欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Spark SQL基础与实践

程序员文章站 2024-03-14 10:27:58
...

(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

Spark SQL基础与实践

    – 统一数据访问:加载来自各种来源的数据

Spark SQL基础与实践

    – 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

Spark SQL基础与实践

    – 标准连接:JDBC和ODBC

Spark SQL基础与实践

    – 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

Spark SQL基础与实践

– 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

Spark SQL基础与实践

• 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 SQL基础与实践

• 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?

Spark SQL基础与实践

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

Spark SQL基础与实践

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

Spark SQL基础与实践

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)

Spark SQL基础与实践

Spark SQL基础与实践

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

Spark SQL基础与实践

7、实 现 分 析• Spark SQL执行计划

• 使用queryExecution方法查看

Spark SQL基础与实践

Spark SQL基础与实践

8、创建DataFrame

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

Spark SQL基础与实践

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

Spark SQL基础与实践

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

Spark SQL基础与实践

//过滤age大于等于18的

personDF.filter(col("age")>= 18).show
Spark SQL基础与实践

//按年龄进行分组并统计相同年龄的人数

personDF.groupBy("age").count().show()
Spark SQL基础与实践

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

Spark SQL基础与实践

//显示表的Schema信息

sqlContext.sql("desct_person").show
Spark SQL基础与实践

(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-*
Spark SQL基础与实践

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-*
Spark SQL基础与实践

(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()
Spark SQL基础与实践

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