Spark计算引擎之SparkSQL详解

爱吃鱼的俊懒猫 2021-07-01

展开全文

一、Spark SQL

二、 Spark SQL

1． Spark SQL概述

1.1． Spark SQL的前世今生

Shark是一个为Spark设计的大规模数据仓库系统，它与Hive兼容。Shark建立在Hive的代码基础上，并通过将Hive的部分物理执行计划交换出来。这个方法使得Shark的用户可以加速Hive的查询，但是Shark继承了Hive的大且复杂的代码使得Shark很难优化和维护，同时Shark依赖于Spark的版本。随着我们遇到了性能优化的上限，以及集成SQL的一些复杂的分析功能，我们发现Hive的MapReduce设计的框架限制了Shark的发展。在2014年7月1日的Spark Summit上，Databricks宣布终止对Shark的开发，将重点放到Spark SQL上。

1.2．什么是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。

有多种方式去使用Spark SQL，包括SQL、DataFrames API和Datasets API。但无论是哪种API或者是编程语言，它们都是基于同样的执行引擎，因此你可以在不同的API之间随意切换，它们各有各的特点，看你喜欢那种风格。

1.3．为什么要学习Spark SQL

我们已经学习了Hive，它是将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！

1.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。

2.统一的数据访问

以相同的方式连接到任何数据源。

3.兼容Hive

支持hiveSQL的语法。

4.标准的数据连接

可以使用行业标准的JDBC或ODBC连接。

2． DataFrame

2.1．什么是DataFrame

DataFrame的前身是SchemaRDD，从Spark 1.3.0开始SchemaRDD更名为DataFrame。与SchemaRDD的主要区别是：DataFrame不再直接继承自RDD，而是自己实现了RDD的绝大多数功能。你仍旧可以在DataFrame上调用rdd方法将其转换为一个RDD。

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。

2.2． DataFrame与RDD的区别

RDD可看作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可看作是分布式的Row对象的集合，其提供了由列组成的详细模式信息，使得Spark SQL可以进行某些形式的执行优化。DataFrame和普通的RDD的逻辑框架区别如下所示：

上图直观地体现了DataFrame和RDD的区别。

左侧的RDD[Person]虽然以Person为类型参数，但Spark框架本身不了解 Person类的内部结构。

而右侧的DataFrame却提供了详细的结构信息，使得Spark SQL可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么。DataFrame多了数据的结构信息，即schema。这样看起来就像一张表了，DataFrame还配套了新的操作数据的方法，DataFrame API（如df.select())和SQL(select id, name from xx_table where ...)。

此外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）。Spark能够以二进制的形式序列化数据(不包括结构)到off-heap中, 当要操作数据时, 就直接操作off-heap内存. 由于Spark理解schema, 所以知道该如何操作。

RDD是分布式的Java对象的集合。DataFrame是分布式的Row对象的集合。DataFrame除了提供了比RDD更丰富的算子以外，更重要的特点是提升执行效率、减少数据读取以及执行计划的优化。

有了DataFrame这个高一层的抽象后，我们处理数据更加简单了，甚至可以用SQL来处理数据了，对开发者来说，易用性有了很大的提升。

不仅如此，通过DataFrame API或SQL处理数据，会自动经过Spark 优化器（Catalyst）的优化，即使你写的程序或SQL不高效，也可以运行的很快。

2.3． DataFrame与RDD的优缺点

RDD的优缺点：

优点:

（1）编译时类型安全

编译时就能检查出类型错误

（2）面向对象的编程风格

直接通过对象调用方法的形式来操作数据

缺点:

（1）序列化和反序列化的性能开销

无论是集群间的通信, 还是IO操作都需要对对象的结构和数据进行序列化和反序列化。

（2）GC的性能开销

频繁的创建和销毁对象, 势必会增加GC

DataFrame通过引入schema和off-heap（不在堆里面的内存，指的是除了不在堆的内存，使用操作系统上的内存），解决了RDD的缺点, Spark通过schame就能够读懂数据, 因此在通信和IO时就只需要序列化和反序列化数据, 而结构的部分就可以省略了；通过off-heap引入，可以快速的操作数据，避免大量的GC。但是却丢了RDD的优点，DataFrame不是类型安全的, API也不是面向对象风格的。

