153-184-spark-核心编程-sparksql

153-spark-核心编程-sparksql：

Spark SQL 是 Spark 用于结构化数据(structured data)处理的 Spark 模块。

SparkSql的特点：
易整合：完美整合了sql查询和spark编程。兼容hive：可直接运行sql或者hivesql。标准jdbc连接，统一的数据访问

DataFrame和DataSet的区别

DataFrame是什么：
DataFrame 是以 RDD 为基础的分布式数据集，类似于传统数据库中的二维表格。DataFrame 与 RDD 的主要区别在于，前者带有 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。
下图可更好体现两者的区别。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。右侧的DataFrame含详细结构，使Spark SQL知道数据集中的列一节列的信息(类型以及名称)。

DataFrame 是为数据提供了 Schema 的视图。可以把它当做数据库中的一张表来对待DataFrame 也是懒执行的，但性能上比 RDD 要高，主要原因：优化的执行计划，即查询计划通过 Spark catalyst optimiser 进行优化。比如下面一个例子:

DataSet是什么：

DataSet 是dataframe的扩展，也是分布式数据集合。它提供了 RDD 的优势（强类型，使用强大的 lambda 函数的能力）以及 Spark SQL 优化执行引擎的优点。DataSet 也可以使用功能性的转换（操作 map，flatMap，filter等等）

1、DS 是 DF API 的扩展，是 SparkSQL 最新的数据抽象
2、对类型进行了安全检查，同时也具有 DataFrame 的查询优化特性，api使用方便
3、用样例类来对 DataSet 中定义数据的结构信息，样例类中每个属性的名称直接映射到DataSet 中的字段名称
4、DataSet是强类型的。比如DataSet[Car]，DataSet[Person]。
5、DF 是 DataSet 的特列，DataFrame=DataSet[Row] ，可以通过 as 方法将DataFrame 转换为 DataSet。Row 是一个类型，跟 Car、Person 这些的类型一样，所有的表结构信息都用 Row 来表示。获取数据时需要指定顺序

DataFrame

Spark SQL 的 DataFrame API 允许使用 DataFrame 而不用必须去注册临时表或者生成 SQL 表达式。DataFrame API 既有 transformation 操作也有 action 操作。

创建 DataFrame

在 Spark SQL 中 SparkSession 是创建 DataFrame 和执行 SQL 的入口，创建 DataFrame有三种方式：

通过 Spark 的数据源进行创建；从一个存在的 RDD 进行转换；还可以从 HiveTable 进行查询返回。

1. 从 Spark 数据源进行创建

➢ 查看 Spark 支持创建文件的数据源格式

scala> spark.read. 		tab键
csv format jdbc json load option options orc parquet schema 

➢ 在 spark 的 bin/input 目录中创建 user.json 文件

{"username":"zhangsan","age":20}
{"username":"lisi","age":30}
{"username":"wangwu","age":40}

➢ 读取 json 文件创建 DataFrame

scala> val df = spark.read.json("input/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]
scala> df.show
scala> df.createOrReplaceTempView("user")
scala> spark.sql("select age from user").show
scala> spark.sql("select avg(age) from user").show

注意：普通临时表是 Session 范围内的，如果想应用范围内有效，可以使用全局临时表。使用全局临时表时需要全路径访问，如：global_temp.people

1) 对于 DataFrame 创建一个全局表
scala> val df = spark.read.json("input/user.json")
scala> df.createGlobalTempView("people")
2) 通过 SQL 语句实现查询全表
scala> spark.sql("SELECT * FROM global_temp.people").show()
scala> spark.newSession().sql("SELECT * FROM global_temp.people").show()

DSL 语法

DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。可以在 Scala, Java, Python 和 R 中使用 DSL，使用 DSL 语法风格不必去创建临时视图了

1. 创建一个 DataFrame

scala> val df = spark.read.json("input/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

2. 查看 DataFrame 的 Schema 信息

scala> df.printSchema
root
	|-- age: Long (nullable = true)
	|-- username: string (nullable = true)

3. 只查看"username"列数据，

scala> df.select("username").show()

4. 查看"username"列数据以及"age+1"数据

注意:涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式：单引号+字段名

scala> df.select($"username",$"age" + 1).show
scala> df.select('username, 'age + 1).show()
scala> df.select('username, 'age + 1 as "newage").show()

