bigdata_sparksql

sparksql:

Spark SQL是Spark处理数据的一个模块

专门用来处理结构化数据的模块，像json，parquet，avro，csv，普通表格数据等均可。

与基础RDD的API不同，Spark SQL中提供的接口将提供给更多关于结构化数据和计算的信息，并针对这些信息，进行额外的处理优化

操作方式说明：

     SparkSql shell：

类似于hive shell

     DataFrames API：

最早专为sql on spark设计的数据抽象，与RDD相似，增加了数据结构scheme描述信息部分。

写spark代码，面向DF(DataFrams缩写)编程，可以与其它Spark应用代码无缝集成。

比RDD更丰富的算子，更有利于提升执行效率、减少数据读取、执行计划优化。

      DataSets API：

集成了RDD强类型和DataFrames结构化的优点，官方正强力打造的新数据抽象类型。

写spark代码，面向DS编程，可以与其它Spark应用代码无缝集成。

比RDD更丰富的算子，更有利于提升执行效率、减少数据读取、执行计划优化。

         面向程序接口对接的操作：通过JDBC、ODBC等方式操作SparkSql

通过jdbc、odbc链接后，发送相关的sparksql请求，实现基于sparksql功能开发。

    

     SparkSQl特点：

  

可以利用SQL、DataFrams API、DataSets API或其它语言调用的基于sparksql模块计算，均是sparkcore执行引擎，其对计算的表达是独立的，即开发人员可以轻松在不同API之间切换实现相同的功能。

也可以通过命令行、JDBC、ODBC的方式来操作SparkSQL，方便其它数据平台、BI平台使用SparkSql模块。

在spark应用程序开发中，可以无缝使用SparkSql操作数据。

可以直接使用Hive表格数据。

与Hive的兼容性极好：它复用了Hive的前端(去掉驱动mapreduce执行任务的部分)和元数据，因此可以拿过来hivesql的东西在sparksql上运行即可。

并不是100%完全兼容，但绝大多数情况下，不需要改动，或只需要极小的改动！！！

比如个别版本不支持直接insert into table xxx values(xxx...)的插入数据的方式

SparkSql的应用中，sql是一个重要方面，但不局限制sql。

sparksql操作代码：

1.SparkSql Shell操作SparkSql：

//直接输入spark-sql+自己想要添加的参数即可，与spark-shell相似

spark-sql [options]

//如指定运行模式

spark-sql local[*]

//如指定运行spark webui服务的端口，解决多人共用一个入口机时候的进入时候报port bind exception的问题

spark-sql --conf spark.ui.port=4075

//也可以用于似于hive -e的方式，直接直接一段sparksql代码

spark-sql –e “sparksql code”

2.DataFrames API 操作 SparkSql

与之前的Sbt构建SparkWordCount步骤完全一样。

1.6版本

package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
  def main(args: Array[String]) {
   val conf = new SparkConf()
   conf.setMaster("local");
   conf.setAppName("TestSparkSql");
   val sc = new SparkContext(conf)
   val sqlContext = new SQLContext(sc)
   // 添加将RDD转化为DataFrame的功能包引入
   import sqlContext.implicits._
   val df = sqlContext.read.json("file:\\E:\\test\\job003\\sparksql\\input_weibo.json")
   df.show();
   sc.stop();
  }
}

常用操作：

package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
  def main(args: Array[String]) {
   val conf = new SparkConf()
   conf.setMaster("local");
   conf.setAppName("TestSparkSql");
   val sc = new SparkContext(conf)
   val sqlContext = new SQLContext(sc)
   // 添加将RDD转化为DataFrame的功能包引入
   import sqlContext.implicits._
   val df = sqlContext.read.json("file:\\E:\\test\\job003\\sparksql\\input_weibo.json")
   //默认显示内容的top20
   df.show()
   // 打印内容对应的表结构
   df.printSchema()
   // 选择内容当中的某一个列对应的内容
   df.select("content").show()
   // 选择任意列并进行自定义操作
   df.select(df("content"), df("commentCount"), df("commentCount") + 10000).show()
   // 选择评论数大于100的数据显示出来
   df.filter(df("commentCount") > 100).show()
  
   // 按userId进行分组计数统计
   df.groupBy("userId").count().show()
  