2.4．读取数据源创建DataFrame

2.4.1 读取文本文件创建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。

（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")

2.4.2 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

2.4.3 读取parquet列式存储格式文件创建DataFrame

（3）数据文件

使用spark安装包下的

/opt/bigdata/spark/examples/src/main/resources/users.parquet文件

（2）在spark shell执行下面命令，读取数据

val parquetDF=spark.read.parquet("file:///opt/bigdata/spark/examples/src/main/resources/users.parquet")

（3）接下来就可以使用DataFrame的函数操作

3.DataFrame常用操作

3.1. DSL风格语法

DataFrame提供了一个领域特定语言(DSL)以方便操作结构化数据。下面是一些使用示例

（1）查看DataFrame中的内容，通过调用show方法

personDF.show

（2）查看DataFrame部分列中的内容

查看name字段的数据

personDF.select(personDF.col("name")).show

查看name字段的另一种写法

查看 name 和age字段数据personDF.select(col("name"), col("age")).show

（3）打印DataFrame的Schema信息

personDF.printSchema

（4）查询所有的name和age，并将age+1

personDF.select(col("id"), col("name"), col("age") + 1).show

也可以这样：

personDF.select(personDF("id"), personDF("name"), personDF("age") + 1).show

（5）过滤age大于等于25的，使用filter方法过滤

personDF.filter(col("age") >= 25).show

（6）统计年龄大于30的人数

personDF.filter(col("age")>30).count()

（7）按年龄进行分组并统计相同年龄的人数

personDF.groupBy("age").count().show

3.2. SQL风格语法

　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，然后可以通过在程序中使用spark.sql() 来执行SQL查询，结果将作为一个DataFrame返回。

如果想使用SQL风格的语法，需要将DataFrame注册成表,采用如下的方式：

personDF.registerTempTable("t_person")

（1）查询年龄最大的前两名

spark.sql("select * from t_person order by age desc limit 2").show

（2）显示表的Schema信息

spark.sql("desc t_person").show

（3）查询年龄大于30的人的信息

spark.sql("select * from t_person where age > 30 ").show

4.DataSet

4.1. 什么是DataSet

DataSet是分布式的数据集合。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Spark SQL优化的执行引擎。DataSet可以通过JVM的对象进行构建，可以用函数式的转换（map/flatmap/filter）进行多种操作。

4.2. DataFrame、DataSet、RDD的区别

假设RDD中的两行数据长这样：

那么DataFrame中的数据长这样:

那么Dataset中的数据长这样:

或者长这样（每行数据是个Object）:

DataSet包含了DataFrame的功能，Spark2.0中两者统一，DataFrame表示为DataSet[Row]，即DataSet的子集。

（1）DataSet可以在编译时检查类型

（2）并且是面向对象的编程接口

相比DataFrame，Dataset提供了编译时类型检查，对于分布式程序来讲，提交一次作业太费劲了（要编译、打包、上传、运行），到提交到集群运行时才发现错误，这会浪费大量的时间，这也是引入Dataset的一个重要原因。

4.3. DataFrame与DataSet的互转

DataFrame和DataSet可以相互转化。

（1）DataFrame转为 DataSet

df.as[ElementType]这样可以把DataFrame转化为DataSet。

（2）DataSet转为DataFrame

ds.toDF()这样可以把DataSet转化为DataFrame。

4.4. 创建DataSet

（1）通过spark.createDataset创建

（2）通toDS方法生成DataSet

（3）通过DataFrame转化生成

使用as[]转换为DataSet

更多DataSet操作API地址：

http://spark./docs/2.0.2/api/scala/index.html#org.apache.spark.sql.Dataset

三、以编程方式执行Spark SQL查询

1．编写Spark SQL程序实现RDD转换DataFrame

前面我们学习了如何在Spark Shell中使用SQL完成查询，现在我们来实现在自定义的程序中编写Spark SQL查询程序。

在Spark SQL中有两种方式可以在DataFrame和RDD进行转换，第一种方法是利用反射机制，推导包含某种类型的RDD，通过反射将其转换为指定类型的DataFrame，适用于提前知道RDD的schema。

