SparkSQl簡介及運(yùn)行原理
一:什么是SparkSQL?
(一)SparkSQL簡介
Spark SQL是Spark的一個模塊,用于處理結(jié)構(gòu)化的數(shù)據(jù),它提供了一個數(shù)據(jù)抽象DataFrame(最核心的編程抽象就是DataFrame),并且SparkSQL作為分布式SQL查詢引擎。
Spark SQL就是將SQL轉(zhuǎn)換成一個任務(wù),提交到集群上運(yùn)行,類似于Hive的執(zhí)行方式。
(二)SparkSQL運(yùn)行原理
將Spark SQL轉(zhuǎn)化為RDD,然后提交到集群執(zhí)行。
(三)SparkSQL特點(diǎn)
(1)容易整合,Spark SQL已經(jīng)集成在Spark中
(2)提供了統(tǒng)一的數(shù)據(jù)訪問方式:JSON、CSV、JDBC、Parquet等都是使用統(tǒng)一的方式進(jìn)行訪問
(3)兼容 Hive
(4)標(biāo)準(zhǔn)的數(shù)據(jù)連接:JDBC、ODBC
二:DataFrame
(一)什么是DataFrame?
在Spark中,DataFrame是一種以RDD為基礎(chǔ)的分布式數(shù)據(jù)集,類似于傳統(tǒng)數(shù)據(jù)庫中的二維表格。
DataFrame是組織成命名列的數(shù)據(jù)集。
它在概念上等同于關(guān)系數(shù)據(jù)庫中的表,但在底層具有更豐富的優(yōu)化。
關(guān)系型數(shù)據(jù)庫中的表由表結(jié)構(gòu)和數(shù)據(jù)組成,而DataFrame也類似,由schema(結(jié)構(gòu))和數(shù)據(jù)組成,其數(shù)據(jù)集是RDD。

DataFrame可以根據(jù)很多源進(jìn)行構(gòu)建,包括:結(jié)構(gòu)化的數(shù)據(jù)文件,hive中的表,外部的關(guān)系型數(shù)據(jù)庫,以及RDD
補(bǔ)充:Spark中的RDD、DataFrame和DataSet講解
(一)Spark中的模塊

上圖展示了Spark的模塊及各模塊之間的關(guān)系:
底層是Spark-core核心模塊,Spark每個模塊都有一個核心抽象,Spark-core的核心抽象是RDD,
Spark SQL等都基于RDD封裝了自己的抽象,在Spark SQL中是DataFrame/DataSet。
相對來說RDD是更偏底層的抽象,DataFrame/DataSet是在其上做了一層封裝,做了優(yōu)化,使用起來更加方便。
從功能上來說,DataFrame/DataSet能做的事情RDD都能做,RDD能做的事情DataFrame/DataSet不一定能做。
(二)RDD和DataFrame的區(qū)別
DataFrame與RDD的主要區(qū)別在于:
DataFrame
DataFrame帶有schema元信息,即DataFrame所表示的二維表數(shù)據(jù)集的每一列都帶有名稱和類型。

