1、SparkSQL的进化之路
1.0以前:
Shark
1.1.x开始:
SparkSQL(只是测试性的) SQL
1.3.x:
SparkSQL(正式版本)+Dataframe
1.5.x:
SparkSQL 钨丝计划
1.6.x:
SparkSQL+DataFrame+DataSet(测试版本)
1.x:
SparkSQL+DataFrame+DataSet(正式版本)
SparkSQL:还有其他的优化
StructuredStreaming(DataSet)2、认识SparkSQL
2.1、什么是SparkSQL
SparkSQL是Spark的一个模块,主要用于进行结构化数据的处理。它提供的最核心的编程抽象就是DataFrame。
2.2、SparkSQL的作用
提供一个编程抽象(DataFrame)并且作为分布式SQL查询引擎。
DataFrame:它可以根据很多源进行构建,包括:结构化的数据文件,Hive中的表,外部的关系型数据库,以及RDD
2.3、运行原理
将SparkSQL 转化为 RDD ,然后提交到集群执行。
2.4、特点
(1)容易整合
(2)统一的数据访问方式
(3)兼容Hive
(4)标准的数据连接
2.5、SparkSession
SparkSession是Spark 2.0引如的新概念。SparkSession为用户提供了统一的切入点,来让用户学习spark的各项功能。
在spark的早期版本中,SparkContext是spark的主要切入点,由于RDD是主要的API,我们通过sparkcontext来创建和操作RDD。对于每个其他的API,我们需要使用不同的context。例如,对于Streming,我们需要使用StreamingContext;对于sql,使用sqlContext;对于Hive,使用hiveContext。但是随着DataSet和DataFrame的API逐渐成为标准的API,就需要为他们建立接入点。所以在spark2.0中,引入SparkSession作为DataSet和DataFrame API的切入点,SparkSession封装了SparkConf、SparkContext和SQLContext。为了向后兼容,SQLContext和HiveContext也被保存下来。
SparkSession实质上是SQLContext和HiveContext的组合(未来可能还会加上StreamingContext),所以在SQLContext和HiveContext上可用的API在SparkSession上同样是可以使用的。SparkSession内部封装了sparkContext,所以计算实际上是由sparkContext完成的。
特点:
---- 为用户提供一个统一的切入点使用Spark 各项功能
---- 允许用户通过它调用 DataFrame 和 Dataset 相关 API 来编写程序
---- 减少了用户需要了解的一些概念,可以很容易的与 Spark 进行交互
---- 与 Spark 交互之时不需要显示的创建 SparkConf, SparkContext 以及 SQlContext,这些对象已经封闭在 SparkSession 中2.6、DataFrames
在Spark中,DataFrame是一种以RDD为基础的分布式数据集,类似于传统数据库中的二维表格。DataFrame与RDD的主要区别在于,前者带有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。这使得Spark SQL得以洞察更多的结构信息,从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优化,最终达到大幅提升运行时效率的目标,反观RDD,由于无从得知所存数据元素的具体内部结构,Spark Core只能在stage层面进行简单、通用的流水线优化。
3、RDD转换成为DataFrame
使用spark1.x版本的方式
测试数据目录:/home/hadoop/apps/spark-2.3.0-bin-hadoop2.7/examples/src/main/resources(spark的安装目录里面)
people.txt
3.1、方式一:通过case class 创建 DataFrames(反射)
package Lession2 import org.apache.spark.rdd.RDD import org.apache.spark.sql.{DataFrame, SQLContext} import org.apache.spark.{SparkConf, SparkContext} case class People(var name: String,var age:Int) object TestDataFrame1 { def main(args: Array[String]): Unit = { val conf = new SparkConf().setAppName("RDDToDataFrame").setMaster("local") val sc = new SparkContext(conf) val context = new SQLContext(sc) //将本地的数据读入 RDD , 并将 RDD 与 case slass关联 val peopleRDD: RDD[People] = sc.textFile("D:\\111\\222\\people.txt") .map(line => People(line.split(",")(0), line.split(",")(1).trim.toInt)) import context.implicits._ //将 RDD 转换成 DataFrames val df: DataFrame = peopleRDD.toDF //将 DataFrames 创建成一个临时的视图 df.createOrReplaceTempView("people") //使用SQL语句进行查询 context.sql("select * from people").show() } }
运行结果:
3.2、方式二:通过 structType 创建 DataFrames(编程接口)
package Lession2 import org.apache.spark.rdd.RDD import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType} import org.apache.spark.sql.{DataFrame, Row, SQLContext} import org.apache.spark.{SparkConf, SparkContext} object TestDataFrame2 { def main(args: Array[String]): Unit = { val conf = new SparkConf().setAppName("TestDataFrame2").setMaster("local") val sc: SparkContext = new SparkContext(conf) val sqlContext = new SQLContext(sc) val fileRDD: RDD[String] = sc.textFile("D:\\111\\222\\people.txt") //将 RDD 数据映射成 Row, 需要 import org.apache.spark.sql.Row val rowRDD: RDD[Row] = fileRDD.map(line => { val fields = line.split(",") Row(fields(0), fields(1).trim.toInt) }) //创建 StructType 来定义结构 val structType: StructType = StructType( //字段名,字段类型,是否可以为空 StructField("name", StringType, true) :: StructField("age", IntegerType, true) :: Nil ) /** * rows: java.util.List[Row] * schema: StructType */ val df: DataFrame = sqlContext.createDataFrame(rowRDD,structType) df.createOrReplaceTempView("people") sqlContext.sql("select * from people").show() } }
运行结果:
3.3、方式三:通过 json 文件创建 DataFrames
package Lession2 import org.apache.spark.sql.{DataFrame, SQLContext} import org.apache.spark.{SparkConf, SparkContext} object TestDataFrame3 { def main(args: Array[String]): Unit = { val conf = new SparkConf().setAppName("TestDataFrame3 ").setMaster("local") val sc = new SparkContext(conf) val sqlContext: SQLContext = new SQLContext(sc) val df: DataFrame = sqlContext.read.json("D:\\111\\222\\people.json") df.createOrReplaceTempView("people") sqlContext.sql("select * from people").show() } }
