Spark入门实战指南——Spark SQL入门
一、SparkSQL运行架构
Spark SQL对SQL语句的处理，首先会将SQL语句进行解析（Parse），然后形成一个Tree，在后续的如绑定、优化等处理过程都是对Tree的操作，而操作的方法是采用Rule，通过模式匹配，对不同类型的节点采用不同的操作。
二、SparkSQL CLI
2.1 配置并启动
2.1.1 创建并配置hive-site.xml
在运行Spark SQL CLI中需要使用到Hive Metastore，故需要在Spark中添加其uris。具体方法是在SPARK_HOME/conf目录下创建hive-site.xml文件，然后在该配置文件中，添加hive.metastore.uris属性
|
|
2.1.2 启动Hive
在使用Spark SQLCLI之前需要启动Hive Metastore（如果数据存放在HDFS文件系统，还需要启动Hadoop的HDFS），使用如下命令可以使HiveMetastore启动后运行在后台，可以通过jobs查询：
| $nohup hive --service metastore > metastore.log 2>&1 & |
2.1.3 启动Spark集群和Spark SQL CLI
| $cd /app/hadoop/spark-1.1.0 $sbin/start-all.sh $bin/spark-sql --master spark://hadoop1:7077 --executor-memory 1g |
这时就可以使用HQL语句对Hive数据进行查询，另外可以使用COMMAND，如使用set进行设置参数：默认情况下，SparkSQL Shuffle的时候是200个partition，可以使用如下命令修改该参数：
| spark-sql>SET spark.sql.shuffle.partitions=20; |
2.2 实战Spark SQL CLI
2.2.1 设置任务个数
设置任务个数，在这里修改为20个
| spark-sql>SET spark.sql.shuffle.partitions=20; |
2.2.2 运行SQL语句
第一步：应用数据库（注：不要一激动就忘了。否则会报错找不到源文件）
| spark-sql>SET spark.sql.shuffle.partitions=20; |
第二步：运行SQL语句
| spark-sql>select c.theyear,count(distinct a.ordernumber),sum(b.amount) from tbStock a join tbStockDetail b on a.ordernumber=b.ordernumber join tbDate c on a.dateid=c.dateid group by c.theyear order by c.theyear; |
2.2.3 查看运行结果
（小技巧：在编写SQL语句时，先列出问题中所涉及的所有名词SELECT，之后根据逻辑关系写GROUP（①select出现的②聚合函数））
三、Spark Thrift Server
3.1 简介
Ø ThriftServer是一个JDBC/ODBC接口
用户可以通过JDBC/ODBC连接ThriftServer来访问SparkSQL的数据
Ø 不同的用户之间可以共享数据
ThriftServer会启动了一个SparkSQL的应用程序
而通过JDBC/ODBC连接进来的客户端共同分享这个SparkSQL应用程序的资源
Ø ThriftServer还开启一个侦听器
等待JDBC客户端的连接和提交查询。
3.2 配置并启动
3.2.1 创建并配置hive-site.xml
（如果Spark SQL CLI已创建可追加）SPARK_HOME/conf目录下
设置hadoop1为Metastore服务器，hadoop2为Thrift Server服务器，配置内容如下：
|
|
3.2.2 启动Hive
在hadoopadmin节点中，在后台启动Hive Metastore（如果数据存放在HDFS文件系统，还需要启动Hadoop的HDFS）：
| $nohup hive --service metastore > metastore.log 2>&1 & |
3.2.3 启动Spark集群和Thrift Server
第一步：在hadoop1节点启动Spark集群
| SPARK_HOME/sbin]$./start-all.sh |
第二步：在hadoop2节点上进入SPARK_HOME/sbin目录，使用如下命令启动Thrift Server
| SPARK_HOME/sbin]$ ./start-thriftserver.sh --master spark://hadoop1:7077 --executor-memory 1g |
3.3 实战Spark Thrift Server
3.3.1 远程客户端连接
可以在任意节点启动bin/beeline，用!connect jdbc:hive2://hadoop2:10000连接ThriftServer，因为没有采用权限管理，所以用户名用运行bin/beeline的用户hadoop，密码为空：
| $cd /app/hadoop/spark-1.1.0/bin $./beeline beeline>!connect jdbc:hive2://hadoop2:10000 |
3.3.2 缓存表数据
第一步：缓存数据
| beeline>cache table tbStock; beeline>select count(*) from tbStock; |
第二步：运行程序
| beeline>select count(*) from tbStock;; |
第三步：在另外节点再次运行
在hadoop3节点启动bin/beeline，用!connectjdbc:hive2://hadoop2:10000连接ThriftServer，然后直接运行对tbStock计数（注意没有进行数据库的切换）：
| beeline>select count(*) from tbStock;; |
查看UI中的stage：Locality Level是PROCESS，显然是使用了缓存表。
结论：
从上可以看出，ThriftServer可以连接多个JDBC/ODBC客户端，并相互之间可以共享数据。顺便提一句，ThriftServer启动后处于监听状态，
