Spark SQL

一.Spark SQL概述

 1.Spark SQL的前生今世

Shark是一个为Spark设计的大规模数据仓库系统，它与Hive兼容。Shark建立在Hive的代码基础上，并通过将Hive的部分物理执行计划交换出来。这个方法使得Shark的用户可以加速Hive的查询，但是Shark继承了Hive的大且复杂的代码使得Shark很难优化和维护，同时Shark依赖于Spark的版本。随着我们遇到了性能优化的上限，以及集成SQL的一些复杂的分析功能，我们发现Hive的MapReduce设计的框架限制了Shark的发展。在2014年7月1日的Spark Summit上，Databricks宣布终止对Shark的开发，将重点放到Spark SQL上。

 2.什么是Spark SQL

•  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叫做DataFrame并且作为分布式SQL查询引擎的作用。

• 相比于Spark RDD API，Spark SQL包含了对结构化数据和在其上运算的更多信息，Spark SQL使用这些信息进行了额外的优化，使对结构化数据的操作更加高效和方便。

• 有多种方式去使用Spark SQL，包括SQL、DataFrames API和Datasets API。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，因此你可以在不同的API之间随意切换，它们各有各的特点，看你喜欢那种风格。

3.为什么要学习Spark SQL     

    1.Spark SQL与Hive比较

• Hive是将Hive SQL转换成MapReduce然后提交到集群中去执行，大大简化了编写MapReduce程序的复杂性,但是MapReduce这种计算模型执行效率比较慢.
• Spark SQL是将Spark SQL转换成RDD，然后提交到集群中去运行，执行效率非常快！

    2.Spark SQL的特性

• 易整合    

  将sql查询与spark程序无缝混合，可以使用java、scala、python、R等语言的API操作。

• 统一的数据访问

          以相同的方式连接到任何数据源。

• 兼容Hive

          支持hiveSQL的语法。

• 标准的数据连接

          可以使用行业标准的JDBC或ODBC连接。

二.DataFrame

 1.什么是DataFrame

• DataFrame的前身是SchemaRDD，从Spark 1.3.0开始SchemaRDD更名为DataFrame。与SchemaRDD的主要区别是：DataFrame不再直接继承自RDD，而是自己实现了RDD的绝大多数功能。你仍旧可以在DataFrame上调用rdd方法将其转换为一个RDD。

• 在Spark中，DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库的二维表格，DataFrame带有Schema元信息，即DataFrame所表示的二维表数据集的每一列都带有名称和类型，但底层做了更多的优化。DataFrame可以从很多数据源构建，比如：已经存在的RDD、结构化文件、外部数据库、Hive表。

  2.DataFrame与RDD的区别

• RDD可看作是分布式的对象的集合，Spark并不知道对象的详细模式信息，DataFrame可看作是分布式的Row对象的集合，其提供了由列组成的详细模式信息，使得Spark SQL可以进行某些形式的执行优化。使得Spark SQL可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么，DataFrame多了数据的结构信息，即schema。这样看起来就像一张表了，DataFrame还配套了新的操作数据的方法，DataFrame API（如df.select())和SQL(select id, name from xx_table where ...)。

• DataFrame还引入了off-heap,意味着JVM堆以外的内存, 这些内存直接受操作系统管理（而不是JVM）。Spark能够以二进制的形式序列化数据(不包括结构)到off-heap中, 当要操作数据时, 就直接操作off-heap内存. 由于Spark理解schema, 所以知道该如何操作。

• RDD是分布式的Java对象的集合。DataFrame是分布式的Row对象的集合。DataFrame除了提供了比RDD更丰富的算子以外，更重要的特点是提升执行效率、减少数据读取以及执行计划的优化。

• DataFrame这个高一层的抽象后，我们处理数据更加简单了，甚至可以用SQL来处理数据了，对开发者来说，易用性有了很大的提升。通过DataFrame API或SQL处理数据，会自动经过Spark 优化器（Catalyst）的优化，即使你写的程序或SQL不高效，也可以运行的很快。

 3.DataFrame与RDD的优缺点

• RDD的优缺点：

          优点:

       （1）编译时类型安全 
                编译时就能检查出类型错误

       （2）面向对象的编程风格 
                直接通过对象调用方法的形式来操作数据

          缺点:

