Spark 2.0的SparkSession详解

翻译自：How to use SparkSession in Apache Spark 2.0
转载自：
　　- SparkSession简单介绍 (是否为原创初始翻译不详)
　　- Spark 2.0系列之SparkSession详解 (最后三节)

向原文作者以及原创翻译者的辛勤劳动致敬！

前言

　　Apache Spark 2.0引入了SparkSession，为用户提供了一个统一的切入点来使用Spark的各项功能，并且允许用户通过它调用DataFrame和Dataset相关API来编写Spark程序。最重要的是，它减少了用户需要了解的一些概念，使得我们可以很容易地与Spark交互。

　　本文将介绍在Spark 2.0中如何使用SparkSession。

探索SparkSession统一的功能

　　首先，我们介绍一个简单的Spark应用案例：SparkSessionZipsExample，其从JSON文件中读取邮政编码，并且通过DataFrame API进行一些分析，之后使用Spark SQL进行一些查询，这些操作并没有使用到SparkContext, SQLContext 或者HiveContext。

创建SparkSession

　　在2.0版本之前，与Spark交互之前必须先创建SparkConf和SparkContext，代码如下：

//set up the spark configuration and create contexts  
val sparkConf = new SparkConf().setAppName("SparkSessionZipsExample").setMaster("local")  
// your handle to SparkContext to access other context like SQLContext  
val sc = new SparkContext(sparkConf).set("spark.some.config.option", "some-value")  
val sqlContext = new org.apache.spark.sql.SQLContext(sc)  

　　然而在Spark 2.0中，我们可以通过SparkSession来实现同样的功能，而不需要显式地创建SparkConf, SparkContext 以及 SQLContext，因为这些对象已经封装在SparkSession中。使用生成器的设计模式(builder design pattern)，如果我们没有创建SparkSession对象，则会实例化出一个新的SparkSession对象及其相关的上下文。

// Create a SparkSession. No need to create SparkContext  
// You automatically get it as part of the SparkSession  
val warehouseLocation = "file:${system:user.dir}/spark-warehouse"  
val spark = SparkSession  
   .builder()  
   .appName("SparkSessionZipsExample")  
   .config("spark.sql.warehouse.dir", warehouseLocation)  
   .enableHiveSupport()  
   .getOrCreate()  

　　到现在我们可以使用上面创建好的spark对象，并且访问其public方法。

配置Spark运行相关属性

　　一旦我们创建好了SparkSession，我们就可以配置Spark运行相关属性。比如下面代码片段我们修改了已经存在的运行配置选项。

//set new runtime options  
spark.conf.set("spark.sql.shuffle.partitions", 6)  
spark.conf.set("spark.executor.memory", "2g")  
//get all settings  
val configMap:Map[String, String] = spark.conf.getAll()  

获取Catalog元数据

　　通常我们想访问当前系统的Catalog元数据。SparkSession提供了catalog实例来操作metastore。这些方法放回的都是Dataset类型的，所有我们可以使用Dataset相关的API来访问其中的数据。如下代码片段，我们展示了所有的表并且列出当前所有的数据库：

//fetch metadata data from the catalog  
scala> spark.catalog.listDatabases.show(false)  
+--------------+---------------------+--------------------------------------------------------+  
|name          |description          |locationUri                                             |  
+--------------+---------------------+--------------------------------------------------------+  
|default       |Default Hive database|hdfs://iteblogcluster/user/iteblog/hive/warehouse       |  
+--------------+---------------------+--------------------------------------------------------+  

scala> spark.catalog.listTables.show(false)  
+----------------------------------------+--------+-----------+---------+-----------+  
|name                                    |database|description|tableType|isTemporary|  
+----------------------------------------+--------+-----------+---------+-----------+  
|iteblog                                 |default |null       |MANAGED  |false      |  
|table2                                  |default |null       |EXTERNAL |false      |  
|test                                    |default |null       |MANAGED  |false      |  
+----------------------------------------+--------+-----------+---------+-----------+  