使得Spark SQL得以洞察更多的結(jié)構(gòu)信息,從而對藏于DataFrame背后的數(shù)據(jù)源以及作用于DataFrame之上的變換進(jìn)行了針對性的優(yōu)化,最終達(dá)到大幅提升運(yùn)行時效率的目標(biāo)。
RDD
RDD,由于無從得知所存數(shù)據(jù)元素的具體內(nèi)部結(jié)構(gòu),Spark Core只能在stage層面進(jìn)行簡單、通用的流水線優(yōu)化。
DataFrame和RDD聯(lián)系:
DataFrame底層是以RDD為基礎(chǔ)的分布式數(shù)據(jù)集,和RDD的主要區(qū)別的是:RDD中沒有schema信息,而DataFrame中數(shù)據(jù)每一行都包含schema
DataFrame = RDD[Row] + shcema
三:SparkSession
(一)SparkSession簡介
SparkSession是Spark 2.0引如的新概念。SparkSession為用戶提供了統(tǒng)一的切入點(diǎn),來讓用戶學(xué)習(xí)spark的各項功能。
在spark的早期版本中,SparkContext是spark的主要切入點(diǎn),由于RDD是主要的API,我們通過sparkcontext來創(chuàng)建和操作RDD。
對于每個其他的API,我們需要使用不同的context。
例如,對于Streming,我們需要使用StreamingContext;對于sql,使用sqlContext;對于Hive,使用hiveContext。
但是隨著DataSet和DataFrame的API逐漸成為標(biāo)準(zhǔn)的API,就需要為他們建立接入點(diǎn)。所以在spark2.0中,引入SparkSession作為DataSet和DataFrame API的切入點(diǎn)。
SparkSession封裝了SparkConf、SparkContext和SQLContext。為了向后兼容,SQLContext和HiveContext也被保存下來。
(二)SparkSession實質(zhì)
SparkSession實質(zhì)上是SQLContext和HiveContext的組合(未來可能還會加上StreamingContext),所以在SQLContext和HiveContext上可用的API在SparkSession上同樣是可以使用的。
SparkSession內(nèi)部封裝了sparkContext,所以計算實際上是由sparkContext完成的。
(三)SparkSession特點(diǎn)
----為用戶提供一個統(tǒng)一的切入點(diǎn)使用Spark各項功能
----允許用戶通過它調(diào)用DataFrame和Dataset相關(guān) API來編寫程序
----減少了用戶需要了解的一些概念,可以很容易的與Spark進(jìn)行交互
----與Spark交互之時不需要顯示的創(chuàng)建SparkConf, SparkContext以及 SQlContext,這些對象已經(jīng)封閉在SparkSession中
四:通過RDD創(chuàng)建DataFrame
(一)通過樣本類創(chuàng)建(反射)
case class People(val name:String,val age:Int) //可以聲明數(shù)據(jù)類型
object WordCount {
def main(args:Array[String]):Unit={
val conf = new SparkConf()
//設(shè)置運(yùn)行模式為本地運(yùn)行,不然默認(rèn)是集群模式
//conf.setMaster("local") //默認(rèn)是集群模式
//設(shè)置任務(wù)名
conf.setAppName("WordCount").setMaster("local")
conf.set("spark.default.parallelism","5")
//設(shè)置SparkContext,是SparkCore的程序入口
val sc = new SparkContext(conf)
val Sqlsc = new SQLContext(sc) //根據(jù)SparkContext生成SQLContext
val array = Array("mark,14","kitty,23","dasi,45")
val peopleRDD = sc.parallelize(array).map(line=>{ //生成RDD
People(line.split(",")(0),line.split(",")(1).trim().toInt)
})
import Sqlsc.implicits._ //引入全部方法
//將RDD轉(zhuǎn)換成DataFrame
val df = peopleRDD.toDF()
//將DataFrame轉(zhuǎn)換成一個臨時的視圖
df.createOrReplaceTempView("people")
//使用SQL語句進(jìn)行查詢
Sqlsc.sql("select * from people").show()
}
}

(二)通過SparkSession創(chuàng)建DataFrame
object WordCount {
def main(args:Array[String]):Unit={
val conf = new SparkConf()
//設(shè)置運(yùn)行模式為本地運(yùn)行,不然默認(rèn)是集群模式
//conf.setMaster("local") //默認(rèn)是集群模式
//設(shè)置任務(wù)名
conf.setAppName("WordCount").setMaster("local")
conf.set("spark.default.parallelism","5")
//設(shè)置SparkContext,是SparkCore的程序入口
val sc = new SparkContext(conf)
val Sqlsc = new SQLContext(sc) //根據(jù)SparkContext生成SQLContext
val array = Array("mark,14","kitty,23","dasi,45")
//1.需要將RDD數(shù)據(jù)映射成Row,需要引入import org.apache.spark.sql.Row
val peopleRDD = sc.parallelize(array).map(line=>{ //生成RDD
val fields = line.split(",")
Row(fields(0),fields(1).trim().toInt)
})
//2.創(chuàng)建StructType定義結(jié)構(gòu)
val st:StructType = StructType(
//字段名,字段類型,是否可以為空
List( //傳參是列表類型,或者使用StructField("name", StringType, true) :: StructField("age", IntegerType, true) :: Nil來構(gòu)建列表
StructField("name",StringType,true),
StructField("age",IntegerType,true)
)
)
//3.使用SparkSession建立DataFrame
val df = Sqlsc.createDataFrame(peopleRDD,st)
//將DataFrame轉(zhuǎn)換成一個臨時的視圖
df.createOrReplaceTempView("people")
//使用SQL語句進(jìn)行查詢
Sqlsc.sql("select * from people").show()
}
}

