Spark SQL 概述+RDD、DataFrame、DataSet区别+DataFrame和DataSet常用操作

目标1：掌握Spark SQL原理

目标2：掌握DataFrame/DataSet数据结构和使用方式

目标3：熟练使用Spark SQL完成计算任务

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(就是列的名称和类型)，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

2.3.1RDD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

2.3.2DataFrame的优缺点：

优点：

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；

缺点：

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。

3.RDD、DataFrame、DataSet区别

在spark中，RDD、DataFrame、Dataset是最常用的数据类型，本博文给出笔者在使用的过程中体会到的区别和各自的优势

3.1共性：

1、RDD、DataFrame、Dataset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

2、三者都有惰性机制，在进行创建、转换，如map方法时，不会立即执行，只有在遇到Action如foreach时，三者才会开始遍历运算，极端情况下，如果代码里面有创建、转换，但是后面没有在Action中使用对应的结果，在执行时会被直接跳过，如

1 2 3 4 5 6 7 8

val sparkconf = new SparkConf().setMaster("local").setAppName("test").set("spark.port.maxRetries","1000") val spark = SparkSession.builder().config(sparkconf).getOrCreate() val rdd=spark.sparkContext.parallelize(Seq(("a", 1), ("b", 1), ("a", 1))) rdd.map{line=>   println("运行")   line._1 }

map中的println("运行")并不会运行

3、三者都会根据spark的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出

4、三者都有partition的概念，如

1 2 3 4 5 6 7 8

var predata=data.repartition(24).mapPartitions{       PartLine => {         PartLine.map{           line =>              println(“转换操作”)                             }                          } }

这样对每一个分区进行操作时，就跟在操作数组一样，不但数据量比较小，而且可以方便的将map中的运算结果拿出来，如果直接用map，map中对外面的操作是无效的，如

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

val rdd=spark.sparkContext.parallelize(Seq(("a", 1), ("b", 1), ("a", 1)))     var flag=0     val test=rdd.map{line=>       println("运行")       flag+=1       println(flag)       line._1     } println(test.count) println(flag)     /**     运行     1     运行     2     运行     3     3     0    * */

不使用partition时，对map之外的操作无法对map之外的变量造成影响

5、三者有许多共同的函数，如filter，排序等

6、在对DataFrame和Dataset进行操作许多操作都需要这个包进行支持

1 2	import spark.implicits._ //这里的spark是SparkSession的变量名

7、DataFrame和Dataset均可使用模式匹配获取各个字段的值和类型

DataFrame:

1 2 3 4 5 6 7

testDF.map{       case Row(col1:String,col2:Int)=>         println(col1);println(col2)         col1       case _=>         ""     }

为了提高稳健性，最好后面有一个_通配操作，这里提供了DataFrame一个解析字段的方法

Dataset:

1 2 3 4 5 6 7 8

case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型     testDS.map{       case Coltest(col1:String,col2:Int)=>         println(col1);println(col2)         col1       case _=>         ""     }

3.2区别：

RDD:

1、RDD一般和spark mlib同时使用

2、RDD不支持sparksql操作

DataFrame:

1、与RDD和Dataset不同，DataFrame每一行的类型固定为Row，只有通过解析才能获取各个字段的值，如

1 2 3 4 5

testDF.foreach{   line =>     val col1=line.getAs[String]("col1")     val col2=line.getAs[String]("col2") }

每一列的值没法直接访问

2、DataFrame与Dataset一般与spark ml同时使用

3、DataFrame与Dataset均支持sparksql的操作，比如select，groupby之类，还能注册临时表/视窗，进行sql语句操作，如

1 2	dataDF.createOrReplaceTempView("tmp") spark.sql("select  ROW,DATE from tmp where DATE is not null order by DATE").show(100,false)

4、DataFrame与Dataset支持一些特别方便的保存方式，比如保存成csv，可以带上表头，这样每一列的字段名一目了然

1 2 3 4 5 6

//保存 val saveoptions = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test") datawDF.write.format("com.databricks.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save() //读取 val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://172.xx.xx.xx:9000/test") val datarDF= spark.read.options(options).format("com.databricks.spark.csv").load()

利用这样的保存方式，可以方便的获得字段名和列的对应，而且分隔符(delimiter)可以自由指定

Dataset:

这里主要对比Dataset和DataFrame，因为Dataset和DataFrame拥有完全相同的成员函数，区别只是每一行的数据类型不同

DataFrame也可以叫Dataset[Row],每一行的类型是Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的getAS方法或者共性中的第七条提到的模式匹配拿出特定字段

而Dataset中，每一行是什么类型是不一定的，在自定义了case class之后可以很自由的获得每一行的信息

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型 /**       rdd       ("a", 1)       ("b", 1)       ("a", 1)       * */ val test: Dataset[Coltest]=rdd.map{line=>       Coltest(line._1,line._2)     }.toDS test.map{       line=>         println(line.col1)         println(line.col2)     }

可以看出，Dataset在需要访问列中的某个字段时是非常方便的，然而，如果要写一些适配性很强的函数时，如果使用Dataset，行的类型又不确定，可能是各种case class，无法实现适配，这时候用DataFrame即Dataset[Row]就能比较好的解决问题

3.3转化：

RDD、DataFrame、Dataset三者有许多共性，有各自适用的场景常常需要在三者之间转换

DataFrame/Dataset转RDD：

这个转换很简单

1 2	val rdd1=testDF.rdd val rdd2=testDS.rdd

RDD转DataFrame：

1 2 3 4

import spark.implicits._ val testDF = rdd.map {line=>       (line._1,line._2)     }.toDF("col1","col2")

一般用元组把一行的数据写在一起，然后在toDF中指定字段名

RDD转Dataset：

1 2 3 4 5

import spark.implicits._ case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型 val testDS = rdd.map {line=>       Coltest(line._1,line._2)     }.toDS

可以注意到，定义每一行的类型(case class)时，已经给出了字段名和类型，后面只要往case class里面添加值即可

Dataset转DataFrame：

这个也很简单，因为只是把case class封装成Row

1 2	import spark.implicits._ val testDF = testDS.toDF

DataFrame转Dataset：

1 2 3

import spark.implicits._ case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型 val testDS = testDF.as[Coltest]

这种方法就是在给出每一列的类型后，使用as方法，转成Dataset，这在数据类型是DataFrame又需要针对各个字段处理时极为方便

特别注意：

在使用一些特殊的操作时，一定要加上 import spark.implicits._ 不然toDF、toDS无法使用

4． 读取数据源创建DataFrame

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，可以利用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  /

先执行 spark-shell --master local[2]

(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

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)不使用样例类构建DF，自定义schema

scala> val peopleDF = sc.textFile("/people.txt").map(_.split(" ")).map(x=>(x(0),x(1),x(2))).toDF("id","name","age")

peopleDF: org.apache.spark.sql.DataFrame = [id: string, name: string ... 1 more field]

(8)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")

 

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               

 

4.3 读取parquet列式存储格式文件创建DataFrame

(1)数据文件

使用spark安装包下的

/opt/bigdata/spark/examples/src/main/resources/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

 

 

5.DataSet

5.1.  什么是DataSet

DataSet是分布式的数据集合，Dataset提供了强类型支持，也是在RDD的每行数据加了类型约束。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)以及使用了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。

5.2.  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。

5.3.  DataFrame与DataSet互相转换

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。

5.4.  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[类型]转换为DataSet