Spark-SQL

Spark-SQL


1.直接通过脚本执行

注意指定使用的资源情况。
spark-sql –executor-cores 1 –executor-memory 2g

2.采用Beeline工具执行(mr用户)

beeline -u jdbc:hive2://localhost:18000 -n mr

HiveQL官方语法文档
https://cwiki.apache.org/confluence/display/Hive/LanguageManual

Example 1

hadoop fs -put /sample_fpgrowth.txt /user/mr/fpgrowth
CREATE EXTERNAL TABLE sample_fpgrowth(
        x1        STRING)
        LOCATION '/user/mr/fpgrowth/';

Example 2

hadoop fs -mkdir /user/mr/airline

hadoop fs -put /international-airline-passengers.csv /user/mr/airline/
CREATE EXTERNAL TABLE international_airline_passenger (
        x1        INT,
        x2        DOUBLE)
row format delimited fields terminated by ',' LOCATION '/user/mr/airline/';

Example3 Hive 0.14以上可用

drop table if exists test_zl;
create table test_zl (x1 INT, x2 DOUBLE, x3 DOUBLE) row format delimited fields terminated by ',';
insert overwrite into table test_zl values (1,2,3); //hive 0.14起支持
insert into table test_zl values( 2,2,3);

Iris数据集

create table iris ( sepal_length  double, sepal_width double, petal_length double, petal_width double, species string) row format delimited fields terminated by ',' LOCATION '/user/mr/iris/';

Titanic数据集

create table titanic_train (age int,passenger_class string,sex string,  no_of_siblings_or_spouses_on_board int, no_of_parents_or_children_on_board int, passenger_fare double, survived string) row format delimited fields terminated by ';' LOCATION '/user/mr/titanic_train/';

create table titanic_unlabeled (age int,passenger_class string,sex string,  no_of_siblings_or_spouses_on_board int, no_of_parents_or_children_on_board int, passenger_fare double) row format delimited fields terminated by ',' LOCATION '/user/mr/titanic_test/';