(三)通過 json 文件創(chuàng)建DataFrames
[{"name":"dafa","age":12},{"name":"safaw","age":17},{"name":"ge","age":34}]
def main(args:Array[String]):Unit={
val conf = new SparkConf()
//設(shè)置運(yùn)行模式為本地運(yùn)行,不然默認(rèn)是集群模式
//conf.setMaster("local") //默認(rèn)是集群模式
//設(shè)置任務(wù)名
conf.setAppName("WordCount").setMaster("local")
//設(shè)置SparkContext,是SparkCore的程序入口
val sc = new SparkContext(conf)
val Sqlsc = new SQLContext(sc) //根據(jù)SparkContext生成SQLContext
//通過json數(shù)據(jù)直接創(chuàng)建DataFrame
val df = Sqlsc.read.json("E:\\1.json")
//將DataFrame轉(zhuǎn)換成一個臨時的視圖
df.createOrReplaceTempView("people1")
//使用SQL語句進(jìn)行查詢
Sqlsc.sql("select * from people1").show()
}

五:臨時視圖
(一)什么是視圖
視圖是一個虛表,跟Mysql里的概念是一樣的,視圖基于實際的表而存在,其實質(zhì)是一系列的查詢語句
(二)類型
局部視圖(Temoporary View):只在當(dāng)前會話中有效,如果創(chuàng)建它的會話終止,則視圖也會消失。
全局視圖(Global Temporary View): 在全局范圍內(nèi)有效,不同的Session中都可以訪問,生命周期是Spark的Application運(yùn)行周期,全局視圖會綁定到系統(tǒng)保留的數(shù)據(jù)庫global_temp中,因此使用它的時候必須加上相應(yīng)前綴。
(三)創(chuàng)建視圖
創(chuàng)建局部視圖:df.createOrReplaceTempView("emp")
創(chuàng)建全局視圖:df.createOrReplaceGlobalTempView("empG")
(四)視圖查詢
spark.sql("select * from emp").show
spark.sql("select * from global_temp.empG").show //查詢?nèi)忠晥D,需要添加前綴
(五)會話周期
spark.newSession.sql("select * from emp").show -----> 報錯,Table or View Not Found
spark.newSession.sql("select * from global_temp.empG").show ---->可以正常查詢
六:DataFrame的read和save和savemode
(一)數(shù)據(jù)讀取
val conf = new SparkConf().setAppName("TestDataFrame2").setMaster("local")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
//方式一
val df1 = sqlContext.read.json("E:\\666\\people.json")
val df2 = sqlContext.read.parquet("E:\\666\\users.parquet")
//方式二
val df3 = sqlContext.read.format("json").load("E:\\666\\people.json")
val df4 = sqlContext.read.format("parquet").load("E:\\666\\users.parquet")
//方式三,默認(rèn)是parquet格式
val df5 = sqlContext.load("E:\\666\\users.parquet")
//方式四,使用MySQL進(jìn)行數(shù)據(jù)源讀取
val url = "jdbc:mysql://192.168.123.102:3306/hivedb"
val table = "dbs"
val properties = new Properties()
properties.setProperty("user","root")
properties.setProperty("password","root")
//需要傳入Mysql的URL、表明、properties(連接數(shù)據(jù)庫的用戶名密碼)
val df = sqlContext.read.jdbc(url,table,properties)
df.createOrReplaceTempView("dbs")
sqlContext.sql("select * from dbs").show()
使用Hive作為數(shù)據(jù)源:需要在pom.xml文件中添加依賴
<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-hive -->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.11</artifactId>
<version>2.3.0</version>
</dependency>
開發(fā)環(huán)境則把resource文件夾下添加hive-site.xml文件,集群環(huán)境把hive的配置文件要發(fā)到$SPARK_HOME/conf目錄下

