改造，替换了Hive的物理引擎，速度得到提升。Shark是Spark生态环境的组件之一，它修改了内存管理、物理计划、执行三个模块，并使之能运行在Spark引擎上，使SQL查询的速度得到10~100倍的提升。然而不容忽视的是，Shark集成了大量的Hive代码，给优化和维护带来了很多麻烦。Shark对于Hive的太多依赖（如采用Hive的语法解析器、查询优化器等）制约了Spark各个组件的相互集成。随着性能优化和分析整合的进一步加深，基于MapReduce设计的部分无疑成为实时计算的瓶颈。
（3）实时计算阶段，为了更好地发展，给用户提供更好的体验，Spark SQL抛弃原有Shark的代码，汲取了Shark的优点，重新进行了开发；Spark SQL直接基于Spark架构进行实现，效率比Shark有所提升。Spark SQL作为新的SQL引擎，基于Catalyst的优化引擎可以直接对Spark内核进行优化处理。Spark SQL整合各种数据源，包括Parquet、JSON、NoSQL数据库和传统关系型数据库，程序在内存中的运行速度是Hadoop MapReduce程序在磁盘上运行速度的100倍。

3，Spark SQL架构

Spark SQL对SQL语句的处理和关系型数据库SQL处理类似，将SQL语句解析成一棵树（tree），然后通过规则（rule）的模式匹配，对树进行绑定、优化等，得到查询结果。
Tree的具体操作是通过TreeNode实现的；Rule是一个抽象类，是通过RuleExecutor完成的，应用于Spark SQL的Analyzer、Optimizer、Spark Planner等组件中，可以简便、模块化地对Tree进行Transform操作。
在整个SQL语句处理过程中，Spark SQL主要依赖了Catalyst这个新的查询优化框架，把SQL解析成逻辑计划之后，Tree和Rule相互配合，利用Catalyst包里的一些类和接口，完成了解析（Analysis）、绑定、优化等过程，最终生成可以执行的物理计划，最后变成DataFrame的计算。

Spark SQL的执行过程：

其中树节点（TreeNodes）是指Scala Case类的变换树（transforming trees）；SQL解析器（SQL parser）完成SQL语句的语法解析功能，将SQL语句解析成一棵Unresolved逻辑计划树；规则（rules）针对树进行分析、优化。
在Spark SQL的运行架构中，逻辑计划（logical plan）贯穿了大部分过程，其中，Catalyst的SqlParser、Analyzer、Optimizer都要对逻辑计划进行操作；最终形成可执行的物理计划（physical plan）。
sqlContext是使用sqlContext.sql（sqlText）提交用户的查询语句，调用DataFrame（this，parseSql（sqlText））对SQL语句进行处理，执行流程如下：
（1）使用SqlParser对SQL语句进行解析，生成Unresolved逻辑计划（没有提取Schema信息）；
（2）使用Catalyst分析器，结合数据字典（catalog）进行绑定，生成Analyzed逻辑计划，在此过程中，Schema Catalog则要提取Schema信息；
（3）使用Catalyst优化器对Analyzed逻辑计划进行优化，按照优化规则得到Optimized逻辑计划。
（4）接下来需要和Spark Planner进行交互，使用策略（strategy）到plan，使用Spark Planner将逻辑计划转换成物理计划，然后调取next函数，生成可执行物理计划。
（5）调用toDF，最后生成DataFrame。

4，Spark SQL特点

（1）数据兼容方面：不但兼容Hive，还可以从RDD、Parquet文件、JSON文件中获取数据。可以在Scala代码里访问Hive元数据，执行Hive语句，并且把结果取回作为RDD使用。支持Parquet文件的读写，且保留Schema。
（2）组件扩展方面：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。
（3）性能优化方面：除了采取内存列存储、动态字节码生成等优化技术，还采取了内存缓存数据。
（4）支持多种语言：包括Scala、Java、Python、R等，可以在Scala代码里写SQL，支持简单的SQL语法检查，能把RDD转化为DataFrame存储起来。

5，Spark SQL性能

Spark SQL兼容了Hive的大部分语法和UDF，在处理查询计划时，使用了Catalyst框架进行优化，优化成适合Spark编程模型的执行计划，其效率比Hive高出很多。
（1）内存列式存储。
Spark SQL使用内存列式模式（in-memory columnar format）缓存表，仅扫描需要的列，并且自动调整压缩比使内存使用率和GC压力最小化，如果缓存了数据，则再次执行时不需要重复读取数据。
（2）动态代码生成和字节码生成技术，提升了复杂表达式求值查询的速率。
如下查询：
SELECT a + b FROM table
在这个查询语句中，传统的处理方式，会生成一个表达式树，需要调用虚函数确认Add两边的数据类型，然后分别调用虚函数确认a和b的数据类型，并装箱，最后调用指定数据类型的Add，返回装箱后的计算结果。计算时多次涉及虚函数的调用，虚函数的调用会打断CPU的正常流水线处理，减缓执行速度。

