大数据-SparkSQL(一)
目录
Shark是专门针对于spark的构建大规模数据仓库系统的一个框架。Shark与Hive兼容、同时也依赖于Spark版本,Hivesql底层把sql解析成了mapreduce程序,Shark是把sql语句解析成了Spark任务;随着性能优化的上限,以及集成SQL的一些复杂的分析功能,发现Hive的MapReduce思想限制了Shark的发展。最后Databricks公司终止对Shark的开发决定单独开发一个框架,不在依赖hive,把重点转移到了sparksql框架上。
SparkSQL 基本概念
SparkSQL是apache Spark用来处理结构化数据的一个模块。
SparkSQL 四大特性
易整合
统一的数据源访问
兼容hive
支持标准的数据库连接
DataFrame 概述
DataFrame发展
DataFrame前身是schemaRDD,这个schemaRDD是直接继承自RDD,它是RDD的一个实现类。在spark1.3.0之后把schemaRDD改名为DataFrame,它不在继承自RDD,而是自己实现RDD上的一些功能。也可以把dataFrame转换成一个rdd,调用rdd这个方法。例如 val rdd1=dataFrame.rdd
DataFrame是什么
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可以从很多数据源构建,比如:已经存在的RDD、结构化文件、外部数据库、Hive表。
RDD可以把它内部元素看成是一个java对象,DataFrame可以把内部是一个Row对象,它表示一行一行的数据。
可以把DataFrame理解为 RDD+schema元信息,DataFrame相比于rdd来说,多了对数据的描述信息(schema元信息)。
DataFrame和RDD的优缺点
RDD
- 优点:
- 编译时类型安全,开发会进行类型检查,在编译的时候及时发现错误
- 具有面向对象编程的风格
- 缺点:
- 构建大量的java对象占用了大量heap堆空间,导致频繁的GC。
- 数据的序列化和反序列性能开销很大。
DataFrame
DataFrame引入了schema元信息和off-heap(堆外)
- 优点:
- DataFrame引入off-heap,大量的对象构建直接使用操作系统层面上的内存,不在使用heap堆中的内存,这样一来heap堆中的内存空间就比较充足,不会导致频繁GC,程序的运行效率比较高,它是解决了RDD构建大量的java对象占用了大量heap堆空间,导致频繁的GC这个缺点。
- DataFrame引入了schema元信息---就是数据结构的描述信息,后期spark程序中的大量对象在进行网络传输的时候,只需要把数据的内容本身进行序列化就可以,数据结构信息可以省略掉。这样一来数据网络传输的数据量是有所减少,数据的序列化和反序列性能开销就不是很大了。它是解决了RDD数据的序列化和反序列性能开销很大这个缺点。
- 缺点:
DataFrame引入了schema元信息和off-heap(堆外)它是分别解决了RDD的缺点,同时它也丢失了RDD的优点。
- 编译时类型不安全,编译时不会进行类型的检查,这里也就意味着前期是无法在编译的时候发现错误,只有在运行的时候才会发现。
- 不在具有面向对象编程的风格。
读取文件构建 DataFrame
读取文本文件创建DataFrame
第一种方式
val personDF=spark.read.text("/person.txt")
//org.apache.spark.sql.DataFrame = [value: string]
//打印schema信息
personDF.printSchema
//展示数据
personDF.show
第二种方式
//加载数据
val rdd1=sc.textFile("/person.txt").map(x=>x.split(" "))
//定义一个样例类
case class Person(id:String,name:String,age:Int)
//把rdd与样例类进行关联
val personRDD=rdd1.map(x=>Person(x(0),x(1),x(2).toInt))
//把rdd转换成DataFrame
val personDF=personRDD.toDF
//打印schema信息
personDF.printSchema
//展示数据
personDF.show
读取json文件创建DataFrame
val peopleDF=spark.read.json("/people.json")
//打印schema信息
peopleDF.printSchema
//展示数据
peopleDF.show
读取parquet文件创建DataFrame
val usersDF=spark.read.parquet("/users.parquet")
//打印schema信息
usersDF.printSchema
//展示数据
usersDF.show
DataFrame 常用操作
DSL风格语法:
就是sparksql中的DataFrame自身提供了一套自己的Api,可以去使用这套api来做相应的处理。
//加载数据
val rdd1=sc.textFile("/person.txt").map(x=>x.split(" "))
//定义一个样例类
case class Person(id:String,name:String,age:Int)
//把rdd与样例类进行关联
val personRDD=rdd1.map(x=>Person(x(0),x(1),x(2).toInt))
//把rdd转换成DataFrame
val personDF=personRDD.toDF
//打印schema信息
personDF.printSchema
//展示数据
personDF.show
//查询指定的字段
personDF.select("name").show
personDF.select($"name").show
personDF.select(col("name").show
//实现age+1
personDF.select($"name",$"age",$"age"+1)).show
//实现age大于30过滤
personDF.filter($"age" > 30).show
//按照age分组统计次数
personDF.groupBy("age").count.show
//按照age分组统计次数降序
personDF.groupBy("age").count().sort($"count".desc)show
SQL风格语法:
可以把DataFrame注册成一张表,然后通过sparkSession.sql(sql语句)操作。
//DataFrame注册成表
personDF.createTempView("person")
//使用SparkSession调用sql方法统计查询
spark.sql("select * from person").show
spark.sql("select name from person").show
spark.sql("select name,age from person").show
spark.sql("select * from person where age >30").show
spark.sql("select count(*) from person where age >30").show
spark.sql("select age,count(*) from person group by age").show
spark.sql("select age,count(*) as count from person group by age").show
spark.sql("select * from person order by age desc").show
此博文仅供学习参考,如有错误欢迎指正。
上一篇《大数据-Spark(八)》
下一篇《大数据-SparkSQL(二)》
希望对大数据相关技术感兴趣的友友们关注一下,大家可以一起交流学习哦~