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。
➢ 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
scala> val df = spark.read.json("input/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]
scala> df.printSchema
root
|-- age: Long (nullable = true)
|-- username: string (nullable = true)
scala> df.select("username").show()
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",$"age" + 1).show
scala> df.select('username, 'age + 1).show()
scala> df.select('username, 'age + 1 as "newage").show()
scala> df.filter($"age">30).show
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
RDD
1、 RDD 一般和 spark mllib 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,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)
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
}
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