<configuration>
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://localhost:3306/hivedb?createDatabaseIfNotExist=true</value>
<description>JDBC connect string for a JDBC metastore</description>
<!-- 如果 mysql 和 hive 在同一個服務(wù)器節(jié)點(diǎn),那么請更改 hadoop02 為 localhost -->
</property>
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
<description>Driver class name for a JDBC metastore</description>
</property>
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
<description>username to use against metastore database</description>
</property>
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>root</value>
<description>password to use against metastore database</description>
</property>
<property>
<name>hive.metastore.warehouse.dir</name>
<value>/hive/warehouse</value>
<description>hive default warehouse, if nessecory, change it</description>
</property>
</configuration>
hive-site.xml配置文件
val conf = new SparkConf().setMaster("local").setAppName(this.getClass.getSimpleName)
val sc = new SparkContext(conf)
val sqlContext = new HiveContext(sc)
sqlContext.sql("select * from myhive.student").show()
(二)數(shù)據(jù)保存
val conf = new SparkConf().setAppName("TestDataFrame2").setMaster("local")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
val df1 = sqlContext.read.json("E:\\666\\people.json")
//方式一
df1.write.json("E:\\111")
df1.write.parquet("E:\\222")
//方式二
df1.write.format("json").save("E:\\333")
df1.write.format("parquet").save("E:\\444")
//方式三
df1.write.save("E:\\555")
(三)數(shù)據(jù)保存模式
df1.write.format("parquet").mode(SaveMode.Ignore).save("E:\\444")
七:數(shù)據(jù)集DataSet
Dataset也是一個分布式數(shù)據(jù)容器,簡單來說是類似二維表,Dataset里頭存有schema數(shù)據(jù)結(jié)構(gòu)信息和原生數(shù)據(jù),Dataset的底層封裝的是RDD,當(dāng)RDD的泛型是Row類型的時候,我們也可以稱它為DataFrame。即Dataset<Row> = DataFrame。DataFrame是特殊的Dataset。
Spark整合了Dataset和DataFrame,前者是有明確類型的數(shù)據(jù)集,后者是無明確類型的數(shù)據(jù)集。根據(jù)官方的文檔:
Dataset是一種強(qiáng)類型集合,與領(lǐng)域?qū)ο笙嚓P(guān),可以使用函數(shù)或者關(guān)系進(jìn)行分布式的操作。
每個Dataset也有一個無類型的視圖,叫做DataFrame,也就是關(guān)于Row的Dataset。
簡單來說,Dataset一般都是Dataset[T]形式,這里的T是指數(shù)據(jù)的類型,如上圖中的Person,而DataFrame就是一個Dataset[Row]。
Datasets是懶加載的,即只有actions被調(diào)用的時候才會觸發(fā)計算。在內(nèi)部,Dataset代表一個邏輯計劃,用來描述產(chǎn)生數(shù)據(jù)需要的計算。當(dāng)一個action被調(diào)用的時候,Spark的query優(yōu)化器會優(yōu)化這個邏輯計劃并以分布式的方式在物理上進(jìn)行實際的計算操作。
(一)創(chuàng)建和使用DataSet---使用序列
(1,"Tom") (2,"Mary")
測試數(shù)據(jù)
(1)定義case class
case class MyData(a:Int,b:String)
(2)使用序列創(chuàng)建DataSet
val DS = Seq(MyData(1,"Tom"),MyData(2,"Mary")).toDS
(二)創(chuàng)建和使用DataSet---通過case class作為編碼器,將DataFrame轉(zhuǎn)換成DataSet
(1)定義case class
case class Person(name:String,age:BigInt)
(2)讀入JSON的數(shù)據(jù)
val df = spark.read.json("/root/temp/people.json")
(3)將DataFrame轉(zhuǎn)換成DataSet
val PersonDS =df.as[Person]
(三)創(chuàng)建和使用DataSet---讀取HDFS數(shù)據(jù)文件
(1)讀取HDFS的文件,直接創(chuàng)建DataSet
val lineDS = spark.read.text("hdfs://bigdata111:9000/input/data.txt").as[String]
(2)分詞操作,查詢長度大于3的單詞
val words = lineDS.flatMap(_.split(" ")).filter(_.length > 3)
words.show
words.collect
到此這篇關(guān)于SparkSQl簡介及運(yùn)行原理的文章就介紹到這了,更多相關(guān)SparkSQl使用內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
Java構(gòu)造代碼塊,靜態(tài)代碼塊原理與用法實例分析
這篇文章主要介紹了Java構(gòu)造代碼塊,靜態(tài)代碼塊,結(jié)合實例形式分析了Java構(gòu)造代碼塊,靜態(tài)代碼塊的功能、原理、用法及操作注意事項,需要的朋友可以參考下2020-04-04
java使用URLDecoder和URLEncoder對中文字符進(jìn)行編碼和解碼
這篇文章主要介紹了java 使用 URLDecoder 和 URLEncoder 對中文字符進(jìn)行編碼和解碼,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-07-07
SpringBoot 內(nèi)嵌 camunda的配置方法
Camunda是一個基于Java的框架,支持用于工作流和流程自動化的BPMN、用于案例管理的CMMN和用于業(yè)務(wù)決策管理的DMN,這篇文章主要介紹了SpringBoot 內(nèi)嵌 camunda,需要的朋友可以參考下2024-06-06
Java運(yùn)行時jar終端輸出的中文日志亂碼兩種解決方式
jar包啟動,今天java開發(fā)過來找,說jar包啟動日志是亂碼,這篇文章主要給大家介紹了關(guān)于Java運(yùn)行時jar終端輸出的中文日志亂碼的兩種解決方式,文中通過圖文介紹的非常詳細(xì),需要的朋友可以參考下2024-01-01