第二种方法通过编程接口与RDD进行交互获取schema，并动态创建DataFrame，在运行时决定列及其类型。

首先在maven项目的pom.xml中添加Spark SQL的依赖

<groupId>org.apache.spark</groupId>

<artifactId>spark-sql_2.11</artifactId>

</dependency>

1.1．通过反射推断Schema

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的参数名称会被反射读取并成为表的列名。这种RDD可以高效的转换为DataFrame并注册为表。

代码如下：

package cn.itcast.sql

import org.apache.spark.SparkContext

import org.apache.spark.rdd.RDD

import org.apache.spark.sql.{DataFrame, SparkSession}

/**

* RDD转化成DataFrame:利用反射机制

//todo:定义一个样例类Person

case class Person(id:Int,name:String,age:Int) extends Serializable

object InferringSchema {

def main(args: Array[String]): Unit = {

//todo：1、构建sparkSession 指定appName和master的地址

val spark: SparkSession = SparkSession.builder()

.appName("InferringSchema")

.master("local[2]").getOrCreate()

//todo:2、从sparkSession获取sparkContext对象

val sc: SparkContext = spark.sparkContext

sc.setLogLevel("WARN")//设置日志输出级别

//todo:3、加载数据

val dataRDD: RDD[String] = sc.textFile("D:\\person.txt")

//todo:4、切分每一行记录

val lineArrayRDD: RDD[Array[String]] = dataRDD.map(_.split(" "))

//todo:5、将RDD与Person类关联

val personRDD: RDD[Person] = lineArrayRDD.map(x=>Person(x(0).toInt,x(1),x(2).toInt))

//todo:6、创建dataFrame,需要导入隐式转换

import spark.implicits._

val personDF: DataFrame = personRDD.toDF()

//todo-------------------DSL语法操作 start--------------

//1、显示DataFrame的数据，默认显示20行

personDF.show()

//2、显示DataFrame的schema信息

personDF.printSchema()

//3、显示DataFrame记录数

println(personDF.count())

//4、显示DataFrame的所有字段

personDF.columns.foreach(println)

//5、取出DataFrame的第一行记录

println(personDF.head())

//6、显示DataFrame中name字段的所有值

personDF.select("name").show()

//7、过滤出DataFrame中年龄大于30的记录

personDF.filter($"age" > 30).show()

//8、统计DataFrame中年龄大于30的人数

println(personDF.filter($"age">30).count())

//9、统计DataFrame中按照年龄进行分组，求每个组的人数

personDF.groupBy("age").count().show()

//todo-------------------DSL语法操作 end-------------

//todo--------------------SQL操作风格 start-----------

//todo:将DataFrame注册成表

personDF.createOrReplaceTempView("t_person")

//todo:传入sql语句，进行操作

spark.sql("select * from t_person").show()

spark.sql("select * from t_person where name='zhangsan'").show()

spark.sql("select * from t_person order by age desc").show()

//todo--------------------SQL操作风格 end-------------

sc.stop()

}

1.2．通过StructType直接指定Schema

当case class不能提前定义好时，可以通过以下三步通过代码创建DataFrame

（1）将RDD转为包含row对象的RDD

（2）基于structType类型创建schema，与第一步创建的RDD相匹配

（3）通过sparkSession的createDataFrame方法对第一步的RDD应用

schema创建DataFrame

package cn.itcast.sql

import org.apache.spark.SparkContext

import org.apache.spark.rdd.RDD

import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}

import org.apache.spark.sql.{DataFrame, Row, SparkSession}

/**

* RDD转换成DataFrame:通过指定schema构建DataFrame

object SparkSqlSchema {

def main(args: Array[String]): Unit = {

//todo:1、创建SparkSession,指定appName和master

val spark: SparkSession = SparkSession.builder()

.appName("SparkSqlSchema")

.master("local[2]")

.getOrCreate()

//todo:2、获取sparkContext对象

val sc: SparkContext = spark.sparkContext

//todo:3、加载数据

val dataRDD: RDD[String] = sc.textFile("d:\\person.txt")

//todo:4、切分每一行

val dataArrayRDD: RDD[Array[String]] = dataRDD.map(_.split(" "))

//todo:5、加载数据到Row对象中

val personRDD: RDD[Row] = dataArrayRDD.map(x=>Row(x(0).toInt,x(1),x(2).toInt))

//todo:6、创建schema

val schema:StructType= StructType(Seq(

StructField("id", IntegerType, false),

StructField("name", StringType, false),

StructField("age", IntegerType, false)

