Spark SQL基础与实践

最新推荐文章于 2024-05-21 17:53:11 发布

原创最新推荐文章于 2024-05-21 17:53:11 发布 · 1.3k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#Spark SQL基础 #Spark SQL实践 #Spark SQL应用 #Spark SQL架构 #Saprk SQL原理

（一）Spark SQL基础简介

• Spark SQL是Apache Spark大数据框架一部分，主要用于处理结构化数据和对spark数据执行类sql的查询
• Spark为其提供了一个称为DataFrame的编程抽象，充当分布式SQL查询引擎
• Spark SQL功能：

– 集成：无缝将SQL查询与Spark程序混合

– 统一数据访问：加载来自各种来源的数据

– 兼容性：Spark SQL重用Hive前端和MetaStore，与现有Hive数据、查询和UDF的安全兼容，只需要和Hive一起安装即可

– 标准连接：JDBC和ODBC

– 扩展性：对交互式查询和长查询使用相同的引擎，Spark SQL利用RDD模型来支持查询容错，使其扩展大大型作业

（二）Spark SQL框架

– 把数据读入到SparkSQL中，SparkSQL进行数据处理或算法实现，然后再把处理后的数据输出到相应的输出源

– Input：
    • 数据源丰富：Hive、json、txt、JDBC等
    • Spark SQL存在两个类进行对接：HiveContext和SQLContext，其中HiveContext继承了SQLContext的所有方法，同时又进行扩展
    • SQLContext用于对接绝大多类型数据源， HiveContext是SQLContext的超集
    • Spark SQL处理读入的数据，采用的是DataFrame中提供的方法

（三）DataFrame

1 什么是DataFrames

与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。同时，与Hive类似，DataFrame也支持嵌套数据类型（struct、array和map）。从API易用性的角度上看，DataFrame API提供的是一套高层的关系操作，比函数式的RDD API要更加友好，门槛更低。由于与R和Pandas的DataFrame类似，SparkDataFrame很好地继承了传统单机数据分析的开发体验。

• 作为2014–2015年Spark最大的API改动，DataFrame能够使得大数据更为简单
• 之前Spark SQL API的SchemaRDD已经更名为DataFrame
• 分布式的数据集合，按照命名列的形式组织数据
• 通过调用将DataFrame的内容作为行RDD（RDD of Rows）返回的rdd方法，可以将DataFrame转换成RDD
• 通过如下方式创建DataFrame：
    – 已有RDD
    – 结构化数据文件
    – Json数据
    – Hive表
    – 外部数据库
• RDD以record为单位，spark优化时无法洞悉record内部的细节，无法深度优化，限制sparkSQL性能的提升；DataFrame包含了每个record的metadata元数据信息，DataFrame的优化可以对列内部优化

• DataFrame是一个以命名列方式组织的分布式数据集，等同于关系型数据库中的一个表

• DataFrame是基于RDD的抽象
• DataFrame的底层结构是RDD. Spark在你使用DataFrame时会优化你的代码

• Spark对于DataFrame在执行时间和内存使用上对于RDD有极大的优化
– Catalyst优化引擎：使得执行时间减少75%
– Project Tungsten Off-heap内存管理：是内存使用量减少75%，无垃圾回收器
• 使用python及scala执行RDD的速度明显比DataFrame慢
• 但同样对于DataFrame，两种语言没有区别，两者性能均优于普通Python RDD实现的4倍，也达到了Scala RDD实现的两倍

2、优化引擎 Catalyst

• SQL优化器核心执行策略两个方向：规则和代价
• 基于规则：经验式、启发式地优化思路，更多地依靠前辈总结出来的优化规则，简单易行且能够覆盖到大部分优化逻辑
• 基于代价：核心算子优化

两个表执行Join应该使用BroadcastHashJoin还是SortMergeJoin？

3、实现分析 Parser（解析器）

SqlParser生成LogicPlan Tree
– 主要先进行词法分析，再进行语法分析
• 词法分析：讲输入的sql语句串解析为一个一个的token
• 语法分析：再词法分析基础上，将单词序列组合成各类语法短语，组成各个LogicPlan
– 例子：将生成如图所示的解析树
    • SELECT sum(v)
    • FROM(
    • SELECT score.id,
    • 100+80+score.math_score+score.english_score AS v
    • FROM people JOIN score
    • WHERE people.id=score.id
    • AND people.age>10
    • )tmp