basket数据集

create table basket (basket string) row format delimited fields terminated by ';' LOCATION '/user/mr/basket/';
<think> 我们之前讨论了Spark提交作业的不同方式(spark-submit的各种模式),现在用户询问spark shell、spark-submit、spark-sql在提交作业方面的特点和区别。 根据用户提供的引用和之前的问题,我们需要总结这三个工具在Spark作业提交中的角色和区别。 1. spark-submit: - 引用[2]提到:spark-submit用来提交打成jar包的任务。它是一个提交Spark应用程序(通常是打包好的JAR包)到集群的命令行工具。 - 支持多种集群模式(Standalone, YARN, Mesos, Kubernetes)和部署模式(client/cluster)。 - 示例命令:提交一个计算Pi的Spark作业到YARN集群(cluster模式)[^2]。 2. spark-shell: - 引用[2]提到:spark-shell是一个简单的用来测试的交互式窗口。它是一个基于Scala的REPL(交互式解释环境),主要用于交互式数据处理和调试。 - 特点: - 自动初始化SparkContext(通常变量名为sc)和SparkSession(变量名为spark)。 - 适合小规模数据探索和快速原型开发,不能用于生产环境。 - 在启动时指定master(如--master yarn --deploy-mode client)[^2]。 3. spark-sql- 引用[4]提到:spark on hive & spark-sql on hive。它是一个用于执行Spark SQL查询的交互式命令行工具,类似于Hive的CLI。 - 特点: - 支持执行SQL语句,可以连接Hive Metastore(需要配置)[^4]。 - 通常用于执行SQL脚本或交互式查询,背后运行的是Spark SQL引擎。 - 也可以指定master(如--master yarn)来运行在集群上。 三者的主要区别: | 工具 | 用途 | 运行模式 | 适用场景 | |--------------|----------------------------------------------------------------------|--------------------|------------------------------| | **spark-submit** | 提交打包好的Spark应用程序(JAR包)到集群执行 | 支持所有集群模式 | 生产环境任务提交 | | **spark-shell** | 提供交互式Scala环境,用于探索性数据分析或调试(自动初始化Spark环境) | 通常使用client模式 | 开发/调试阶段 | | **spark-sql** | 提供SQL交互环境,执行SQL查询(支持Hive语法) | 通常使用client模式 | SQL查询、数据操作(替代Hive)| 详细说明: - **spark-submit**: - 是生产环境中最常用的提交方式。 - 支持细粒度资源控制(如--executor-memory, --executor-cores等)[^2]。 - 可以提交用Scala/Java/Python编写的Spark应用程序。 - **spark-shell**: - 启动后,用户可以直接在命令行中输入Scala代码,并立即看到结果。 - 在后台,它实际上启动了一个Spark应用(在指定的master上),但Driver在启动shell的机器上(client模式)。 - 不适合长时间运行的任务,因为一旦shell退出,任务就结束。 - **spark-sql**: - 启动后,可以执行SQL语句,也可以执行Spark SQL特有的命令(如SHOW TABLES)。 - 支持从文件系统(如HDFS)读取数据,也可以连接Hive Metastore[^4]。 - 可以通过`-f`参数执行SQL脚本文件。 示例: 1. 使用spark-submit提交作业(YARN cluster模式): ```bash spark-submit \ --class org.apache.spark.examples.SparkPi \ --master yarn \ --deploy-mode cluster \ --executor-memory 2g \ --num-executors 4 \ /path/to/examples.jar 100 ``` 2. 启动spark-shell(本地模式测试): ```bash spark-shell --master local[4] ``` 然后在shell中输入: ```scala val data = Array(1,2,3,4,5) val rdd = sc.parallelize(data) rdd.reduce(_ + _) ``` 3. 使用spark-sql查询Hive表: ```bash spark-sql --master yarn --conf spark.sql.hive.thriftServer.singleSession=true ``` 然后输入SQL: ```sql SELECT * FROM my_hive_table LIMIT 10; ``` 注意:spark-shell和spark-sql在提交时也可以指定资源参数(如--executor-memory),但通常只在交互式调试时使用。 总结: - 编写好的Spark应用程序(jar包)使用spark-submit提交。 - 需要交互式探索数据或调试代码用spark-shell。 - 需要执行SQL查询(尤其是Hive表)用spark-sql。 根据用户之前的问题,可能还涉及Hive集成(引用[1][4])和YARN模式(引用[5]),但这里主要关注三个工具的区别。 生成相关问题: </think> ### Spark Shell、Spark-Submit、Spark-SQL 在作业提交中的区别 以下是三个核心工具在Spark作业提交中的对比总结: | **工具** | **核心用途** | **运行模式** | **资源控制** | **适用场景** | |-----------------|--------------------------------------|----------------------------------|--------------------------|----------------------------------| | **spark-shell** | 交互式探索和调试 | `--master local[*]` (默认) | 不支持集群资源参数 | 开发调试、小规模数据探索 | | **spark-submit**| 提交打包的应用程序 | 支持所有模式(Local/YARN/K8s等) | 支持细粒度资源调控 | 生产环境作业、定时任务 | | **spark-sql** | 执行SQL/DDL操作 | 通常以`--master yarn-client`运行 | 有限支持资源参数 | Hive查询、数据仓库操作 | --- #### 1. **spark-shell:交互式探索工具** - **核心特点**: - REPL环境(Read-Eval-Print Loop),实时执行Scala/Python代码[^2] - **自动初始化**:启动时自动创建`SparkContext`(sc)和`SparkSession`(spark- **默认本地模式**:未指定`--master`时使用`local[*]`(本地所有核心)[^2] - **使用示例**: ```bash spark-shell \ --master yarn \ # 可切换至YARN模式 --executor-memory 4g # 资源控制有限 ``` ```scala // 交互式执行代码 val rdd = sc.parallelize(1 to 100) println(rdd.count()) ``` - **适用场景**: - 数据探索和原型验证 - 调试复杂转换逻辑 - 不适合生产环境长时间运行[^2] --- #### 2. **spark-submit:生产级作业提交** - **核心特点**: - 提交**预编译的JAR包**(Scala/Java)或Python脚本[^1][^2] - 完整集群资源控制: ```bash --executor-memory 8g \ --executor-cores 4 \ --num-executors 10 ``` - 支持**所有集群模式**: - YARN:`--master yarn --deploy-mode cluster`[^5] - Kubernetes:`--master k8s://...` - Standalone:`--master spark://...` - **使用示例**: ```bash spark-submit \ --class com.example.ETLJob \ --master yarn \ --deploy-mode cluster \ # Driver在YARN集群运行[^5] --queue production \ /path/to/your-app.jar ``` - **适用场景**: - 生产环境定时任务 - 大规模ETL流水线 - 需要资源隔离的作业[^2] --- #### 3. **spark-sqlSQL专用接口** - **核心特点**: - 专为SQL/DDL操作优化(兼容Hive语法)[^4] - 集成Hive Metastore: ```xml <property> <name>hive.execution.engine</name> <value>spark</value> <!-- 使用Spark引擎 --> </property> ``` - **执行方式**: - 交互式命令行:`spark-sql` - 脚本模式:`spark-sql -f script.sql` - **使用示例**: ```bash spark-sql \ --master yarn \ --conf spark.sql.shuffle.partitions=200 \ -e "SELECT * FROM hive_table LIMIT 10" # 直接执行SQL ``` - **适用场景**: - 替代Hive CLI执行查询[^4] - 数据仓库表管理(CREATE/ALTER) - SQL-centric工作流 --- ### 关键差异总结 1. **作业生命周期**: - `spark-shell`:会话结束时作业终止 - `spark-submit`:作业独立于客户端运行(尤其cluster模式) - `spark-sql`:SQL会话结束后释放资源 2. **元数据集成**: - `spark-sql`天然集成Hive Metastore[^4] - `spark-submit`需手动配置Hive支持 - `spark-shell`需显式启用Hive支持 3. **资源管理**: ```mermaid graph LR A[spark-shell] -->|仅基础配置| B(本地/YARN-client) C[spark-submit] -->|精细控制| D(所有集群模式) E[spark-sql] -->|中等控制| F(YARN-client为主) ``` > **最佳实践**: > - 开发阶段用`spark-shell`验证逻辑 > - 生产环境用`spark-submit`提交JAR包 > - Hive表操作首选`spark-sql`[^4] ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值