创建Dataset和Dataframe

　　使用SparkSession APIs创建 DataFrames 和 Datasets的方法有很多，其中最简单的方式就是使用spark.range方法来创建一个Dataset。当我们学习如何操作Dataset API的时候，这个方法非常有用。操作如下：

scala> val numDS = spark.range(5, 100, 5)  
numDS: org.apache.spark.sql.Dataset[Long] = [id: bigint]  

scala> numDS.orderBy(desc("id")).show(5)  
+---+  
| id|  
+---+  
| 95|  
| 90|  
| 85|  
| 80|  
| 75|  
+---+  
only showing top 5 rows  

scala> numDS.describe().show()  
+-------+------------------+  
|summary|                id|  
+-------+------------------+  
|  count|                19|  
|   mean|              50.0|  
| stddev|28.136571693556885|  
|    min|                 5|  
|    max|                95|  
+-------+------------------+  
scala> val langPercentDF = spark.createDataFrame(List(("Scala", 35),  
     | ("Python", 30), ("R", 15), ("Java", 20)))  
langPercentDF: org.apache.spark.sql.DataFrame = [_1: string, _2: int]  

scala> val lpDF = langPercentDF.withColumnRenamed("_1", "language").withColumnRenamed("_2", "percent")  
lpDF: org.apache.spark.sql.DataFrame = [language: string, percent: int]  

scala> lpDF.orderBy(desc("percent")).show(false)  
+--------+-------+                                                                
|language|percent|  
+--------+-------+  
|Scala   |35     |  
|Python  |30     |  
|Java    |20     |  
|R       |15     |  
+--------+-------+  

使用SparkSession读取CSV

　　创建完SparkSession之后，我们就可以使用它来读取数据，下面代码片段是使用SparkSession来从csv文件中读取数据：

val df = sparkSession.read.option("header","true").  
    csv("src/main/resources/sales.csv")  

上面代码非常像使用SQLContext来读取数据，我们现在可以使用SparkSession来替代之前使用SQLContext编写的代码。下面是完整的代码片段：

package com.iteblog  

import org.apache.spark.sql.SparkSession  

/**  
  * Spark Session example  
  *  
  */  
object SparkSessionExample {  

  def main(args: Array[String]) {  

    val sparkSession = SparkSession.builder.  
      master("local")  
      .appName("spark session example")  
      .getOrCreate()  

    val df = sparkSession.read.option("header","true").csv("src/main/resources/sales.csv")  

    df.show()  

  }  

}  

使用SparkSession API读取JSON数据

　　我们可以使用SparkSession来读取JSON、CVS或者TXT文件，甚至是读取parquet表。比如在下面代码片段里面，我将读取邮编数据的JSON文件，并且返回DataFrame对象：

// read the json file and create the dataframe  
scala> val jsonFile = "/user/iteblog.json"  
jsonFile: String = /user/iteblog.json  
scala> val zipsDF = spark.read.json(jsonFile)  
zipsDF: org.apache.spark.sql.DataFrame = [_id: string, city: string ... 3 more fields]  

scala> zipsDF.filter(zipsDF.col("pop") > 40000).show(10, false)  
+-----+----------+-----------------------+-----+-----+  
|_id  |city      |loc                    |pop  |state|  
+-----+----------+-----------------------+-----+-----+  
|01040|HOLYOKE   |[-72.626193, 42.202007]|43704|MA   |  
|01085|MONTGOMERY|[-72.754318, 42.129484]|40117|MA   |  
|01201|PITTSFIELD|[-73.247088, 42.453086]|50655|MA   |  
|01420|FITCHBURG |[-71.803133, 42.579563]|41194|MA   |  
|01701|FRAMINGHAM|[-71.425486, 42.300665]|65046|MA   |  
|01841|LAWRENCE  |[-71.166997, 42.711545]|45555|MA   |  
|01902|LYNN      |[-70.941989, 42.469814]|41625|MA   |  
|01960|PEABODY   |[-70.961194, 42.532579]|47685|MA   |  
|02124|DORCHESTER|[-71.072898, 42.287984]|48560|MA   |  
|02146|BROOKLINE |[-71.128917, 42.339158]|56614|MA   |  
+-----+----------+-----------------------+-----+-----+  
only showing top 10 rows  

在SparkSession中还用Spark SQL

　　通过SparkSession我们可以访问Spark SQL中所有函数，正如你使用SQLContext访问一样。下面代码片段中，我们创建了一个表，并在其中使用SQL查询：

