sparksql介绍

1.1 SparkSQL介绍

    SparkSQL，顾名思义，就是Spark生态体系中的构建在SparkCore基础之上的一个基于SQL的计算模块。   SparkSQL的前身不叫SparkSQL，而叫Shark，最开始的时候底层代码优化，sql的解析、执行引擎等等完全基于Hive，总是Shark的执行速度要比Hive高出一个数量级，但是hive的发展制约了Shark，所以在15年中旬的时候，Shark负责人，将Shark项目结束掉，重新独立出来的一个项目，就是SparkSQL，不在依赖Hive，做了独立的发展，逐渐的形成两条互相独立的业务：SparkSQL和Hive-On-Spark。在SparkSQL发展过程中，同时也吸收了Shark有些的特点：基于内存的列存储，动态字节码优化技术。

1.1.1 SparkSQL概述

    Spark SQL是用于结构化数据处理的Spark模块。与基本的Spark RDD API不同，Spark SQL提供的接口为Spark提供了有关数据结构和正在执行的计算的更多信息。在内部，Spark SQL使用这些额外的信息来执行额外的优化。有几种与Spark SQL交互的方法，包括SQL和Dataset API。计算结果时，将使用相同的执行引擎，这与用于表示计算的API/语言无关。这种统一意味着开发人员可以轻松地在不同的API之间来回切换，基于API的切换提供了表示给定转换的最自然的方式。

1.1.2 SparkSQL特点

1.1.3 总结

SparkSQL就是Spark生态体系中用于处理结构化数据的一个模块。

• 结构化数据是什么？

• 存储在关系型数据库中的数据，就是结构化数据.

• 半结构化数据是什么？

• 类似xml、json等的格式的数据被称之为半结构化数据.

• 非结构化数据是什么？

• 音频、视频、图片等为非结构化数据.

换句话说，SparkSQL处理的就是二维表数据。

sparksql引申：

Spark SQL是Apache Spark的一个模块，用于处理结构化数据的分布式计算引擎。它提供了一个用于处理大规模数据的统一的数据访问接口，支持SQL查询、DataFrame和Dataset API。Spark SQL具有高性能、易用性和灵活性，可以用于数据分析、数据挖掘、机器学习等多种场景。

Spark SQL的核心是Catalyst优化器，它能够对SQL查询进行优化，提高查询性能。Catalyst优化器使用了一系列的规则和优化技术，包括谓词下推、投影消除、列剪裁等，以及逻辑优化、物理优化和执行优化。通过这些优化技术，Spark SQL可以在处理大规模数据时提供高性能的查询处理能力。

Spark SQL支持多种数据源，包括Hive、HBase、Parquet、JSON、CSV等，可以方便地与其他数据存储系统集成。它还提供了丰富的内置函数和UDF（用户自定义函数）支持，可以方便地进行数据处理和计算。

除了支持SQL查询外，Spark SQL还引入了DataFrame和Dataset API，这两个API提供了更加灵活和高效的数据操作方式。DataFrame是一种类似于关系型数据库表的数据结构，可以进行类似于SQL的操作，如过滤、聚合、排序等。而Dataset是DataFrame的扩展，它提供了类型安全的数据操作方式，可以在编译时进行类型检查，避免在运行时出现类型错误。

Spark SQL还提供了丰富的集成功能，可以与Spark的其他模块（如Spark Streaming、Spark MLlib等）无缝集成，支持流处理、机器学习等多种应用场景。同时，它还支持与第三方工具（如Tableau、PowerBI等）的集成，可以方便地将Spark SQL的查询结果可视化展示。

总的来说，Spark SQL是一个功能强大、性能高效、易用灵活的分布式计算引擎，可以满足大规模数据处理的需求，支持多种数据源和多种数据操作方式，是大数据处理和分析的理想选择。随着Spark生态系统的不断完善和发展，Spark SQL将会在大数据领域发挥越来越重要的作用。

Guff_hys_python数据结构,大数据开发学习,python实训项目-CSDN博客

SparkSQL概述

SparkSQL特点

总结