Spark大数据处理讲课笔记4.1 Spark SQL概述、数据帧与数据集
零、本讲学习目标
- 了解Spark SQL的基本概念
- 掌握DataFrame的基本概念
- 掌握Dataset的基本概念
- 会基于DataFrame执行SQL查询
在很多情况下，开发工程师并不了解Scala语言，也不了解Spark常用API，但又非常想要使用Spark框架提供的强大的数据分析能力。Spark的开发工程师们考虑到了这个问题，利用SQL语言的语法简洁、学习门槛低以及在编程语言普及程度和流行程度高等诸多优势，从而开发了Spark SQL模块，通过Spark SQL，开发人员能够通过使用SQL语句，实现对结构化数据的处理。
一、Spark SQL
（一）Spark SQL概述
- 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结构叫做DataFrame的数据模型（即带有Schema信息的RDD），Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrames API和Datasets API三种方式实现对结构化数据的处理。
（二）Spark SQL功能
- Spark SQL可从各种结构化数据源中读取数据，进行数据分析。
- Spark SQL包含行业标准的JDBC和ODBC连接方式，因此它不局限于在Spark程序内使用SQL语句进行查询。
- Spark SQL可以无缝地将SQL查询与Spark程序进行结合，它能够将结构化数据作为Spark中的分布式数据集（RDD）进行查询。
（三）Spark SQL结构
1、Spark SQL架构图
- Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。
2、Spark SQL三大过程
- Spark要想很好地支持SQL，需要完成解析（Parser）、优化（Optimizer）、执行（Execution）三大过程。
3、Spark SQL内部五大组件
- Catalyst优化器在执行计划生成和优化的工作时，离不开内部的五大组件。
（四）Spark SQL工作流程
- 在解析SQL语句之前，会创建SparkSession，涉及到表名、字段名称和字段类型的元数据都将保存在SessionCatalog中；
- 当调用SparkSession的sql()方法时就会使用SparkSqlParser进行解析SQL语句，解析过程中使用的ANTLR进行词法解析和语法解析；
- 使用Analyzer分析器绑定逻辑计划，在该阶段，Analyzer会使用Analyzer Rules，并结合SessionCatalog，对未绑定的逻辑计划进行解析，生成已绑定的逻辑计划；
- 使用Optimizer优化器优化逻辑计划，该优化器同样定义了一套规则（Rules），利用这些规则对逻辑计划和语句进行迭代处理；
- 使用SparkPlanner对优化后的逻辑计划进行转换，生成可以执行的物理计划SparkPlan；
- 使用QueryExecution执行物理计划，此时则调用SparkPlan的execute()方法，返回RDDs。
（五）Spark SQL主要特点
1、将SQL查询与Spark应用程序无缝组合
- Spark SQL允许使用SQL或熟悉的DataFrame API在Spark程序中查询结构化数据。与Hive不同的是，Hive是将SQL翻译成MapReduce作业，底层是基于MapReduce的；而Spark SQL底层使用的是Spark RDD。
- 在Spark应用程序中嵌入SQL语句
val res = spark.sql( "SELECT * FROM student")
- 1
2、Spark SQL以相同方式连接多种数据源
- Spark SQL提供了访问各种数据源的通用方法，数据源包括
Hive、Avro、Parquet、ORC、JSON、JDBC等。 - 读取HDFS中的JSON文件，基于文件内容创建临时视图，最后与其他表根据指定的字段关联查询
// 读取JSON文件
val userScoreDF = spark.read.json("hdfs://master:9000/users.json")
// 创建临时视图user_score
userScoreDF.createTempView("user_score")
// 根据name关联查询
val resDF = spark.sql("SELECT i.age, i.name, c.score FROM user_info i INNER JOIN user_score c ON i.name = c.name")
3、在现有数据仓库上运行SQL或HiveQL查询
- Spark SQL支持
HiveQL语法以及Hive SerDes和UDF（用户自定义函数），允许访问现有的Hive仓库。
二、数据帧 - DataFrame
（一）DataFrame概述
- DataFrame是Spark SQL提供的一个编程抽象，与RDD类似，也是一个分布式的数据集合，但与RDD不同，DataFrame的数据都被组织到有名字的列中，就像关系型数据库中的表一样。在Spark 1.3.0版本之前，DataFrame被称为SchemaRDD。此外，多种数据都可以转化为DataFrame，例如Spark计算过程中生成的RDD、结构化数据文件、Hive中的表、外部数据库等。
