[大数据]spark sql 总结

一.概述

1.前世今生

• 大量数据需要处理 ?? MapReduce出现
• sql on mr ?? Hive
• mr效率太低 ?? Tez
• Tez效率低 ?? Spark
• sql on spark ?? Shark(太多的的借鉴了Hive制约了它,然后被推翻了,现在已经被弃用)
• sql on spark ?? SparkSql

2.简介

• 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。

3.操作方式

• 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。

4.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。
• SparkSql的应用中，sql是一个重要方面，但不局限制sql。

5.SparkSql愿景

• 写更少的代码
• 读更少的数据
• 把优化的工作交由底层的优化器运行,也是就小白和高手写出来的代码执行效率一样

二.相关名词解释

• SQL
  • 数据查询语言,面向数据编程的最高抽象
• HQL = Hive Sql
  • sql on hadoop
• Shark
  • 最早发展的sql on spark项目,已废弃
• SparkSql
  • spark on sql 首先

三.shell 操作sparksql

• 进入环境
  • 直接输入spark-sql
  • 指定运行模式 spark-sql local[*]
  • 类似hive -e 输入spark-sql -e “spark-sql code”
• 操作
  • 与hive类似

四.DataFrames操作sparksql

1.项目创建

首先根据模板创建一个scala项目
模板:

group：net.alchim31.maven
artifact: scala-archetype-simple
version: 1.7
repository：https://maven.aliyun.com/repository/central

2.配置项目

• 根目录创建路径null/bin,然后将winutils.exe在这里
• 导入必要的依赖,并修改scala版本

  <properties>
    <maven.compiler.source>1.8</maven.compiler.source>
    <maven.compiler.target>1.8</maven.compiler.target>
    <encoding>UTF-8</encoding>
    <scala.version>2.11.11</scala.version>
    <scala.compat.version>2.11</scala.compat.version>
    <spec2.version>4.2.0</spec2.version>
  </properties>    

	<!--scala依赖-->
    <dependency>
      <groupId>org.scala-lang</groupId>
      <artifactId>scala-library</artifactId>
      <version>${scala.version}</version>
    </dependency>

    <!--sparkcore依赖 -->
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-core_${scala.compat.version}</artifactId>
      <version>2.3.2</version>
      <scope>provided</scope>
    </dependency>

    <!--sparksql依赖-->
    <dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-sql_${scala.compat.version}</artifactId>
      <version>2.3.2</version>
      <scope>provided</scope>
    </dependency>

    <!--log4j-->
    <dependency>
      <groupId>org.apache.logging.log4j</groupId>
      <artifactId>log4j</artifactId>
      <version>2.14.1</version>
    </dependency>

• 在main下创建目录resouces目录,并将log4j的配置文件放入

3.代码编写

3.1DataFrames1.6

package com.antg.main

import org.apache.spark.sql.SQLContext
import org.apache.spark.{SparkConf, SparkContext}

object DataFrames1_6 {
  def main(args: Array[String]): Unit = {
    //创建sparkconf
    val conf = new SparkConf()
    conf.setMaster("local")
    conf.setAppName("测试DF1.6")
    //创建上下文环境
    val sc = new SparkContext(conf)
    //创建sql上下文
    val sqlContext = new SQLContext(sc)
    //读取数据
    val df = sqlContext.read.json("C:\\Users\\Administrator\\Desktop\\data.json")
    //显示全部信息
    df.show()
    //关闭上下文
    sc.stop()
  }
}

3.2Dataframes2.3

package com.antg.main

import org.apache.spark.sql.SparkSession

object DataFrames2_3 {
  def main(args: Array[String]): Unit = {
    //创建session
    val sparkSession =  SparkSession.builder()
      .master("local[*]")
      .appName("dataframes2.3")
      .getOrCreate()
    //创建df
    val df = sparkSession.read.json("C:\\Users\\Administrator\\Desktop\\data.json")

    //虚表
    val vrTable = df.createTempView("vrTable")

    sparkSession.sql("select * from vrTable").show()

    //数据持久化
    df.repartition(2).write.format("parquet").save("./data")

    //关闭
    sparkSession.stop()

  }
}

3.3rdd转换成df

package com.antg.main

import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.types.{StringType, StructField, StructType}

object RDD_DF {
  def main(args: Array[String]): Unit = {
    var sparkSession = SparkSession.builder()
      .appName("test_rdd to df")
      .master("local[*]")
      .getOrCreate()

    var scheme = StructType(
      "stdno name classId className".split(" ").map(t => StructField(t,StringType,true))
    )
    var lineRDD = sparkSession.sparkContext.textFile("C:\\Users\\Administrator\\Desktop\\student_mysql.txt")
    var rowRDD = lineRDD.map(_.split("\t")).map(row => Row(row(0),row(1),row(2),row(3)))
    var df = sparkSession.createDataFrame(rowRDD,scheme)
    df.show()
    df.printSchema()
    sparkSession.stop()
  }
}

五.parquet数据格式

• 概述
  • spark 默认的输入输出格式,spark自带的格式,也是强力推荐的格式
• 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。
• 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。

六.DataSet 操作sparksql

• 环境搭建
  • 与DataFrames一样
• 概述
  • 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
  • 1.6 版本的时候为测试版本,好多API还不是很丰富
  • 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。
• 例子

package com.antg.main

import org.apache.spark.sql.SparkSession
case class Student(name:String,age:BigInt)
object TestDS {
  def main(args: Array[String]): Unit = {
    //创建Session
    val sparkSession = SparkSession.builder()
      .appName("ds test")
      .master("local[*]")
      .getOrCreate()
    //引入自动隐式转换
    import sparkSession.implicits._

    //使用基础数据类型创建DataSet
    val a = Seq(1,2,3).toDS()

    //使用DataSet
    a.map(_+1).collect.foreach(println)
    a.show()

    //使用样例类创建DS
    val b = Seq(Student("tom",22)).toDS()
    b.show()

    //通过导入文件创建,并使用样例类指定DS的格式
    val path = "C:\\Users\\Administrator\\Desktop\\student_data.txt"
    val c = sparkSession.read.json(path).as[Student]
    c.show()
    //由于是强类型,所以这里可以很方便的操作ds中的内容
    c.foreach(x=>println(x.age))
  }
}

student_data.txt

{"name":"张一","age":10,"address":"国际庄"}
{"name":"张二","age":20}
{"name":"张三","age":30}
{"name":"张四","age":40}

七.各个数据集的对比分析

• spark数据集
  • RDD
  • DataFrames
  • DataSet
• 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
  • 三者都是惰性机制,只有遇到Action算子时才会提交作业
  • 有许多共同的函数，如map、filter、sort等。
• 不同点
  • RDD
    • 不支持sparkSql操作
    • 机器间通信,IO操作均需要序列化和反序列化,性能开销比较大
  • DataFrames
    • 有scheme的RDD,比RDD增加了数据的描述信息
    • 支持sparkSql操作
    • 序列化和反序列化的时候做了结构化优化,减少了不必要的结构化信息,提高了效率
    • 这个是只有固定类型(ROW)的DataSet
  • DataSet
    • 强类型的DataFrames
    • 序列化与反序列化的时候,引入了Encoder机制,达到了按需序列化和反序列化,不必像之前那样整个对象操作了,进一步提高了效率
• 每个数据类型的应用场景
  • RDD
    • 数据非结构化,如流媒体等
    • 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。
  • DataFrames(必须使用)
    • R或是python语言开发者，使用DF
  • DataSet()必须使用)
    • 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