5. 查看"age"大于"30"的数据

scala> df.filter($"age">30).show

6. 按照"age"分组，查看数据条数

scala> df.groupBy("age").count.show

RDD转换为DataFrame

如需要 RDD 与 DF 或者 DS 之间互相操作，那么需要引入import spark.implicits._

这里的 spark 不是 Scala 中的包名，而是创建的 sparkSession 对象的变量名称，所以必须先创建 SparkSession 对象再导入。这里的 spark 对象不能使用 var 声明，因为 Scala 只支持val 修饰的对象的引入。spark-shell 中无需导入，自动完成此操作。

scala> val idRDD = sc.mkRDD(List(1,2,3,4))
scala> idRDD.toDF("id").show

实际开发中，一般通过样例类将 RDD 转换为 DataFrame

scala> case class User(name:String, age:Int)
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, t._2)).toDF.show

DataFrame转换为RDD

DataFrame 其实就是对 RDD 的封装，所以可以直接获取内部的 RDD

scala> val df = sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, t._2)).toDF
scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[46] at rdd at :25
scala> val array = rdd.collect
array: Array[org.apache.spark.sql.Row] = Array([zhangsan,30], [lisi,40])

注意：此时得到的 RDD 存储类型为 Row

scala> array(0)
res28: org.apache.spark.sql.Row = [zhangsan,30]
scala> array(0)(0)
res29: Any = zhangsan
scala> array(0).getAs[String]("name")
res30: String = zhangsan

DataSet :DataSet 是具有强类型的数据集合，需要提供对应的类型信息。

创建DataSet

1） 使用样例类序列创建 DataSet

scala> case class Person(name: String, age: Long)
scala> val caseClassDS = Seq(Person("zhangsan",2)).toDS()
scala> caseClassDS.show

2） 使用基本类型的序列创建 DataSet

scala> val ds = Seq(1,2,3,4,5).toDS
scala> ds.show

注意：在实际使用的时候，很少用到把序列转换成DataSet，更多的是通过RDD来得到DataSet

RDD转换为DataSet

SparkSQL 能够自动将包含有 case 类的 RDD 转换成 DataSet，case 类定义了 table 的结构，case 类属性通过反射变成了表的列名。Case 类可以包含诸如 Seq 或者 Array 等复杂的结构。

scala> case class User(name:String, age:Int)
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS

DataSet转换为RDD

DataSet 其实也是对 RDD 的封装，所以可以直接获取内部的 RDD

scala> case class User(name:String, age:Int)
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS
scala> val rdd = res11.rdd
scala> rdd.collect

DataFrame和DataSet转换

DataFrame 其实是 DataSet 的特例，所以它们之间是可以互相转换的。

➢ DataFrame 转换为 DataSet

scala> case class User(name:String, age:Int)
scala> val df = sc.makeRDD(List(("zhangsan",30), ("lisi",49))).toDF("name","age")
scala> val ds = df.as[User]

➢ DataSet 转换为 DataFrame

scala> val ds = df.as[User]
scala> val df = ds.toDF

RDD、DataFrame、DataSet三者的关系

在 SparkSQL 中 Spark 为我们提供了两个新的抽象，分别是 DataFrame 和 DataSet。他们和 RDD 的区别。版本上来看：

➢ Spark1.0 => RDD ➢ Spark1.3 => DataFrame ➢ Spark1.6 => Dataset

三者的共性

1、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、遇见Action 如 foreach 时，三者才会开始遍历运算创建转换， 惰性机制
3、共同的函数，如 filter，排序等;
4、在对 DF 和 DS 进行操作许多操作都需要这个包:import spark.implicits._（在创建好 SparkSession 对象后尽量直接导入）
5、都会根据 Spark 的内存情况自动缓存运算，即使数据量很大，也不用担心会内存溢出
6、都有 partition 的概念
7、 DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型

三者的区别

1. RDD
   1、 RDD 一般和 spark mllib 同时使用
   2、 RDD 不支持 sparksql 操作

2. DataFrame
   1、与 RDD 和 Dataset 不同，DataFrame 每一行的类型固定为 Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值
   2、DataFrame 与 DataSet 一般不与 spark mllib 同时使用 ，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
   3、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(后面专门讲解)

3. DataSet
   1、Ds 和 DF 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 其实就是 DataSet 的一个特例
   2、DF 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