（二）将RDD转成DataFrame
-
DataFrame在RDD的基础上添加了数据描述信息（Schema，模式，即元信息），因此看起来更像是一张数据库表。
-
一个RDD中有
5行数据
-
将RDD转成DataFrame
-
使用DataFrame API结合SQL处理结构化数据比RDD更加容易，而且通过DataFrame API或SQL处理数据，Spark优化器会自动对其优化，即使写的程序或SQL不高效，也可以运行得很快。
三、数据集 - Dataset
（一）Dataset概述
- Dataset是一个分布式数据集，Spark 1.6中添加的一个新的API。相对于RDD，Dataset提供了强类型支持，在RDD的每行数据加了类型约束。而且使用Dataset API同样会经过Spark SQL优化器的优化，从而提高程序执行效率。
（二）将RDD转成DataSet
- 一个RDD中有
5行数据
- 将RDD转换为Dataset
（三）DataFrame与Dataset的关系
- 在Spark中，一个
DataFrame所代表的是一个元素类型为Row的Dataset，即DataFrame只是Dataset[Row]的一个类型别名。
四、简单使用Spark SQL
（一）了解SparkSession
- Spark Shell启动时除了默认创建一个名为
sc的SparkContext的实例外，还创建了一个名为spark的SparkSession实例，该spark变量可以在Spark Shell中直接使用。 - 从Spark2.0以上版本开始, Spark使用全新的SparkSession接口替代Spark1.6中的SQLContext及HiveContext接口来实现其对数据加载、转换、处理等功能。SparkSession实现了SQLContext及HiveContext所有功能。
- SparkSession只是在SparkContext基础上的封装，应用程序的入口仍然是SparkContext。SparkSession允许用户通过它调用DataFrame和Dataset相关API来编写Spark程序，支持从不同的数据源加载数据，并把数据转换成DataFrame，然后使用SQL语句来操作DataFrame数据。
（二）准备工作
1、准备数据文件
1,郑秀芸,女,20
2,王志峰,男,18
3,陈燕文,女,21
4,郑国栋,男,19
5,肖雨涵,男,20
-
在
/home目录里创建student.txt文件
-
将
student.txt上传到HDFS的/student/input目录
2、启动Spark Shell
- 启动Spark Shell，执行命令：
spark-shell --master spark://master:7077
（三）加载数据为Dataset
1、读文件得数据集
-
调用
SparkSession对象的read.textFile()可以读取指定路径中的文件内容，并加载为一个Dataset -
执行命令：
val ds = spark.read.textFile("hdfs://master:9000/student/input/student.txt")
-
从变量
ds的类型可以看出，textFile()方法将读取的数据转为了Dataset。除了使用textFile()方法读取文本内容外，还可以使用csv()、jdbc()、json()等方法读取CSV文件、JDBC数据源、JSON文件等数据。(csv: comma separated value)
2、显示数据集内容
-
执行命令：
ds.show
-
可以看出，
Dataset将文件中的每一行看作一个元素，并且所有元素组成了一列，列名默认为value。
3、显示数据集模式
- 执行命令：
ds.printSchema
- 这样的单列数据集显得太粗糙，应该加点元数据信息，让它更精细化。
（四）给数据集添加元数据信息
1、定义学生样例类
-
定义一个样例类
Student，用于存放数据描述信息（Schema） -
执行命令：
case class Student(id: Int, name: String, gender: String, age: Int)
-
基于样例类创建对象很简单，不需要
new关键字，只需要传入相应参数即可创建对象
2、导入隐式转换
- 导入SparkSession的
隐式转换，以便后续可以使用Dataset的算子 - 执行命令：
import spark.implicits._（_表示implicits包里所有的类，类似于Java里的*）
3、将数据集转换成学生数据集
- 调用Dataset的
map()算子将每一个元素拆分并存入Student样例对象 - 执行命令
:paste进入粘贴模式，然后执行红框类的命令
val studentDS = ds.map(line => {
val fields = line.split(",")
val id = fields(0).toInt
val name = fields(1)
val gender = fields(2)
val age = fields(3).toInt
Student(id, name, gender, age)
}
)
4、对学生数据集进行操作
（1）显示数据集内容
-
执行命令：
studentDS.show -
-
可以看到，
studentDS中的数据类似于一张关系型数据库的表。