4、实现分析• Analyzer

遍历整个语法树，对树上的每个节点进行数据类型绑定以及函数绑定

– 根据元数据表解析为包含必要列的表，并且相应字段解析为相应的数据类型，相应的计算逻辑解析为对应的函数

5 、实现分析• Optimizer

是Catalyst的核心
– 基于规则优化实际上对语法树再做一次遍历，模式匹配能够满足特定细节的节点，再进行相应的等价变变换

– 经典规则：谓词下推（Predicate Pushdown）、常量累加（Constant Folding）和列值裁剪（Column Pruning）

6、实现分析• Physical Planning

物理计划层

– 用物理操作算子产生一个或者多个物理计划。然后用cost模型选择一个物理计划。目前基于cost-based的优化仅仅用于选择join算法：对已知的很小的relations，sparksql会选择使用spark的提供的点对点的广播功能实现Broadcastjoin

7、实现分析• Spark SQL执行计划

• 使用queryExecution方法查看

8、创建DataFrame

在Spark SQL中SQLContext是创建DataFrames和执行SQL的入口

1.在本地创建一个文件，有三列，分别是id、name、age，用空格分隔，然后上传到hdfs上
hdfs dfs -putperson.txt /

2.在spark shell执行下面命令，读取数据，将每一行的数据使用列分隔符分割
val lineRDD =sc.textFile("hdfs://node1.itcast.cn:9000/person.txt").map(_.split(""))

3.定义case class（相当于表的schema）
case classPerson(id:Int, name:String, age:Int)

4.将RDD和case class关联
val personRDD =lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))

5.将RDD转换成DataFrame
val personDF =personRDD.toDF

6.对DataFrame进行处理

personDF.show

9 DataFrame常用操作

9.1. DSL风格语法

//查看DataFrame中的内容

personDF.show

//查看DataFrame部分列中的内容

personDF.select(personDF.col("name")).show
personDF.select(col("name"),col("age")).show
personDF.select("name").show

//打印DataFrame的Schema信息

personDF.printSchema

//查询所有的name和age，并将age+1

personDF.select(col("id"),col("name"), col("age") + 1).show
personDF.select(personDF("id"),personDF("name"), personDF("age") + 1).show

//过滤age大于等于18的

personDF.filter(col("age")>= 18).show

//按年龄进行分组并统计相同年龄的人数

personDF.groupBy("age").count().show()

9.2. SQL风格语法

如果想使用SQL风格的语法，需要将DataFrame注册成表

personDF.registerTempTable("t_person")

//查询年龄最大的前两名

sqlContext.sql("select* from t_person order by age desc limit 2").show

//显示表的Schema信息

sqlContext.sql("desct_person").show

（四）以编程方式执行Spark SQL查询

1. 编写Spark SQL查询程序

前面我们学习了如何在Spark Shell中使用SQL完成查询，现在我们来实现在自定义的程序中编写Spark SQL查询程序。首先在maven项目的pom.xml中添加Spark SQL的依赖

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-sql_2.10</artifactId>
    <version>1.5.2</version>
</dependency>

1.1. 通过反射推断Schema

创建一个object为cn.itcast.spark.sql.InferringSchema

package cn.itcast.spark.sql

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

object InferringSchema {
  def main(args: Array[String]) {

    //创建SparkConf()并设置App名称
    val conf = new SparkConf().setAppName("SQL-1")
    //SQLContext要依赖SparkContext
    val sc = new SparkContext(conf)
    //创建SQLContext
    val sqlContext = new SQLContext(sc)

    //从指定的地址创建RDD
    val lineRDD = sc.textFile(args(0)).map(_.split(" "))

    //创建case class
    //将RDD和case class关联
    val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
    //导入隐式转换，如果不到人无法将RDD转换成DataFrame
    //将RDD转换成DataFrame
    import sqlContext.implicits._
    val personDF = personRDD.toDF
    //注册表
    personDF.registerTempTable("t_person")
    //传入SQL
    val df = sqlContext.sql("select * from t_person order by age desc limit 2")
    //将结果以JSON的方式存储到指定位置
    df.write.json(args(1))
    //停止Spark Context
    sc.stop()
  }
}
//case class一定要放到外面
case class Person(id: Int, name: String, age: Int)

将程序打成jar包，上传到spark集群，提交Spark任务

/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-submit \
--class cn.itcast.spark.sql.InferringSchema \
--master spark://node1.itcast.cn:7077 \
/root/spark-mvn-1.0-SNAPSHOT.jar \
hdfs://node1.itcast.cn:9000/person.txt \
hdfs://node1.itcast.cn:9000/out