// Now create an SQL table and issue SQL queries against it without  
// using the sqlContext but through the SparkSession object.  
// Creates a temporary view of the DataFrame  
scala> zipsDF.createOrReplaceTempView("zips_table")  

scala> zipsDF.cache()  
res3: zipsDF.type = [_id: string, city: string ... 3 more fields]  

scala> val resultsDF = spark.sql("SELECT city, pop, state, _id FROM zips_table")  
resultsDF: org.apache.spark.sql.DataFrame = [city: string, pop: bigint ... 2 more fields]  

scala> resultsDF.show(10)  
+------------+-----+-----+-----+  
|        city|  pop|state|  _id|  
+------------+-----+-----+-----+  
|      AGAWAM|15338|   MA|01001|  
|     CUSHMAN|36963|   MA|01002|  
|       BARRE| 4546|   MA|01005|  
| BELCHERTOWN|10579|   MA|01007|  
|   BLANDFORD| 1240|   MA|01008|  
|   BRIMFIELD| 3706|   MA|01010|  
|     CHESTER| 1688|   MA|01011|  
|CHESTERFIELD|  177|   MA|01012|  
|    CHICOPEE|23396|   MA|01013|  
|    CHICOPEE|31495|   MA|01020|  
+------------+-----+-----+-----+  
only showing top 10 rows  

使用SparkSession读写Hive表

　　下面我们将使用SparkSession创建一个Hive表，并且对这个表进行一些SQL查询，正如你使用HiveContext一样：

scala> spark.sql("DROP TABLE IF EXISTS iteblog_hive")  
res5: org.apache.spark.sql.DataFrame = []  

scala> spark.table("zips_table").write.saveAsTable("iteblog_hive")  
16/08/24 21:52:59 WARN HiveMetaStore: Location: hdfs://iteblogcluster/user/iteblog/hive/warehouse/iteblog_hive specified for non-external table:iteblog_hive  

scala> val resultsHiveDF = spark.sql("SELECT city, pop, state, _id FROM iteblog_hive WHERE pop > 40000")  
resultsHiveDF: org.apache.spark.sql.DataFrame = [city: string, pop: bigint ... 2 more fields]  

scala> resultsHiveDF.show(10)  
+----------+-----+-----+-----+  
|      city|  pop|state|  _id|  
+----------+-----+-----+-----+  
|   HOLYOKE|43704|   MA|01040|  
|MONTGOMERY|40117|   MA|01085|  
|PITTSFIELD|50655|   MA|01201|  
| FITCHBURG|41194|   MA|01420|  
|FRAMINGHAM|65046|   MA|01701|  
|  LAWRENCE|45555|   MA|01841|  
|      LYNN|41625|   MA|01902|  
|   PEABODY|47685|   MA|01960|  
|DORCHESTER|48560|   MA|02124|  
| BROOKLINE|56614|   MA|02146|  
+----------+-----+-----+-----+  
only showing top 10 rows  

　　正如你所见，你使用DataFrame API, Spark SQL 以及 Hive查询的结果都一样。关于这个例子的完整代码可以到这里获取。

Spark REPL和Databricks Notebook中的SparkSession对象

　　在之前的Spark版本中，Spark shell会自动创建一个SparkContext对象sc。2.0中Spark shell则会自动创建一个SparkSession对象（spark），在输入spark时就会发现它已经存在了。

　　在Databricks notebook中创建集群时也会自动生成一个SparkSession，这里用的名字也是spark。

SparkSession和SparkContext

　　下图说明了SparkContext在Spark中的主要功能。

　　从图中可以看到SparkContext起到的是一个中介的作用，通过它来使用Spark其他的功能。每一个JVM都有一个对应的SparkContext，driver program通过SparkContext连接到集群管理器来实现对集群中任务的控制。Spark配置参数的设置以及对SQLContext、HiveContext和StreamingContext的控制也要通过SparkContext进行。

　　不过在Spark2.0中上述的一切功能都是通过SparkSession来完成的，同时SparkSession也简化了DataFrame/Dataset API的使用和对数据的操作。

小结

　　本文通过一个简单的例子演示了SparkSession的使用方法并与Spark2.0之前版本中的SparkContext进行了对比。总而言之SparkSession是既容易学又方便用。