（2）打印数据集模式
- 执行命令：
studentDS.printSchema
（3）对数据集进行投影操作
- 显示学生的姓名和年龄字段，执行命令：
studentDS.select("name", "age").show
- 对应的SQL语句：
select name, age from student
（4）对数据集进行过滤操作
-
显示女生记录，执行命令：
studentDS.filter("gender == '女'").show
-
显示年龄在[19, 20]之间的记录
-
两个数据集求交集
-
可以有更简单的处理方式，执行命令：
studentDS.filter("age >= 19 and age <= 20").show
-
如果条件是
age <19 or age > 20，那么两个数据集ds1与ds2就应该求并集：ds1.union(ds2)
（5）对数据集进行统计操作
-
求20岁以上的女生人数
-
分组统计男女生总年龄，执行命令：
studentDS.groupBy("gender").sum("age").show
-
分组统计男女生平均年龄：执行命令：
studentDS.groupBy("gender").sum("age").show
-
分组统计男女生最大年龄，执行命令：
studentDS.groupBy("gender").max("age").show
-
分组统计男女生最小年龄，执行命令：
studentDS.groupBy("gender").min("age").show
（6）对数据集进行排序操作
-
按年龄升序排列，执行命令：
studentDS.sort("age").show()
-
按年龄降序排列，执行命令：
studentDS.sort(studentDS("age").desc).show
-
先按性别升序排列，再按年龄降序排列，执行命令：
studentDS.sort(studentDS("gender"), studentDS("age").desc).show()
-
对应的SQL语句：
select * from student order by gender, age desc;
（7）重命名数据集字段
- 执行命令：
studentDS.select(studentDS("id").as("学号"), studentDS("name").as("姓名"), studentDS("gender").as("性别"), studentDS("age").as("年龄")).show
（五）将数据集转为数据帧
- Spark SQL查询的是DataFrame中的数据，因此需要将存有元数据信息的Dataset转为DataFrame。调用Dataset的
toDF()方法，将存有元数据的Dataset转为DataFrame。
1、将数据集转为数据帧
- 将学生数据集转为学生数据帧，执行命令：
val studentDF = studentDS.toDF()
2、对学生数据帧进行操作
（1）显示数据帧内容
- 显示学生数据帧内容，执行命令：
studentDF.show
（2）显示数据帧模式信息
- 打印学生数据帧模式信息，执行命令：
studentDF.printSchema
（3）对数据帧进行投影操作
- 显示学生数据帧姓名与年龄字段，年龄加1，执行命令：
studentDF.select(studentDF("name"), studentDF("age") + 1).show
（4）对数据帧进行过滤操作
-
查询年龄在19岁以上的记录，执行命令：
studentDF.filter(studentDF("age") > 19).show
-
查询20岁以上的女生记录，执行命令：
studentDF.filter("age > 20 and gender == '女'").show()
（5）对数据帧进行统计操作
-
统计学生数据帧总记录数，执行命令：
studentDF.count
-
分组统计男女生总年龄，执行命令：
studentDF.groupBy("gender").sum("age").show，
-
分组统计男女生平均年龄，执行命令：
studentDF.groupBy("gender").avg("age").show，
-
分组统计男女生最大年龄，执行命令：
studentDF.groupBy("gender").max("age").show，
-
分组统计男女生最小年龄，执行命令：
studentDF.groupBy("gender").min("age").show
-
分组统计男女生人数，执行命令：
studentDF.groupBy("gender").count.show
（6）对数据帧进行排序操作
-
对年龄升序排列，执行命令：
studentDF.sort("age").show
-
对年龄降序排列，执行命令：
studentDF.sort(studentDF("age").desc).show
-
先按性别升序，再按年龄降序，- 执行命令：
studentDF.sort(studentDF("gender"), studentDF("age").desc).show
（7）重命名数据帧字段
-
执行命令：
studentDF.select(studentDF("id").as("学号"), studentDF("name").as("姓名"), studentDF("gender").as("性别"), studentDF("age").as("年龄")).show
