文章目录
一、sparksql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叫做DataFrame
并且作为分布式SQL查询引擎的作用。
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,使对结构化数据的操作更加高效和方便
。
Hive,是将Hive SQL转换成MapReduce然后提交到集群中去执行,大大简化了编写MapReduce程序的复杂性,由于MapReduce这种计算模型执行效率比较慢,所以Spark SQL应运而生,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!
二、sparksql四大特性
易整合
- 将sql查询与spark程序无缝混合,可以使用java、scala、python、R等语言的API操作
统一的数据源访问
- sparksql以相同方式访问任意数据源
- SparkSession.read.文件格式方法(对应文件格式的路径)
兼容hive
- 支持hivesql的语法
标准的数据连接
- 可以使用行业的jdbc和odbc来连接数据库
三、DataFrame简介
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,但底层做了更多的优化.
DataFrame与RDD的区别
-
rdd里面存放的是java对象,dataframe来说它里面存放的是Row对象,Row也就是说把每一行数据封装在一个Row对象
-
dataframe中除了数据之外,还包括了数据结构信息,这个结构信息,我们叫做schema(比如当前它有哪些列名称和列的类型)
-
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与RDD的优缺点
1、rdd优缺点
- 优点
1、编译时类型安全
2、面向对象编程的风格 - 缺点
1、序列化和反序列化性能开销很多
2、GC性能开销:频繁的创建对象和销毁,会带来大量的GC
2、dataFrame的优缺点
dataFrame它引入schema和off-heap(使用不在jvm堆以内的内存,直接使用操作系统中的内存)
- 优点
1. 引入了schema解决了rdd的这个缺点(序列化和反序列化性能开销很多)
2. 引入了off-heap解决了rdd的这个缺点(GC性能开销很大) - 缺点
- 丢失了RDD的优点
- 不在是编译时类型安全
- 也不是面向对象编程风格
读取数据源创建DataFrame
读取文本文件创建DataFrame
(1)在本地创建一个文件,有三列,分别是id、name、age,用空格分隔,然后上传到hdfs上。person.txt内容为:
1 zhangsan 20
2 lisi 29
3 wangwu 25
4 zhaoliu 30
5 tianqi 35
6 kobe 40
上传数据文件到HDFS上:
hdfs dfs -put person.txt /
(2)在spark shell执行下面命令,读取数据,将每一行的数据使用列分隔符分割
先执行 spark-shell --master local[2]
val lineRDD= sc.textFile("/person.txt").map(_.split(" "))
(3)定义case class(相当于表的schema)
case class Person(id:Int, name:String, age:Int)
(4)将RDD和case class关联
val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
(5)将RDD转换成DataFrame
val personDF = personRDD.toDF
(6)对DataFrame进行处理
personDF.show
personDF.printSchema
(7)、通过SparkSession
构建DataFrame
使用spark-shell中已经初始化好的SparkSession对象spark生成DataFrame
val dataFrame=spark.read.text("/person.txt")
读取json文件创建DataFrame
(1)数据文件
使用spark安装包下的
/opt/bigdata/spark/examples/src/main/resources/people.json
文件
(2)在spark shell执行下面命令,读取数据
val jsonDF= spark.read.json("file:///opt/bigdata/spark/examples/src/main/resources/people.json")
(3)接下来就可以使用DataFrame的函数操作
四、DataFrame常用操作
DSL风格语法
DataFrame提供了一个领域特定语言(DSL)来操作结构化数据。
//创建rdd
val rdd1=sc.textFile("/person.txt").map(_.split(" "))
//定义样例类
case class Person(id:Int,name:String,age:Int)
//rdd于样例类关联
val rdd2=rdd1.map(x => Person(x(0).toInt,x(1),x(2).toInt))
//rdd转换成dataFrame
val personDF=rdd2.toDF
//打印schema
personDF.printSchema
//查询数据
personDF.show
//查询name字段
personDF.select("name").show
personDF.select($"name").show
personDF.select(col("name").show
//实现age字段结果加1
personDF.select($"name",$"age",$"age"+1).show
//查询age大于30的用户信息
personDF.filter($"age" >30).show
//查询age大于30的用户人数
personDF.filter($"age" >30).count
//按照age进行分组统计不同的age出现的人的次数
presonDF.groupBy("age").count.show
SQL风格语法
可以把DataFrame看成是一张关系型数据表
- 需要把dataFrame注册成一张表
presonDF.registerTempTable("t_person")
- 通过SparkSession调用sql方法,传入对应sql语句
spark.sql(sql语句)
spark.sql("select * from t_person").show
spark.sql("select * from t_person where id=1").show
spark.sql("select * from t_person order by age desc").show
六、DataSet
DataSet是分布式的数据集合,Dataset提供了强类型支持,也是在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(强类型和可以用强大lambda函数)以及使用了Spark SQL优化的执行引擎.
DataFrame、DataSet、RDD的区别
假设RDD中的两行数据长这样: