|
sparksql:
Spark SQL是Spark处理数据的一个模块
专门用来处理结构化数据的模块，像json，parquet，avro，csv，普通表格数据等均可。
与基础RDD的API不同，Spark SQL中提供的接口将提供给更多关于结构化数据和计算的信息，并针对这些信息，进行额外的处理优化
操作方式说明：
? ? ?SparkSql shell：
类似于hive shell
? ? ?DataFrames API：
最早专为sql on spark设计的数据抽象，与RDD相似，增加了数据结构scheme描述信息部分。
写spark代码，面向DF(DataFrams缩写)编程，可以与其它Spark应用代码无缝集成。
比RDD更丰富的算子，更有利于提升执行效率、减少数据读取、执行计划优化。
? ? ? DataSets API：
集成了RDD强类型和DataFrames结构化的优点，官方正强力打造的新数据抽象类型。
写spark代码，面向DS编程，可以与其它Spark应用代码无缝集成。
比RDD更丰富的算子，更有利于提升执行效率、减少数据读取、执行计划优化。
? ? ? ? ?面向程序接口对接的操作：通过JDBC、ODBC等方式操作SparkSql
通过jdbc、odbc链接后，发送相关的sparksql请求，实现基于sparksql功能开发。
? ??
? ? ?SparkSQl特点：
??
可以利用SQL、DataFrams API、DataSets API或其它语言调用的基于sparksql模块计算，均是sparkcore执行引擎，其对计算的表达是独立的，即开发人员可以轻松在不同API之间切换实现相同的功能。
也可以通过命令行、JDBC、ODBC的方式来操作SparkSQL，方便其它数据平台、BI平台使用SparkSql模块。
在spark应用程序开发中，可以无缝使用SparkSql操作数据。
可以直接使用Hive表格数据。
与Hive的兼容性极好：它复用了Hive的前端(去掉驱动mapreduce执行任务的部分)和元数据，因此可以拿过来hivesql的东西在sparksql上运行即可。
并不是100%完全兼容，但绝大多数情况下，不需要改动，或只需要极小的改动！！！
比如个别版本不支持直接insert into table xxx values(xxx...)的插入数据的方式
SparkSql的应用中，sql是一个重要方面，但不局限制sql。
sparksql操作代码：
1.SparkSql Shell操作SparkSql：
//直接输入spark-sql+自己想要添加的参数即可，与spark-shell相似
spark-sql [options]
//如指定运行模式
spark-sql local[*]
//如指定运行spark webui服务的端口，解决多人共用一个入口机时候的进入时候报port bind exception的问题
spark-sql --conf spark.ui.port=4075
//也可以用于似于hive -e的方式，直接直接一段sparksql代码
spark-sql –e “sparksql code”
2.DataFrames API 操作 SparkSql
与之前的Sbt构建SparkWordCount步骤完全一样。
1.6版本
package?com.tl.job003.sql
import?org.apache.spark.SparkConf
import?org.apache.spark.SparkContext
import?org.apache.spark.sql.SQLContext
object?SparkSqlTest?{
??def?main(args: Array[String]) {
???val?conf?=?new?SparkConf()
???conf.setMaster("local");
???conf.setAppName("TestSparkSql");
???val?sc?=?new?SparkContext(conf)
???val?sqlContext?=?new?SQLContext(sc)
???// 添加将RDD转化为DataFrame的功能包引入
???import?sqlContext.implicits._
???val?df?=?sqlContext.read.json("file:\\E:\\test\\job003\\sparksql\\input_weibo.json")
???df.show();
???sc.stop();
? }
}
- DataFrame常用操作
- 常用命令
- show
- printSchema
- select
- filter
- groupBy
- count
- orderBy
- 其它操作类比于sql即可
- 综合示例-1.6.x
package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
? def main(args: Array[String]) {
?? val conf = new SparkConf()
?? conf.setMaster("local");
?? conf.setAppName("TestSparkSql");
?? val sc = new SparkContext(conf)
?? val sqlContext = new SQLContext(sc)
?? // 添加将RDD转化为DataFrame的功能包引入
?? import sqlContext.implicits._
?? val df = sqlContext.read.json("file:\\E:\\test\\job003\\sparksql\\input_weibo.json")
?? //默认显示内容的top20
?? df.show()
?? // 打印内容对应的表结构
?? df.printSchema()
?? // 选择内容当中的某一个列对应的内容
?? df.select("content").show()
?? // 选择任意列并进行自定义操作
?? df.select(df("content"), df("commentCount"), df("commentCount") + 10000).show()
?? // 选择评论数大于100的数据显示出来
?? df.filter(df("commentCount") > 100).show()
??