查看运行结果

hdfs dfs -cat  hdfs://node1.itcast.cn:9000/out/part-r-*

1.2. 通过StructType直接指定Schema

创建一个object为cn.itcast.spark.sql.SpecifyingSchema

package cn.itcast.spark.sql

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

/**
  * Created by ZX on 2015/12/11.
  */
object SpecifyingSchema {
  def main(args: Array[String]) {
    //创建SparkConf()并设置App名称
    val conf = new SparkConf().setAppName("SQL-2")
    //SQLContext要依赖SparkContext
    val sc = new SparkContext(conf)
    //创建SQLContext
    val sqlContext = new SQLContext(sc)
    //从指定的地址创建RDD
    val personRDD = sc.textFile(args(0)).map(_.split(" "))
    //通过StructType直接指定每个字段的schema
    val schema = StructType(
      List(
        StructField("id", IntegerType, true),
        StructField("name", StringType, true),
        StructField("age", IntegerType, true)
      )
    )
    //将RDD映射到rowRDD
    val rowRDD = personRDD.map(p => Row(p(0).toInt, p(1).trim, p(2).toInt))
    //将schema信息应用到rowRDD上
    val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)
    //注册表
    personDataFrame.registerTempTable("t_person")
    //执行SQL
    val df = sqlContext.sql("select * from t_person order by age desc limit 4")
    //将结果以JSON的方式存储到指定位置
    df.write.json(args(1))
    //停止Spark Context
    sc.stop()
  }
}

将程序打成jar包，上传到spark集群，提交Spark任务

/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-submit \
--class cn.itcast.spark.sql.InferringSchema \
--master spark://node1.itcast.cn:7077 \
/root/spark-mvn-1.0-SNAPSHOT.jar \
hdfs://node1.itcast.cn:9000/person.txt \
hdfs://node1.itcast.cn:9000/out1

查看结果

hdfs dfs -cat  hdfs://node1.itcast.cn:9000/out1/part-r-*

（五）数据源

1. JDBC

Spark SQL可以通过JDBC从关系型数据库中读取数据的方式创建DataFrame，通过对DataFrame一系列的计算后，还可以将数据再写回关系型数据库中。

1.1. 从MySQL中加载数据（Spark Shell方式）

1.启动Spark Shell，必须指定mysql连接驱动jar包

/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-shell\
--masterspark://node1.itcast.cn:7077 \
--jars/usr/local/spark-1.5.2-bin-hadoop2.6/mysql-connector-java-5.1.35-bin.jar \
--driver-class-path/usr/local/spark-1.5.2-bin-hadoop2.6/mysql-connector-java-5.1.35-bin.jar

2.从mysql中加载数据

val jdbcDF = sqlContext.read.format("jdbc").options(Map("url"-> "jdbc:mysql://192.168.10.1:3306/bigdata", "driver"-> "com.mysql.jdbc.Driver", "dbtable" ->"person", "user" -> "root","password" -> "123456")).load()

3.执行查询

jdbcDF.show()

1.2. 将数据写入到MySQL中（打jar包方式）

1.编写Spark SQL程序

package cn.itcast.spark.sql

import java.util.Properties
import org.apache.spark.sql.{SQLContext, Row}
import org.apache.spark.sql.types.{StringType, IntegerType, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}

object JdbcRDD {
  def main(args: Array[String]) {
    val conf = new SparkConf().setAppName("MySQL-Demo")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)
    //通过并行化创建RDD
    val personRDD = sc.parallelize(Array("1 tom 5", "2 jerry 3", "3 kitty 6")).map(_.split(" "))
    //通过StructType直接指定每个字段的schema
    val schema = StructType(
      List(
        StructField("id", IntegerType, true),
        StructField("name", StringType, true),
        StructField("age", IntegerType, true)
      )
    )
    //将RDD映射到rowRDD
    val rowRDD = personRDD.map(p => Row(p(0).toInt, p(1).trim, p(2).toInt))
    //将schema信息应用到rowRDD上
    val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)
    //创建Properties存储数据库相关属性
    val prop = new Properties()
    prop.put("user", "root")
    prop.put("password", "123456")
    //将数据追加到数据库
    personDataFrame.write.mode("append").jdbc("jdbc:mysql://192.168.10.1:3306/bigdata", "bigdata.person", prop)
    //停止SparkContext
    sc.stop()
  }
}

2.用maven将程序打包

3.将Jar包提交到spark集群

/usr/local/spark-1.5.2-bin-hadoop2.6/bin/spark-submit\
--classcn.itcast.spark.sql.JdbcRDD \
--masterspark://node1.itcast.cn:7077 \
--jars/usr/local/spark-1.5.2-bin-hadoop2.6/mysql-connector-java-5.1.35-bin.jar \
--driver-class-path /usr/local/spark-1.5.2-bin-hadoop2.6/mysql-connector-java-5.1.35-bin.jar\
/root/spark-mvn-1.0-SNAPSHOT.jar