作为Spark SQL优化的一部分，已经实现了新的表达式计算，增加了codegen模块，Spark SQL在执行物理计划时，会对匹配的表达式采用特定的代码动态编译，能够为每个查询动态生成自定义字节码，然后运行。
内存列式存储和动态代码生成仅仅是冰山一角，存储方面还有很多需要提升，包括：改进的Parquet集成，自动查询半结构化数据（如JSON），通过JDBC访问Spark SQL等。针对Scala代码优化，当Java虚拟机（VM）发现内存资源紧张时，就会自动地清理无用对象（没有被引用到的对象）所占用的内存空间。在执行过程中，支持多种数据源，统一转化为DataFrames进行操作等。

二、DataFrame概述

1，DataFrame的概念

Spark SQL所使用的数据抽象并非RDD，而是DataFrame。DataFrame的推出，让Spark具备了处理大规模结构化数据的能力，它不仅比原有的RDD转化方式更加简单易用，而且获得了更高的计算性能。Spark能够轻松实现从MySQL到DataFrame的转化，并且支持SQL查询。RDD是分布式的Java对象的集合，但是，对象内部结构对于RDD而言却是不可知的。
DataFrame是一种以RDD为基础的分布式数据集，提供了详细的结构信息，就相当于关系数据库的一张表。DataFrame是以指定列（named columns）组织的分布式数据集合，在Spark SQL中，相当于关系数据库的一个表，或R/Python的一个data frame。DataFrame支持多种数据源构建，包括：结构化数据文件（Parquet、JSON）加载、Hive表读取、外部数据库读取、现有RDDs转化，以及通过SQLContext运行SQL查询结果。

2，DataFrame和RDD的区别

在Spark中，DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库中的二维表格，DataFrame带有Schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型。

DataFrame使得Spark SQL得以洞察更多的结构信息，从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化，最终达到大幅度提升运行时效率的目标。而RDD，由于无从得知所存数据元素的具体内部结构，Spark Core只能在Stage层面进行简单、通用的流水线优化。
正如RDD的各种变换实际上只是在构造RDD DAG，DataFrame的各种变换同样也是惰性的。它们并不直接求出计算结果，而是将各种变换组装成与RDD DAG类似的逻辑查询计划，经过优化的逻辑执行计划被翻译为物理执行计划，并最终落实为RDD DAG。

3，创建DataFrame

（1）示例数据

people.txt，每行数据的组成方式是字符串、逗号、整数。

Michael, 29
Andy, 30
Justin, 19

people.json文件可以发现，里面放置的是一个有键值对（key：value）组成的JSON字符串，字符串和字符串之间被逗号隔开。

{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}

（2）创建DataFrame

使用sqlContext.read函数从JSON文件中创建一个DataFrame，并通过Show（DataFrame的Action操作）显示数据。

val sc: SparkContext // spark-shell默认SparkContext
scala> val sqlContext = new org.apache.spark.sql.SQLContext(sc)
// 创建DataFrame，变量$SparkHome指Spark的安装目录
scala> val df = sqlContext.read.json("file:// $SparkHome/examples/src/main/resources/people.json")
// Displays the content of the DataFrame to stdout
scala> df.show()
+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+

4，DataFrame操作

DataFrame操作分为Action、基础DataFrame函数（basic DataFrame functions）、集成语言查询（language lntegrated queries）、Output操作、RDD操作和Ungrouped等几类，具体可参考org.apache.spark.sql.DataFrame的API。

（1）DataFrameAction

常用的DataFrame的Action操作包括collect、count、first、head、show、take等.

（2）基础DataFrame函数

基础DataFrame函数包括cache、columns、dtypes、explain、persist等.

（3）集成语言查询

集成语言查询，参考SQL语句，如distinct、filter、groupBy、select、sort、where等.