?? // 按userId进行分组计数统计
?? df.groupBy("userId").count().show()
??
?? //分组统计结果按默认升序排列
?? df.groupBy("userId").count().orderBy("count").show()
??
?? //分组统计结果按降序排列
?? import org.apache.spark.sql.functions._
?? df.groupBy("userId").count().orderBy(desc("count")).show()
?? sc.stop();
? }
}
| package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession object TestSparkSqlFor2_3_x { ??def main(args: Array[String]): Unit = { ????//1、构建spark session ????val sparkSession = SparkSession ??????.builder() ??????.appName("SparkSql-2.3.2-TestCase") ??????.master("local[*]") ??????.getOrCreate() ????// For implicit conversions like converting RDDs to DataFrames ????import sparkSession.implicits._ ????//2、构建data frames ????val df = sparkSession.read.json("F:\\test_sbt\\FirstSpark4Scala\\input_json.txt") ????//3、df算子操作 ????df.show() ????val cc = df.count() ????println("数据共有多少行=" + cc) ???? ????//4、停掉相关会话 ????sparkSession.stop() ??} } |
| package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession object TestSparkSqlFor2_3_x { ??def main(args: Array[String]): Unit = { ????//1、构建spark session ????val sparkSession = SparkSession ??????.builder() ??????.appName("SparkSql-2.3.2-TestCase") ??????.master("local[*]") ??????.getOrCreate() ????// For implicit conversions like converting RDDs to DataFrames ????import sparkSession.implicits._ ????//2、构建data frames ????val df = sparkSession.read.json("F:\\test_sbt\\FirstSpark4Scala\\input_json.txt") ????//3、df算子操作 ??? ????// 打印内容对应的表结构 ????df.printSchema() ????// 选择内容当中的某一个列对应的内容 ????df.select("content").show() ????// 选择任意列并进行自定义操作 ????df.select(df("content"), df("commentCount"), df("commentCount") + 10000).show() ????// 选择评论数大于100的数据显示出来 ????df.filter(df("commentCount") > 100).show() ????// 按userId进行分组计数统计 ????df.groupBy("userId").count().show() ????//分组统计结果按默认升序排列 ????df.groupBy("userId").count().orderBy("count").show() ????//分组统计结果按降序排列 ????import org.apache.spark.sql.functions._ ????df.groupBy("userId").count().orderBy(desc("count")).show() ????//4、停掉相关会话 ????sparkSession.stop() ??} } |
- RDD与DataFrame互操作
- 将RDD转化成DataFrame(将无结构化数据转化成有结构化数据)
- 将一个RDD转化为带Scheme的DataFrame
- 实现转化的方式有两种
- 反射推断
- 程序编码实现数据与结构的对应，达到转化目标。（重点）
- 1.6.x的代码实现
| package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession import org.apache.spark.sql.types.StructType import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StringType import org.apache.spark.sql.Row object TestRddToDataFrameFor1_6_x { ??def main(args: Array[String]): Unit = { ????//1、构建spark context,构建sql context ????val conf = new SparkConf ????conf.setAppName("SparkSql-Test") ????conf.setMaster("local[*]") ????val sc = new SparkContext(conf) ????val sqlContext = new SQLContext(sc) ????// 解决隐式转换问题, 如RDDs to DataFrames ????import sqlContext.implicits._ ????//2、构建scheme ????val schema = ??????StructType( ????????"stdNo name classNo className".split(" ").map(fieldName => StructField(fieldName, StringType, true))) ????//3、构建rdd，linesRDD ????val studentRDD = sc.textFile("F:\\test_sbt\\FirstSpark4Scala\\student_mysql.txt") ????//4、将linesRDD转换成Row rdd ????val rowRDD = studentRDD.map(_.split("\\t")).map(p => Row(p(0), p(1), p(2), p(3))) ????//5、创建df，由row rdd + scheme ????val studentDataFrame = sqlContext.createDataFrame(rowRDD, schema) ????//6、df算子操作 ????studentDataFrame.printSchema() ????studentDataFrame.show() ????//7、停掉相关会话 ????sc.stop() ??} } |