       （1）序列化和反序列化的性能开销 
                无论是集群间的通信, 还是IO操作都需要对对象的结构和数据进行序列化和反序列化。

       （2）GC的性能开销 
                频繁的创建和销毁对象, 势必会增加GC

• DataFrame的优缺点

              DataFrame通过引入schema和off-heap（不在堆里面的内存，指的是除了不在堆的内存，使用操作系统上的内存），解决了RDD的缺点, Spark通过schame就能够读懂数据, 因此在通信和IO时就               只需要序列化和反序列化数据, 而结构的部分就可以省略了；通过off-heap引入，可以快速的操作数据，避免大量的GC。但是却丢了RDD的优点，DataFrame不是类型安全的, API也不是面向对象               风格的。

 4.读取数据源创建DataFrame

   1.读取文本文件创建DataFrame

  在spark2.0版本之前，Spark SQL中SQLContext是创建DataFrame和执行SQL的入口，可以利用hiveContext通过hive sql语句操作hive表数据，兼容hive操作，并且hiveContext继承自SQLContext。在   spark2.0之后，这些都统一于SparkSession，SparkSession 封装了 SparkContext，SqlContext，通过SparkSession可以获取到SparkConetxt,SqlContext对象。

  

 （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。person.txt内容为：

1 zhangsan 20
2 lisi 29
3 wangwu 25
4 zhaoliu 30
5 tianqi 35
6 kobe 40　　

    上传数据文件到HDFS上：hdfs dfs -put person.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

         先执行 spark-shell --master local[2]

        val lineRDD= sc.textFile("/person.txt").map(_.split(" "))

      

（3）定义case class（相当于表的schema）

 case class Person(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

     

    personDF.printSchema

    

4.DataFrame常用操作

    1.DSL风格语法 

      DataFrame提供了一个领域特定语言(DSL)来操作结构化数据。

     下面是一些使用示例:

      （1）查看DataFrame中的内容，通过调用show方法

        personDF.show

       

     （2）查看DataFrame部分列中的内容   查看name字段的数据

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

       

      查看name字段的另一种写法

      personDF.select("name").show

     

    查看 name 和age字段数据

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

    

（3）打印DataFrame的Schema信息

         personDF.printSchema

         

（4）查询所有的name和age，并将age+1

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

          

      也可以这样：

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

       

（5）过滤age大于等于25的，使用filter方法过滤

         personDF.filter(col("age") >= 25).show

        

（6）统计年龄大于30的人数

        personDF.filter(col("age")>30).count()

        

（7）按年龄进行分组并统计相同年龄的人数

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

         

 2.SQL 风格语法

　DataFrame的一个强大之处就是我们可以将它看作是一个关系型数据表，然后可以通过在程序中使用spark.sql() 来执行SQL语句查询，结果返回一个DataFrame。

如果想使用SQL风格的语法，需要将DataFrame注册成表,采用如下的方式：

personDF.registerTempTable("t_person")

（1）查询年龄最大的前两名

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

          

（2）显示表的Schema信息

         spark.sql("desc t_person").show

         

（3）查询年龄大于30的人的信息

         spark.sql("select * from t_person where age > 30 ").show

         

5.DataSet

• 什么是DataSet

         DataSet是分布式的数据集合，Dataset提供了强类型支持，也是在RDD的每行数据加了类型约束。DataSet是在Spark1.6中添加的新的接口。它集中了RDD的优点（强类型和可以用强大lambda函          数）以及使用了Spark SQL优化的执行引擎。DataSet可以通过JVM的对象进行构建，可以用函数式的转换（map/flatmap/filter）进行多种操作。

•  DataSet   DataFrame  RDD的区别

            假设RDD中的两行数据长这样：

1,   张三,    23

2,   李四,    35

           那么DataFrame中的数据长这样:

ID:String	Name:String	Age:int
1	张三	23
2	李四	35

           那么Dataset中的数据长这样:

value:String

1,   张三,    23

2,   李四,    35

DataSet包含了DataFrame的功能，Spark2.0中两者统一，DataFrame表示为DataSet[Row]，即DataSet的子集。

       （1）DataSet可以在编译时检查类型

      （2）并且是面向对象的编程接口

相比DataFrame，Dataset提供了编译时类型检查，对于分布式程序来讲，提交一次作业太费劲了（要编译、打包、上传、运行），到提交到集群运行时才发现错误，这会浪费大量的时间，这也是引           入Dataset的一个重要原因。

• DataFrame和DataSet可以相互转化

      （1）DataFrame转为 DataSet

               df.as[ElementType] 这样可以把DataFrame转化为DataSet。

      （2）DataSet转为DataFrame

              ds.toDF() 这样可以把DataSet转化为DataFrame。

• 创建DataSet

        （1）通过spark.createDataset创建

           

           

      （2）通toDS方法生成DataSet

         

   （1）通过DataFrame转化生成  使用as[类型]转换为DataSet