   //分组统计结果按默认升序排列
   df.groupBy("userId").count().orderBy("count").show()
  
   //分组统计结果按降序排列
   import org.apache.spark.sql.functions._
   df.groupBy("userId").count().orderBy(desc("count")).show()
   sc.stop();
  }
}

2.3版本：

package com.tl.job011.sparksql

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.SparkSession

object TestSparkSqlFor2_3_x {
  def main(args: Array[String]): Unit = {
    //1、构建spark session
    val sparkSession = SparkSession
      .builder()
      .appName("SparkSql-2.3.2-TestCase")
      .master("local[*]")
      .getOrCreate()

    // For implicit conversions like converting RDDs to DataFrames
    import sparkSession.implicits._

    //2、构建data frames
    val df = sparkSession.read.json("F:\\test_sbt\\FirstSpark4Scala\\input_json.txt")

    //3、df算子操作    
    // 打印内容对应的表结构
    df.printSchema()
    // 选择内容当中的某一个列对应的内容
    df.select("content").show()
    // 选择任意列并进行自定义操作
    df.select(df("content"), df("commentCount"), df("commentCount") + 10000).show()
    // 选择评论数大于100的数据显示出来
    df.filter(df("commentCount") > 100).show()

    // 按userId进行分组计数统计
    df.groupBy("userId").count().show()

    //分组统计结果按默认升序排列
    df.groupBy("userId").count().orderBy("count").show()

    //分组统计结果按降序排列
    import org.apache.spark.sql.functions._
    df.groupBy("userId").count().orderBy(desc("count")).show()

    //4、停掉相关会话
    sparkSession.stop()

  }
}

• RDD与DataFrame互操作：
• 总的来说df就是rdd加scheme

//提供直接转化成RDD的方式,即df.rdd即可

studentDataFrame.rdd

SparkSql临时表生成（内存中存放的表，应用结束即消失）：

df.registerTempTable("weibo_doc");    //1.6.x版本

df. createTempView ("weibo_doc");    //2.3.x版本

DataFrame数据持久化：

    parquet：

数据格式，默认的输入和输出均为该格式

优点：

• 压缩数据，内部自带gzip压缩
  • 不失真
  • 减少IO吞吐量
  • 高效的查询
  • 多数据处理平台，均支持parquet，包括hive等。
• 综合示例实现-2.3.x(与1.6.x差距核心在sparkSession抽象)：

package com.tl.job011.sparksql

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.SparkSession
import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.types.StructField
import org.apache.spark.sql.types.StringType
import org.apache.spark.sql.Row

object TestSparksqlPersistFor2_3_x {
  def main(args: Array[String]): Unit = {
      //1、构建spark session
    val sparksql = SparkSession
      .builder()
      .appName("SparkSql-2.3.2-TestCase")
      .master("local[*]")
      .getOrCreate()

    // For implicit conversions like converting RDDs to DataFrames
    import sparksql.implicits._

    //2、构建scheme
     val df = sparksql.read.json("F:\\test_sbt\\FirstSpark4Scala\\input_json.txt")

    //3、注册成表
    df.createTempView("weibo")
	
    //4、df算子操作
    var resultDF = sparksql.sql("select * from weibo")
    resultDF.repartition(1).write.format("parquet").save("F:\\test_sbt\\FirstSpark4Scala\\save3")

    //5、停掉相关会话
    sparksql.stop()

  }
}

3.DataSets API操作SparkSql：

• • 操作说明
    • DataSet集成了RDD和DataFrame的优点，也称为强类型的DataFrame。
    • DataSets和DataFrames具有完全相同的成员函数。
    • 两者中，每个行的数据类型不同。DataFrame也可以叫Dataset[Row]，即DataFrame是Dataset的一种特定形式。而DataSet的每一行是不固定的，需要模式匹配来确定。
  • 版本说明
    • 在1.6.2版本DataSet为alpha版测试功能，API方面均没有得到丰富和完善。
    • 在2.0.0开始DataSet得到正式推广使用，由于其API和DataFrame在成员函数中完全对等，在使用上差异极小，由于是强类型，故仅在数据集case class模式匹配时，有明显差别。