| package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession import org.apache.spark.sql.types.StructType import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StringType import org.apache.spark.sql.Row object TestRddToDataFrameFor2_3_x { ??def main(args: Array[String]): Unit = { ????//1、构建spark session ????val sparkSession = SparkSession ??????.builder() ??????.appName("SparkSql-2.3.2-TestCase") ??????.master("local[*]") ??????.getOrCreate() ????// For implicit conversions like converting RDDs to DataFrames ????import sparkSession.implicits._ ????//2、构建scheme ????val schema = ??????StructType( ????????"stdNo name classNo className".split(" ").map(fieldName => StructField(fieldName, StringType, true))) ????//3、构建rdd，linesRDD ????val studentRDD = sparkSession.sparkContext.textFile("F:\\test_sbt\\FirstSpark4Scala\\student_mysql.txt") ????//4、将linesRDD转换成Row rdd ????val rowRDD = studentRDD.map(_.split("\\t")).map(p => Row(p(0), p(1), p(2), p(3))) ????//5、创建df，由row rdd + scheme ????val studentDataFrame = sparkSession.createDataFrame(rowRDD, schema) ????//6、df算子操作 ????studentDataFrame.printSchema() ????studentDataFrame.show() ????//7、停掉相关会话 ????sparkSession.stop() ??} } |
//提供直接转化成RDD的方式,即df.rdd即可
studentDataFrame.rdd
-
- SparkSql临时表生成（内存中存放的表，应用结束即消失）
//将df对象直接注册成一张临时表
df.registerTempTable("weibo_doc"); ???//1.6.x版本
df. createTempView ("weibo_doc"); ???//2.3.x版本
-
- 将RDD转换成DF后，再如上例注册成临时表
- 临时表与DataFrame互操作
- 应用开发中，使用SqlContext调用sql语句生成DataFrame
- 综合示例-融合1.6.x和2.3.x?
package com.tl.job003.sql
import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.sql.SQLContext
object SparkSqlTest {
? def main(args: Array[String]) {
?? val conf = new SparkConf()
?? conf.setMaster("local");
?? conf.setAppName("TestSparkSql");
?? val sc = new SparkContext(conf)
?? val sqlContext = new SQLContext(sc)
?? // 添加将RDD转化为DataFrame的功能包引入
?? import sqlContext.implicits._
?? val df = sqlContext.read.json("file:\\E:\\test\\job003\\sparksql\\input_weibo.json")
?? //注册为名称为weibo_doc的临时表-1.6.x
?//? df.registerTempTable("weibo_doc");
???//注册为名称为weibo_doc的临时表-2.3.x
?? df. createTempView ("weibo_doc");
?
? //执行该sql，并做相应的dataframe操作即可
???sqlContext.sql("select userId,content from weibo_doc order by commentCount desc").show();
?
?? sc.stop();
? }
}
- DataFrame数据持久化
- parquet数据格式，默认的输入和输出均为该格式
- spark自带：天然集成，强力推荐的数据格式
- parquet产生背景
- 面向分析型业务的列式存储格式
- 由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目.
- Twitter的日志结构是复杂的嵌套数据类型，需要设计一种列式存储格式，既能支持关系型数据（简单数据类型），又能支持复杂的嵌套类型的数据，同时能够适配多种数据处理框架。
- parquet的优点
- 压缩数据，内部自带gzip压缩
- 不失真
- 减少IO吞吐量
- 高效的查询
- 多数据处理平台，均支持parquet，包括hive等。
- 综合示例实现-2.3.x(与1.6.x差距核心在sparkSession抽象)