))

//todo:7、利用personRDD与schema创建DataFrame

val personDF: DataFrame = spark.createDataFrame(personRDD,schema)

//todo:8、DSL操作显示DataFrame的数据结果

personDF.show()

//todo:9、将DataFrame注册成表

personDF.createOrReplaceTempView("t_person")

//todo:10、sql语句操作

spark.sql("select * from t_person").show()

spark.sql("select count(*) from t_person").show()

sc.stop()

}

2．编写Spark SQL程序操作HiveContext

HiveContext是对应spark-hive这个项目,与hive有部分耦合, 支持hql,是SqlContext的子类,也就是说兼容SqlContext;

2.1．添加pom依赖

<groupId>org.apache.spark</groupId>

<artifactId>spark-hive_2.11</artifactId>

</dependency>

2.2．代码实现

package itcast.sql

import org.apache.spark.sql.SparkSession

/**

* todo:支持hive的sql操作

object HiveSupport {

def main(args: Array[String]): Unit = {

val warehouseLocation = "D:\\workSpace_IDEA_NEW\\day2017-10-12\\spark-warehouse"

//todo:1、创建sparkSession

val spark: SparkSession = SparkSession.builder()

.appName("HiveSupport")

.master("local[2]")

.config("spark.sql.warehouse.dir", warehouseLocation)

.enableHiveSupport() //开启支持hive

.getOrCreate()

spark.sparkContext.setLogLevel("WARN") //设置日志输出级别

import spark.implicits._

import spark.sql

//todo:2、操作sql语句

sql("CREATE TABLE IF NOT EXISTS person (id int, name string, age int) row format delimited fields terminated by ' '")

sql("LOAD DATA LOCAL INPATH '/person.txt' INTO TABLE person")

sql("select * from person ").show()

spark.stop()

}

四、数据源

1． JDBC

Spark SQL可以通过JDBC从关系型数据库中读取数据的方式创建DataFrame，通过对DataFrame一系列的计算后，还可以将数据再写回关系型数据库中。

1.1． SparkSql从MySQL中加载数据

1.1.1 通过IDEA编写SparkSql代码

package itcast.sql

import java.util.Properties

import org.apache.spark.sql.{DataFrame, SparkSession}

/**

* todo:Sparksql从mysql中加载数据

object DataFromMysql {

def main(args: Array[String]): Unit = {

//todo:1、创建sparkSession对象

val spark: SparkSession = SparkSession.builder()

.appName("DataFromMysql")

.master("local[2]")

.getOrCreate()

//todo:2、创建Properties对象，设置连接mysql的用户名和密码

val properties: Properties =new Properties()

properties.setProperty("user","root")

properties.setProperty("password","123456")

//todo:3、读取mysql中的数据

val mysqlDF: DataFrame = spark.read.jdbc("jdbc:mysql://192.168.200.150:3306/spark","iplocaltion",properties)

//todo:4、显示mysql中表的数据

mysqlDF.show()

spark.stop()

}

执行查看效果：

1.1.2 通过spark-shell运行

（1）、启动spark-shell(必须指定mysql的连接驱动包)

spark-shell \

--master spark://hdp-node-01:7077 \

--executor-memory 1g \

--total-executor-cores 2 \

--jars /opt/bigdata/hive/lib/mysql-connector-java-5.1.35.jar \

--driver-class-path /opt/bigdata/hive/lib/mysql-connector-java-5.1.35.jar

（2）、从mysql中加载数据

val mysqlDF = spark.read.format("jdbc").options(Map("url" -> "jdbc:mysql://192.168.200.100:3306/spark", "driver" -> "com.mysql.jdbc.Driver", "dbtable" -> "iplocaltion", "user" -> "root", "password" -> "123456")).load()

（3）、执行查询

1.2． SparkSql将数据写入到MySQL中

1.2.1 通过IDEA编写SparkSql代码

（1）编写代码

package itcast.sql

import java.util.Properties

import org.apache.spark.rdd.RDD

import org.apache.spark.sql.{DataFrame, Dataset, SaveMode, SparkSession}

/**

* todo:sparksql写入数据到mysql中

object SparkSqlToMysql {

def main(args: Array[String]): Unit = {