sparkSQL1.1入门之十：总结

      回顾一下，在前面几章中，就sparkSQL1.1.0基本概念、运行架构、基本操作和实用工具做了基本介绍。

基本概念：

• SchemaRDD
  • Rule
  • Tree
  • LogicPlan
  • Parser
  • Analyzer
  • Optimizer
  • SparkPlan
• 运行架构：
  • sqlContext运行架构
  • hiveContext运行架构
• 基本操作
  • 原生RDD的操作
  • parquet文件的操作
  • json文件的操作
  • hive数据的操作
  • 和其他spark组件混合使用
• 实用工具
  • hive/console的操作
  • CLI的配置和操作
  • ThriftServer的配置和操作

      由于时间仓促，有很多地方来不及详细，特别是第三章和第九章；另外还有一些新的特性没有介绍，比如列存储的实现过程、CODEGEN的源码分析等，将在后续的版本逐步完善。

     从总体上来说，由于CLI的引入，使得sparkSQL1.1.0在易用性方面得到了极大地提高；而ThriftServer的引入，方便了开发者对基于SparkSQL的应用程序开发；hive/console的引入，极大地方面了开发者对sparkSQL源码的修改和调试；还有json数据的引入，不但扩充了sparkSQL的数据来源，同时对嵌套数据开始做了尝试。从Spark1.1.0开始，sparkSQL逐渐开始像是一个产品了，而不像spark1.0.0，感觉像是一个测试品。当然，由于sparkSQL项目的启动时间比较晚，到现在为止还不到一年，在很多方面还存在着不足：

• SQL-92语法的支持度，sparkSQL使用了一个简单的SQL语法解析器，对于一些复杂的语法没办法解析，比如三个表进行join的时候，不能一次性join，而要通过两两join后再join一次；
• cost model ，虽然sparkSQL的catalyst在最初设计的时候就考虑到了cost model，但在现在的版本还没有引入。我们相信，未来引入cost model之后，sparkSQL的性能将得到进一步地提升；
• 并发性能，从impala得到的信息，sparkSQL的并发性能和impala相比，还是有不少的差距，这将是sparkSQL的一个发展方向。

 

      匆匆忙忙中，sparkSQL1.1入门第一版就先在这里结束吧。特别感谢一下网站或博客提供了相关的知识：

www.databricks.com

spark.apache.org

github.com/apache/spark

http://spark-summit.org/2014

徽沪一郎 

OopsOutOfMemory 

张包峰的博客