三者的互相转换

IDEA开发SparkSQL

添加依赖

 org.apache.spark
 spark-sql_2.12
 3.0.0

测试案例即相互转换 spark.sql.com.zh.Spark01_SparkSQL_Basic

用户自定义函数 用户可以通过 spark.udf 功能添加自定义函数，实现自定义功能。 spark.sql.com.zh.Spark02_SparkSQL_UDF

UDF和UDAF，强类型的 Dataset 和弱类型的 DataFrame 都提供了相关的聚合函数， 如 count()，countDistinct()，avg()，max()，min()。除此之外，用户可以设定自己的自定义聚合函数。通过继承 UserDefinedAggregateFunction 来实现用户自定义弱类型聚合函数。从 Spark3.0 版本后，UserDefinedAggregateFunction 已经不推荐使用了。可以统一采用强类型聚合函数Aggregator

案例测试：计算平均工资

相关代码：spark.sql.com.zh.Spark03_SparkSQL_UDAF Spark03_SparkSQL_UDAF2 Spark03_SparkSQL_UDAF_StrongRef

1) 实现方式 - RDD

val conf: SparkConf = new SparkConf().setAppName("app").setMaster("local[*]")
val sc: SparkContext = new SparkContext(conf)
val res: (Int, Int) = sc.makeRDD(List(("zhangsan", 20), ("lisi", 30), ("wangw", 
40))).map {
 case (name, age) => {
 (age, 1)
 }
}.reduce {
 (t1, t2) => {
 (t1._1 + t2._1, t1._2 + t2._2)
 } }
println(res._1/res._2)
// 关闭连接
sc.stop()

2) 实现方式 - 累加器

class MyAC extends AccumulatorV2[Int,Int]{
 var sum:Int = 0
 var count:Int = 0
 override def isZero: Boolean = {
 return sum ==0 && count == 0
 }
 override def copy(): AccumulatorV2[Int, Int] = {
 val newMyAc = new MyAC
 newMyAc.sum = this.sum
 newMyAc.count = this.count
 newMyAc
 }
 override def reset(): Unit = {
 sum =0
 count = 0
 }
 override def add(v: Int): Unit = {
 sum += v
 count += 1
 }
 override def merge(other: AccumulatorV2[Int, Int]): Unit = {
 other match {
 case o:MyAC=>{
 sum += o.sum
 count += o.count
 }
 case _=>
 }
 }
 override def value: Int = sum/count
}

数据的加载和保存

SparkSQL 提供了通用的保存数据和数据加载的方式。根据不同的参数读取和保存不同格式的数据，SparkSQL 默认读取和保存的文件格式为 parquet

加载数据

spark.read.load 是加载数据的通用方法

scala> spark.read.
csv format jdbc json load option options orc parquet schema table text textFile

如果读取不同格式的数据，可以对不同的数据格式进行设定

scala> spark.read.format(“…”)[.option(“…”)].load(“…”)

➢ format(“…”)：指定加载的数据类型，包括"csv"、“jdbc”、“json”、“orc”、“parquet"和"textFile”。

➢ load(“…”)：在"csv"、“jdbc”、“json”、“orc”、"parquet"和"textFile"格式下需要传入加载数据的路径。

➢ option(“…”)：在"jdbc"格式下需传入 JDBC 相应参数，url、user、password 和 dbtable

前面都是使用 read API 先把文件加载到 DataFrame 然后再查询，也可直接在文件上进行查询:

scala> spark.sql("select * from json.`input/user.json`").show

保存数据

df.write.save 是保存数据的通用方法

scala>df.write.
csv jdbc json orc parquet textFile… …

如果保存不同格式的数据，可以对不同的数据格式进行设定

scala>df.write.format(“…”)[.option(“…”)].save(“…”)

➢ format(“…”)：指定保存的数据类型，包括"csv"、“jdbc”、“json”、“orc”、“parquet"和"textFile”。

➢ save (“…”)：在"csv"、“orc”、"parquet"和"textFile"格式下需要传入保存数据的路径。

➢ option(“…”)：在"jdbc"格式下需要传入 JDBC 相应参数，url、user、password 和 dbtable

保存操作可用 SaveMode来指明如何处理数据，用 mode()方法来设置。注意: SaveMode 都是没有加锁的, 也不是原子操作。

SaveMode 是一个枚举类，其中的常量包括：

df.write.mode("append").json("/opt/module/data/output")

