Spark-SQL详解

前言

在没有sparkSql之前，进行数据分析一般通过MR，SQL
但是MR运行慢，操作较为复杂，即效率比较低。
SQL运行速度较快，操作也方便。但是面向的是关系型数据库，并不适合大数据开发
模仿SQL–>HIVE
HIVE是将HIVE SQL 转换成MapReduce然后提交到集群上执行，虽然简化了Mapredece程序复杂性，但是由于MapReduce计算模型自身限制，速度并不是很快
spark模仿hive，自己形成了SparkSQL，将Spark SQL 转化为RDD，然后提交到集群执行，执行效率非常快

什么是Spark SQL

Spark SQL 是Spark用来处理结构化数据的一个模块，
但是Spark 中数据（RDD）并没有结构，怎么办呢？
在SparkSQL中Spark为我们提供了两个新的抽象
DataFrame
DataSet

Spark SQL 特点
1）Integrated(易整合)
2）Uniform Data Access(统一的数据访问方式)
3）Hive Integration(集成 Hive)
4）Standard Connectivity(标准的连接方式)

DataFrame

与RDD类似，DataFrame 是一个分布式数据容器，DataFrame 更像传统数据库的二位表格，除了数据以外，还记录数据的结构信息（即schema），强调的是结构，和属性没有太大关系

上图直观地体现了DataFrame和RDD的区别。
1）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。
2）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。
3）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，
4）DataFrame也是懒执行的

性能上比 RDD要高，主要原因： 优化的执行计划：查询计划通过Spark catalyst optimiser进行优化

比如下面一个例子:

为了说明查询优化，我们来看上图展示的人口数据分析的示例。图中构造了两个DataFrame，将它们join之后又做了一次filter操作。
如果原封不动地执行这个执行计划，最终的执行效率是不高的。因为join是一个代价较大的操作，也可能会产生一个较大的数据集。
如果我们能将filter下推到 join下方，先对DataFrame进行过滤，再join过滤后的较小的结果集，便可以有效缩短执行时间。
而Spark SQL的查询优化器正是这样做的。简而言之，逻辑查询计划优化就是一个利用基于关系代数的等价变换，将高成本的操作替换为低成本操作的过程。

DataFrame 基本操作

SparkSession

在老的版本中，SparkSQL 提供两种 SQL 查询起始点：一个叫SQLContext，用于Spark 自己提供的 SQL 查询；一个叫 HiveContext，用于连接 Hive 的查询。
从2.0开始, SparkSession是 Spark 最新的 SQL 查询起始点，实质上是SQLContext和HiveContext的组合，所以在SQLContext和HiveContext上可用的 API 在SparkSession上同样是可以使用的。
SparkSession内部封装了SparkContext，所以计算实际上是由SparkContext完成的。
当我们使用 spark-shell 的时候, spark 会自动的创建一个叫做spark的SparkSession, 就像我们以前可以自动获取到一个sc来表示SparkContext

创建DataFrame

有了 SparkSession 之后, 通过 SparkSession有 3 种方式来创建DataFrame:

1） 通过 Spark 的数据源创建

spark支持的数据源：

通过spark.read 读取的文件会自动转化为DataFrame
案例：
创建一个json文件

{
   "name" = "Michae","salary"=3000}
{
   "name" = "Andy","salary"=4500}
{
   "name" = "Justin","salary"=3500}
{
   "name" = "Berta","salary"=4000}

命令行模式：

scala> val df = spark.read.json("file:///.../test.json")
scala> df.show

结果：
+-------+------+
|   name|salary|
+-------+------+
|Michael|  3000|
|   Andy|  4500|
| Justin|  3500|
|  Berta|  4000|
+-------+------+

将查询结果转化为视图createTempView()，没有转化为临时表createTempTable()是因为视图不可变，

scala> df.createTempView("test")
scala> spark.sql("select * from test").show
+-------+------+
|   name|salary|
+-------+------+
|Michael|  3000|
|   Andy|  4500|
| Justin|  3500|
|  Berta|  4000|
+-------+------+
scala> spark.sql("select name from test").show
+-------+
|   name|
+-------+
|Michael|  
|   Andy|  
| Justin|  
|  Berta| 
+-------+

注意:⭐⭐⭐⭐

1. 临时视图只能在当前 Session 有效, 在新的 Session 中无效.
2. 可以创建全局视图. 访问全局视图需要全路径:如
   global_temp.xxx

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

#创建全局的临时表
scala> df.createGlobalTempView("people")

#访问需要全路径global_temp.people
scala> spark.sql("select * from global_temp.people")
res31: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

scala> res31.show
+----+-------+
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+


scala> spark.newSession.sql("select * from global_temp.people")
res33: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

scala> res33.show
+----+-------+
| age|   name|
+----+-------+
|null|Michael