（4）输出操作和RDD操作

DataFrame采用write保存DataFrame内容到外部存储。
DataFrame本质上是一个拥有多个分区的RDD，支持一些RDD操作，包括：coalesce、flatMap、foreach、foreachPartition、javaRDD、map、mapPartitions、repartition、toJSON、toJavaRDD等。

（5）DataFrame执行后端优化

DataFrame可以说是整个Spark项目最核心的部分，在1.5版本这个开发周期内最大的变化就是Tungsten项目的第一阶段已经完成。主要的变化是由Spark自己来管理内存而不是使用JVM，这样可以避免JVM GC带来的性能损失。内存中的Java对象被存储成Spark自己的二进制格式，计算直接发生在二进制格式上，省去了序列化和反序列化时间。同时这种格式也更加紧凑，节省内存空间，而且能更好地估计数据量大小和内存使用情况。
如果想自己测试Tungsten第一阶段的性能，在1.5版本中spark.sql.tungsten.enabled默认为true，只需要修改这一个参数就可以配置是否开启Tungsten优化（默认是开启的）。

5，RDD转化为DataFrame

Spark SQL支持两种不同的方法将现有的RDD转化为DataFrame。
第一种方法使用反射机制来推断一个包含特定类型对象的RDD模式（schema），如果提前知道Spark应用程序的Schema，基于这种反射方式让代码变得更简洁。Spark SQL反射机制的核心思想是通过支持特定的RDD自动转换为DataFrame。
第二种方法是通过一个编程接口，允许构建一个Schema，然后应用到现有的RDD，这种基于编程接口的方法，允许在运行之前，列名及列类型未知时构建DataFrame。

（1）以反射机制推断RDD模式

Spark SQL的Scala接口支持自动转换一个包含case类的RDD为一个DataFrame。case类定义了表的Schema，使用反射读取case类的参数名为列名，case类也可以是嵌套的或包含复杂类型，如序列或数组。RDD可以隐式转换成一个DataFrame，并注册成一个表，表可以用于后续的SQL查询语句。
SQLContext的sql函数使应用程序运行SQL查询并返回结果DataFrame，只有存在case类时，会自动发生隐式转换，map操作的结果才能变成一个DataFrame。

转换过程有三个重点：
1）必须创建case类，只有case类才能隐式转换为DataFrame。
2）必须生成DataFrame，进行注册临时表操作。
3）必须在内存中register成临时表，才能供查询使用。

// 通过SparkContext创建SqlContext，并进行实例化
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
// 将一个RDD隐式转换为一个
DataFrameimport sqlContext.implicits._
// 使用case定义Schema（不能超过22个属性）,实现Person接口
case class Person(name: String, age: Int)
// 读取文件创建一个MappedRDD，并将数据写入Person模式类，隐式转换为DataFrame, 注册作为
// 临时表，供查询使用。$SPARK_HOME指Spark文件目录，使用“file:// ...”标识的本地文件，
// 使用“hdfs:// ...”标识的HDFS存储系统的文件。
val people = sc.textFile("file:///$SPARK_HOME/examples/src/main/resources/people. txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()
// DataFrame注册临时表
people.registerTempTable("peopletable")
// 使用sql运行SQL表达式val 
result = sqlContext.sql("SELECT name, age FROM peopletable WHERE age >= 13 AND age <= 19")
// SQL 查询结果是DataFrames，通过索引和字段名访问，并进行RDD操作
result.map(t=>"Name:"+t(0)).collect().foreach(println)
result.map(t=>"Name:"+t.getAs[String]("name")).collect().foreach(println)

（2）以编程方式定义RDD模式

当匹配模式（Java的JavaBean类，Python的kwargs字典）不能被提前定义时（例如，记录结构被编码成一个字符串，或将要被解析的文本数据集，将为不同用户分别设计的属性）.

一个DataFrame可以编程方式创建，主要有三个步骤：
1）从原始RDD中创建一个RowS的RDD。
2）创建一个表示为StructType类型的Schema，匹配在第1步创建的RDD的RowS的结构。
3）通过SQLContext提供的createDataFrame方法，应用Schema到RowS的RDD。

// 通过SparkContext创建了SqlContext，并进行实例化
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
// Create an RDD
val people = sc.textFile("file:///$SPARK_HOME/examples/src/main/resources/people.txt")
// The schema is encoded in a string
val schemaString = "name age"
// 导入Spark SQL 的Row 和data types
import org.apache.spark.sql.Row;
import org.apache.spark.sql.types.{StructType,StructField,StringType};
// 生成基于schemaString结构的schema
val schema =StructType(    
	schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, true)))
// Convert records of the RDD (people) to Rows.
val rowRDD = people.map(_.split(",")).map(p => Row(p(0), p(1).trim))
// 将自定义schema应用于RDD
val peopleDF = sqlContext.createDataFrame(rowRDD, schema)
// 注册为临时表people
peopleDF.registerTempTable("peopletable")
// 使用sql运行SQL表达式
val result = sqlContext.sql("SELECT name FROM peopletable")
result.map(t => "Name: " +t(0)).collect().foreach(println)

文章来源：《Spark核心技术与高级应用》 作者：于俊；向海；代其锋；马海平

文章内容仅供学习交流，如有侵犯，联系删除哦！