Parquet

Spark SQL 默认数据源为 Parquet 格式。Parquet 是一种能够有效存储嵌套数据的列式存储格式。

数据源为 Parquet 文件时，Spark SQL 可以方便的执行所有的操作，不需要使用 format。修改配置项 spark.sql.sources.default，可修改默认数据源格式。

1) 加载数据

scala> val df = spark.read.load("examples/src/main/resources/users.parquet")
scala> df.show

2) 保存数据

scala> var df = spark.read.json("/opt/module/data/input/people.json")
//保存为 parquet 格式
scala> df.write.mode("append").save("/opt/module/data/output")

JSON

Spark SQL 能自动推测 JSON 数据集的结构，并将它加载为一个 Dataset[Row]. 可以通过 SparkSession.read.json()去加载 JSON 文件。

注意：Spark 读取的 JSON 文件不是传统的 JSON 文件，每一行都应该是一个 JSON 串。格式如下：

{"name":"Michael"}
{"name":"Andy"， "age":30}
[{"name":"Justin"， "age":19},{"name":"Justin"， "age":19}]

1）导入隐式转换

import spark.implicits._

2）加载 JSON 文件

scala>	spark.read.json("input/user.json")

CSV

Spark SQL 可以配置 CSV 文件的列表信息，读取 CSV 文件,CSV 文件的第一行设置为数据列

spark.read.format(“csv”).option(“sep”, “;”).option(“inferSchema”, “true”).option(“header”, “true”).load(“data/user.csv”)

SparkSql连接mysql数据库

Spark SQL 可以通过 JDBC 从关系型数据库中读取数据的方式创建 DataFrame，通过对DataFrame 一系列的计算后，还可以将数据再写回关系型数据库中。

依赖

 mysql
 mysql-connector-java
 5.1.27

sparksql连接mysql Spark04_SparkSQL_JDBC_MYSQL

外部的 HIVE

如果想连接外部已经部署好的 Hive，需要通过以下几个步骤：

➢ Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下

➢ 把 Mysql 的驱动 copy 到 jars/目录下

➢ 如果访问不到 hdfs，则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下

➢ 重启 spark-shell

scala> spark.sql("show tables").show
21/10/31 22:05:14 WARN ObjectStore: Failed to get database global_temp, returning 
NoSuchObjectException
+--------+--------------------+-----------+
|database| tableName|isTemporary|
+--------+--------------------+-----------+
| default| emp| false|
| default|hive_hbase_emp_table| false|
| default| relevance_hbase_emp| false|
| default| staff_hive| false|
| default| ttt| false|
| default| user_visit_action| false|
+--------+--------------------+-----------+

代码操作 Hive

1）导入依赖

 org.apache.spark
 spark-hive_2.12
 3.0.0


 org.apache.hive
 hive-exec
 1.2.1


 mysql
 mysql-connector-java
 5.1.27

2）将 hive-site.xml 文件拷贝到项目的 resources 目录中，代码实现

//创建 SparkSession
val spark: SparkSession = SparkSession
 .builder()
 .enableHiveSupport()
 .master("local[*]")
 .appName("sql")
 .getOrCreate()

注意：在开发工具中创建数据库默认是在本地仓库，通过参数修改数据库仓库的地址:

config(“spark.sql.warehouse.dir”, “hdfs://linux1:8020/user/hive/warehouse”)

如果在执行操作时，出现如下错误：

可以代码最前面增加如下代码解决：System.setProperty(“HADOOP_USER_NAME”, “root” root 为自己的 hadoop 用户名称

运行 Spark beeline

运行 Spark beeline

如果想连接 Thrift Server，需要通过以下几个步骤：

➢ Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下

➢ 把 Mysql 的驱动 copy 到 jars/目录下

➢ 如果访问不到 hdfs，则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下

➢ 启动 Thrift Server sbin/start-thriftserver.sh

➢ 使用 beeline 连接 Thrift Server

bin/beeline -u jdbc:hive2://192.168.1.102:10000 -n root

SparkSQL案例测试：spark.sql.com.zh.Spark06_SparkSQL_Test Spark06_SparkSQL_Test2

学习路径：https://space.bilibili.com/302417610/，如有侵权，请联系q进行删除：3623472230