用户可以使用ctrl+c退出ThriftServer；
而beeline的退出使用!q命令。
3.3.3 在IDEA中JDBC访问
有了ThriftServer，开发人员可以非常方便的使用JDBC/ODBC来访问SparkSQL。下面是一个scala代码，查询表tbStockDetail，返回amount>3000的单据号和交易金额：
第一步：在IDEA创建class6包和类JDBCofSparkSQL
在IDEA中创建class6包并新建类JDBCofSparkSQL。该类中查询tbStockDetail金额大于3000的订单：
| package class6 import java.sql.DriverManager
object JDBCofSparkSQL { def main(args: Array[String]) { Class.forName("org.apache.hive.jdbc.HiveDriver") val conn = DriverManager.getConnection("jdbc:hive2://hadoop2:10000/hive", "hadoop", "") try { val statement = conn.createStatement //statement.executeQuery(“use hive;”) val rs = statement.executeQuery("select ordernumber,amount from tbStockDetail where amount>3000") while (rs.next) { val ordernumber = rs.getString("ordernumber") val amount = rs.getString("amount") println("ordernumber = %s, amount = %s".format(ordernumber, amount)) } } catch { case e: Exception => e.printStackTrace } conn.close } }
|
第二步：打包并运行
| ./spark-submit—class class6. JDBCofSparkSQL –master spark://master:7077 ../SQL.jar. |
注：①启动Thrift Server是在hadoop2上（保持运行）
②上述窗口保持运行，新开窗口运行bin]$./beeline
③在运行过程中发现：跑上述程序会报错
这是因为输入路径没有指定，需要在./beeline中use hive;
第三步：运行结果
四、SchemaRDD
4.1 简介
SparkSQL引入了一种新的RDD——SchemaRDD
SchemaRDD由行对象（Row）以及描述行对象中每列数据类型的Schema组成；SchemaRDD很象传统数据库中的表
SchemaRDD可以通过RDD、Parquet文件、JSON文件、或者通过使用hiveql查询hive数据来建立
SchemaRDD除了可以和RDD一样操作外，还可以通过registerTempTable注册成临时表，然后通过SQL语句进行操作。
4.2sqlContext演示
Spark1.1.0开始提供了两种方式将RDD转换成SchemaRDD：
l通过定义Case Class，使用反射推断Schema（case class方式）
l通过可编程接口，定义Schema，并应用到RDD上（applySchema方式)
前者使用简单、代码简洁，适用于已知Schema的源数据上；
后者使用较为复杂，但可以在程序运行过程中实行，适用于未知Schema的RDD上。
（演示前：启动HDFS-->Spark-->Spark-shell）
4.2.1 使用Case Class定义RDD演示
①定义Case Class，在RDD的Transform过程中使用CaseClass可以隐式转换为SchemaRDD
②再使用regidterTempTable注册成表
③注册成标之后就可以在sqlContext对表进行操作——（select/insert/join）
注：case class可以是嵌套的，也可以使用类似Sequences或 Arrays之类复杂的数据类型。
下面的例子
①定义一个符合数据文件/sparksql/people.txt类型的case clase（Person），然后将数据文件读入后隐式转换成SchemaRDD：people
②并将people在sqlContext中注册成表rddTable
③最后对表进行查询，找出年纪在13-19岁之间的人名
| 第一步：上传测试数据 $hadoop fs -mkdir /class6 $hadoop fs -copyFromLocal /home/hadoop/upload/class6/people.* /class6 $hadoop fs -ls / 第二步 定义sqlContext并引入包 //sqlContext演示 scala>val sqlContext=new org.apache.spark.sql.SQLContext(sc) scala>import sqlContext.createSchemaRDD 第三步 定义Person类，读入数据并注册为临时表 //RDD1演示 scala>case class Person(name:String,age:Int) scala>val rddpeople=sc.textFile("hdfs://hadoop1:9000/class6/people.txt").map(_.split(",")).map(p=>Person(p(0),p(1).trim.toInt)) scala>rddpeople.registerTempTable("rddTable") 第四步 在查询年纪在13-19岁之间的人员 scala>sqlContext.sql("SELECT name FROM rddTable WHERE age >= 13 AND age <= 19").map(t => "Name: " + t(0)).collect().foreach(println) 上面步骤均为trnsform未触发action动作，在该步骤中查询数据并打印触发了action动作 |
4.2.2 使用applySchema定义RDD演示
（未完待续）