应用：

package com.tl.job011.sparksql

import org.apache.spark.sql.SparkSession
//样例类
case class Student(name: String, age: Long, address: String)
/**
 * 抽象数据类型DataSet测试类
 */
object TestSparkSqlDataSet {
  def main(args: Array[String]): Unit = {
    //1、构建spark session
    val sparkSession = SparkSession
      .builder()
      .appName("SparkSql-2.3.2-TestCase")
      .master("local[*]")
      .getOrCreate()
    //引入自动隐式类型转换
    import sparkSession.implicits._

    // 从基础数据对象类型创建DataSet
    val primitiveDS = Seq(1, 2, 3).toDS()
    val col = primitiveDS.map(_ + 1).collect() // Returns: Array(2, 3, 4)
    col.foreach(println)
    println("-----------------")
    primitiveDS.show()

    // 已为样例类case class创建完成编码类Encoder
    val caseClassDS = Seq(Student("脱口秀大会", 3, "北京")).toDS()
    caseClassDS.show()
    
    // 指定相应的文件导入形成样例类对应的DataSet，通过json的key和样例类的字段名称对应即可
    val path = "F:\\test_sbt\\FirstSpark4Scala\\student_data.txt"
    val peopleDS = sparkSession.read.json(path).as[Student]
    peopleDS.select("name", "age", "address").show()

    //关停会话上下文
    sparkSession.stop()
  }
}

多数据集抽象类型对比分析

• spark抽象数据集列表
  • RDD
  • DataFrame
  • DataSet
• 相同点
  • 全都是spark平台下的分布式弹性数据集，为处理超大型数据提供便利
  • 三者都有惰性机制，在进行Transform操作时不会立即执行，在遇到Action操作时会正式提交作业执行。
  • 均采用spark的内存运算和优化策略，内存使用和执行效率上均可以得到保障。
  • 均有partition的概念，便于分布式并行计算处理，达到分而治之。
  • 均有许多共同的函数，如map、filter、sort等。
  • 在进行三者的相关操作时候，个别特殊操作时必须引入一个相同的包依赖。（ 早期称为 import sqlContext.implicits._，最新版本称为import spark.implicits._)
  • DF和DS均可以通过模式匹配获取内部的变量类型和值。
  • DF和DS产生于SparkSql，天然支持SparkSql。
• 区别点
  • RDD
    • 不支持SparkSql操作，均需进行转成DF或是DS才行。
    • 类型是安全的，编译时候即可检查出类型错误。(强类型)
    • 机器间通信、IO操作均需要序列化、反序列化对象，性能开销大。
  • DataFrame
    • 有scheme的RDD：比RDD增加了数据的描述信息。
    • 比RDD的API更丰富，增加了针对结构化数据API。
    • 只有一个固定类型的DataSet，即为DataFrame=DataSet[Row]
    • 序列化和反序列化时做了结构化优化，减少了不必要的结构化信息的序列化，提高了执行效率。
  • DataSet
    • 强类型的DataFrame，与DF有完全相同的成员函数。
    • 每行的类型不固定，需要使用模式匹配case class后，获取实际的类信息、字段类型、字段值。
    • 访问对象数据时，比DF更加直接简单。
    • 在序列化和反序列化时，引入了Encoder机制，达到按需序列化和反序列化，不必像之前整个对象操作了，进一步提高了效率。
• 应用场景
  • 使用RDD场景
    • 数据为非结构化，如流媒体等数据
    • 对数据集进行底层的转换、处理、控制
    • 不需要列式处理，而是通过常规的对象.属性来使用数据。
    • 对DF、DS带来的开发效率、执行效率提升不敏感时
  • 使用DF（必须）
    • R或是python语言开发者，使用DF
  • 使用DS（必须）
    • 在编译时就有高度的类型安全，想要有类型的JVM对象，用上Catalyst优化，并得益于Tungsten生成的高效代码
  • 使用DF、DS场景
    • 需要丰富的语义、高级抽象和特定领域专用的API时
    • 处理需要对半结构化数据进行高级处理，如filter、map、aggregation、average、sum、SQL查询、列式访问或使用lambda函数
    • 在不同的Spark库之间使用一致和简化的API

hive与spark sql区别

hive是分布式又是数据仓库，同时又是查询引擎，Spark SQL只是取代的HIVE的查询引擎这一部分，企业一般使用Hive+spark SQL进行开发