| package com.tl.job011.sparksql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.SparkSession import org.apache.spark.sql.types.StructType import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StringType import org.apache.spark.sql.Row object TestSparksqlPersistFor2_3_x { ??def main(args: Array[String]): Unit = { ??????//1、构建spark session ????val sparksql = SparkSession ??????.builder() ??????.appName("SparkSql-2.3.2-TestCase") ??????.master("local[*]") ??????.getOrCreate() ????// For implicit conversions like converting RDDs to DataFrames ????import sparksql.implicits._ ????//2、构建scheme ?????val df = sparksql.read.json("F:\\test_sbt\\FirstSpark4Scala\\input_json.txt") ????//3、注册成表 ????df.createTempView("weibo") ????//4、df算子操作 ????var resultDF = sparksql.sql("select * from weibo") ????resultDF.repartition(1).write.format("parquet").save("F:\\test_sbt\\FirstSpark4Scala\\save3") ????//5、停掉相关会话 ????sparksql.stop() ??} } |
4、DataSets API操作SparkSql
- 1开发环境搭建步骤
- 2?DataSets相关操作
- 操作说明
- DataSet集成了RDD和DataFrame的优点，也称为强类型的DataFrame。
- DataSets和DataFrames具有完全相同的成员函数。
- 两者中，每个行的数据类型不同。DataFrame也可以叫Dataset[Row]，即DataFrame是Dataset的一种特定形式。而DataSet的每一行是不固定的，需要模式匹配来确定。
- 版本说明
- 在1.6.2版本DataSet为alpha版测试功能，API方面均没有得到丰富和完善。
- 在2.0.0开始DataSet得到正式推广使用，由于其API和DataFrame在成员函数中完全对等，在使用上差异极小，由于是强类型，故仅在数据集case class模式匹配时，有明显差别。
- DataSets的Spark2.3.2版本上的应用
| package?com.tl.job011.sparksql import?org.apache.spark.sql.SparkSession //样例类 case?class?Student(name: String, age: Long, address: String) /** ?* 抽象数据类型DataSet测试类 ?*/ object?TestSparkSqlDataSet?{ ??def?main(args: Array[String]): Unit = { ????//1、构建spark session ????val?sparkSession?= SparkSession ??????.builder() ??????.appName("SparkSql-2.3.2-TestCase") ??????.master("local[*]") ??????.getOrCreate() ????//引入自动隐式类型转换 ????import?sparkSession.implicits._ ????// 从基础数据对象类型创建DataSet ????val?primitiveDS?= Seq(1, 2, 3).toDS() ????val?col?= primitiveDS.map(_ +?1).collect() // Returns: Array(2, 3, 4) ????col.foreach(println) ????println("-----------------") ????primitiveDS.show() ????// 已为样例类case class创建完成编码类Encoder ????val?caseClassDS?= Seq(Student("脱口秀大会", 3, "北京")).toDS() ????caseClassDS.show() ???? ????// 指定相应的文件导入形成样例类对应的DataSet，通过json的key和样例类的字段名称对应即可 ????val?path?= "F:\\test_sbt\\FirstSpark4Scala\\student_data.txt" ????val?peopleDS?= sparkSession.read.json(path).as[Student] ????peopleDS.select("name", "age", "address").show() ????//关停会话上下文 ????sparkSession.stop() ??} } |
5、多数据集抽象类型对比分析
- spark抽象数据集列表
- 相同点
- 全都是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
- 三者都有惰性机制，在进行Transform操作时不会立即执行，在遇到Action操作时会正式提交作业执行。
- 均采用spark的内存运算和优化策略，内存使用和执行效率上均可以得到保障。
- 均有partition的概念，便于分布式并行计算处理，达到分而治之。
- 均有许多共同的函数，如map、filter、sort等。
- 在进行三者的相关操作时候，个别特殊操作时必须引入一个相同的包依赖。（ 早期称为 import?sqlContext.implicits._，最新版本称为import spark.implicits._)
- DF和DS均可以通过模式匹配获取内部的变量类型和值。
- DF和DS产生于SparkSql，天然支持SparkSql。
- 区别点
- RDD
- 不支持SparkSql操作，均需进行转成DF或是DS才行。
- 类型是安全的，编译时候即可检查出类型错误。(强类型)
- 机器间通信、IO操作均需要序列化、反序列化对象，性能开销大。
- DataFrame
- 有scheme的RDD：比RDD增加了数据的描述信息。
- 比RDD的API更丰富，增加了针对结构化数据API。
- 只有一个固定类型的DataSet，即为DataFrame=DataSet[Row]
- 序列化和反序列化时做了结构化优化，减少了不必要的结构化信息的序列化，提高了执行效率。
- DataSet
- 强类型的DataFrame，与DF有完全相同的成员函数。
- 每行的类型不固定，需要使用模式匹配case class后，获取实际的类信息、字段类型、字段值。
- 访问对象数据时，比DF更加直接简单。
- 在序列化和反序列化时，引入了Encoder机制，达到按需序列化和反序列化，不必像之前整个对象操作了，进一步提高了效率。
- 应用场景
- 使用RDD场景
- 数据为非结构化，如流媒体等数据
- 对数据集进行底层的转换、处理、控制
- 不需要列式处理，而是通过常规的对象.属性来使用数据。
- 对DF、DS带来的开发效率、执行效率提升不敏感时
- 使用DF（必须）
- 使用DS（必须）
- 在编译时就有高度的类型安全，想要有类型的JVM对象，用上Catalyst优化，并得益于Tungsten生成的高效代码
- 使用DF、DS场景
- 需要丰富的语义、高级抽象和特定领域专用的API时
- 处理需要对半结构化数据进行高级处理，如filter、map、aggregation、average、sum、SQL查询、列式访问或使用lambda函数
- 在不同的Spark库之间使用一致和简化的API
|