Spark大数据分与实践笔记（第四章 Spark SQL结构化数据文件处理-01）-优快云博客

本文链接：https://blog.youkuaiyun.com/Lydia868/article/details/126425741

本文介绍了Spark SQL的DataFrame数据模型，包括DataFrame的简介、创建方式，特别是通过数据源和RDD转换创建DataFrame的步骤。Spark SQL提供了一种处理结构化数据的高效方式，支持SQL查询和与RDD的交互，利用Catalyst优化器提高执行效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

第四章 Spark SQL结构化数据文件处理

在很多情况下，开发工程师并不了解Scala语言，也不了解Spark常用API，但又非常想要使用Spark框架提供的强大的数据分析能力。Spark的开发工程师们考虑到了这个问题，利用SQL语言的语法简洁、学习门槛低以及在编程语言普及程度和流行程度高等诸多优势，从而开发了Spark SQL模块，通过Spark SQL，开发人员能够通过使用SQL语句，实现对结构化数据的处理。本章将针对Spark SQL的基本原理、使用方式进行详细讲解。

4.1 Spark SQL概述

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象结构叫做DataFrame的数据模型（即带有Schema信息的RDD)，Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrames API和Datasets API三种方式实现对结构化数据的处理。但无论是哪种API或者是编程语言，它们都是基于同样的执行引擎，因此可以在不同的API之间进行随意切换。

4.1.1 Spark SQL的简介

Spark SQL的前身是Shark，Shark最初是伯克利实验室Spark生态系统的组件之一，其运行在Spark系统之上，Shark重用了Hive的工作机制，并直接继承了Hive的各个组件，但由于Shark过于依赖Hive，因此在版本迭代时很难添加新的优化策略，从而限制了Spark的发展，在2014年，Shark停止了维护，转向Spark SQL开发。Spark SQL主要提供了以下三个功能:
(1)Spark SQL可以从各种结构化数据源（例如JSON、Hive、Parquet等)中读取数据，进行数据分析。
(2) Spark SQL包含行业标准的JDBC和ODBC连接方式，因此它不局限于在Spark程序内使用SQL语句进行查询。
(3) Spark SQL可以无缝地将SQL查询与Spark程序进行结合，它能够将结构化数据作为Spark中的分布式数据集(RDD）进行查询，在Python、Scala和Java中均集成了相关API，这种紧密的集成方式能够轻松地运行SQL查询以及复杂的分析算法。
总体来说，Spark SQL支持多种数据源的查询和加载，兼容HQL、可以使用JDBC/ODBC的连接方式来执行SQL语句，它为Spark框架在结构化数据分析方面提供重要技术支持。

4.1.2 Spark SQL架构

Spark SQL兼容Hive，这是因为Spark SQL架构与Hive底层结构相似，Spark SQL复用了Hive提供的元数据仓库(Metastore) ,HiveQL、用户自定义函数(UDF）以及序列化和反序列工具(SerDes)。
Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。