-
直接对数据帧进行操作，其实并不是很方便，因此，我们需要基于数据帧创建临时视图，然后对于临时视图就可以进行SQL操作，那样就会十分方便。
（六）基于数据帧进行SQL查询
1、基于数据帧创建临时视图
-
基于学生数据帧
studentDF，创建一个临时视图student，就可以对student视图进行SQL操作 -
执行命令：
studentDF.createTempView("student")
-
如果临时视图存在，使用这个命令就会报错
-
此时，执行命令：
studentDF.createOrReplaceTempView("student")，就不会报错
-
如果指定的视图不存在，那就创建，如果存在，那就替换。
2、使用spark对象执行SQL查询
- 在Spark Shell环境里，系统已经创建了名为
spark的SparkSession对象 - spark.sql()方法用于执行一个SQL查询，返回结果是一个数据帧
（1）查询全部表记录
- 执行命令：
spark.sql("select * from student").show
（2）显示数据表结构
- 执行命令：
spark.sql("describe student").show
（3）对表进行投影操作
- 执行命令：
spark.sql("select name, age + 1 from student").show
（4）对表进行选择操作
-
查询年龄在19岁以上的记录，执行命令：
spark.sql("select * from student where age > 19").show
-
查询20岁以上的女生记录，执行命令：
spark.sql("select * from student where age > 20 and gender = '女'").show()
（5）对表进行统计操作
-
查询学生表总记录数，执行命令：
spark.sql("select count(*) count from student").show
-
大家试一试，可否使用中文别名。用中文别名要抛出解析异常。
-
分组统计男女生总年龄，执行命令：
spark.sql("select gender, sum(age) from student group by gender").show
-
分组统计男女生平均年龄，执行命令：
spark.sql("select gender, avg(age) from student group by gender").show
-
分组统计男女生最大年龄，执行命令：
spark.sql("select gender, max(age) from student group by gender").show
-
分组统计男女生最小年龄，执行命令：
spark.sql("select gender, min(age) from student group by gender").show
-
分组统计男女生人数，执行命令：
spark.sql("select gender, count(*) count from student group by gender").show
（6）对表进行排序操作
-
按年龄升序排列，执行命令：
spark.sql("select * from student order by age").show
-
按年龄降序排列，执行命令：
spark.sql("select * from student order by age desc").show
-
先按性别升序，再按年龄降序，执行命令：
spark.sql("select * from student order by gender asc, age desc").show
（7）重命名数据表字段
-
执行命令：
spark.sql("select id stu_id, name stu_name, gender stu_gender, age stu_age from student").show()
-
执行命令：
spark.sql("select id 学号, name 姓名, gender 性别, age 年龄 from student").show()，无法解析中文别名
五、课后作业
- 成绩表，包含四个字段（姓名、语文、数学、英语），只有三条记录
| 姓名 | 语文 | 数学 | 英语 |
|---|---|---|---|
| 张钦林 | 78 | 90 | 76 |
| 陈燕文 | 95 | 88 | 98 |
| 卢志刚 | 78 | 80 | 60 |
-
在
/home里创建scores.txt文件
-
将
scores.txt文件上传到HDFS上指定目录
-
基于
scores.txt文件，创建scoreDF数据帧 -
基于
scoreDF数据帧进行下列操作
（1）显示数据帧内容
（2）显示数据帧模式信息
（3）对数据帧进行投影操作
（4）对数据帧进行过滤操作
（5）对数据帧进行统计操作
（6）对数据帧进行排序操作
（7）重命名数据帧字段 -
基于
scoreDF数据帧创建临时表score -
基于
score数据表进行下列操作
（1）查询全部表记录
（2）显示数据表结构
（3）对表进行投影操作
（4）对表进行选择操作
（5）对表进行统计操作
（6）对表进行排序操作
（7）重命名数据表字段