运行结果:
4、DataFrame 的 read 和 save 和 savemode
4.1、数据的读取
package Lession2 import org.apache.spark.sql.{DataFrame, SQLContext} import org.apache.spark.{SparkConf, SparkContext} object TestRead { def main(args: Array[String]): Unit = { val conf = new SparkConf().setAppName("TestRead ").setMaster("local") val sc = new SparkContext(conf) val sqlContext: SQLContext = new SQLContext(sc) //方式一 val df1: DataFrame = sqlContext.read.json("D:\\111\\222\\people.json") val df2: DataFrame = sqlContext.read.parquet("D:\\111\\222\\users.parquet") //方式二 val df3: DataFrame = sqlContext.read.format("json").load("D:\\111\\222\\people.json") val df4: DataFrame = sqlContext.read.format("parquet").load("D:\\111\\222\\users.parquet") //方式三,默认是 parquet 模式 val df5: DataFrame = sqlContext.load("D:\\111\\222\\users.parquet") } }
4.2、数据的保存
package Lession2 import org.apache.spark.{SparkConf, SparkContext} import org.apache.spark.sql.{DataFrame, SQLContext} object TestSave { def main(args: Array[String]): Unit = { val conf = new SparkConf().setAppName("TestSave ").setMaster("local") val sc = new SparkContext(conf) val sqlContext: SQLContext = new SQLContext(sc) val df1: DataFrame = sqlContext.read.json("D:\\111\\222\\people.json") //方式一 // df1.write.json("D:\\11") df1.write.parquet("D:\\11\\2") //方式二 df1.write.format("json").save("D:\\11\\3") df1.write.format("parquet").save("D:\\11\\4") //方式三 df1.write.save("D:\\11\\5") } }
4.3、数据的保存模式
使用mode
df1.write.format("parquet").mode(SaveMode.Ignore).save("E:\\444")
5、数据源
5.1、数据源之 json
参考 4.1
5.2 数据源之parquet
参考4.15.3、数据源之 Mysql
package Lession2 import java.util.Properties import org.apache.spark.sql.{DataFrame, SQLContext} import org.apache.spark.{SparkConf, SparkContext} object TestMysql { def main(args: Array[String]): Unit = { val conf = new SparkConf().setAppName("TestMysql").setMaster("local") val sc = new SparkContext(conf) val sqlContext = new SQLContext(sc) var url = "jdbc:mysql://192.168.123.102:3306/hivedb" val table = "DBS" val properties = new Properties() properties.setProperty("user","root") properties.setProperty("password","root") //需要传入Mysql的URL、表明、properties(连接数据库的用户名和密码) val df: DataFrame = sqlContext.read.jdbc(url,table,properties) df.createOrReplaceTempView("dbs") sqlContext.sql("select * from dbs").show() } }
运行结果:
5.4、数据源之 Hive
(1)准备工作
在pom.xml文件中添加依赖
<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-hive --> <dependency> <groupId>org.apache.spark</groupId> <artifactId>spark-hive_2.11</artifactId> <version>2.3.0</version> </dependency>
开发环境则在 resource 文件夹下添加 hive-site.xml 文件,集群环境把 hive 的配置文件要发到 $SPARK_HOME/conf 目录下
<configuration> <property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://hadoop02:3306/hivedb?createDatabaseIfNotExist=true</value> <description>JDBC connect string for a JDBC metastore</description> <!-- 濡傛灉 mysql 鍜hive 鍦ㄥ悓涓€涓湇鍔″櫒鑺傜偣锛岄偅涔堣鏇存敼 hadoop02 涓localhost --> </property> <property> <name>javax.jdo.option.ConnectionDriverName</name> <value>com.mysql.jdbc.Driver</value> <description>Driver class name for a JDBC metastore</description> </property> <property> <name>javax.jdo.option.ConnectionUserName</name> <value>root</value> <description>username to use against metastore database</description> </property> <property> <name>javax.jdo.option.ConnectionPassword</name> <value>root</value> <description>password to use against metastore database</description> </property> <property> <name>hive.metastore.warehouse.dir</name> <value>/user/hive/warehouse</value> <description>hive default warehouse, if nessecory, change it</description> </property> </configuration>
(2)测试代码
object TestHive { def main(args: Array[String]): Unit = { val conf = new SparkConf().setMaster("local").setAppName(this.getClass.getSimpleName) val sc = new SparkContext(conf) val sqlContext = new HiveContext(sc) sqlContext.sql("select * from myhive.student").show() } }
运行结果: