sparksql基础知识一

目标

1. 掌握sparksql底层原理

2. 掌握sparksql中DataFrame和DataSet的数据结构和使用方式

3. 掌握通过sparksql开发应用程序

要点

1.sparksql概述

1.1 sparksql的前世今生

• Shark是专门针对于spark的构建大规模数据仓库系统的一个框架

• Shark与Hive兼容、同时也依赖于Spark版本

• Hivesql底层把sql解析成了mapreduce程序，Shark是把sql语句解析成了Spark任务

• 随着性能优化的上限，以及集成SQL的一些复杂的分析功能，发现Hive的MapReduce思想限制了Shark的发展。

• 最后Databricks公司终止对Shark的开发

  • 决定单独开发一个框架，不在依赖hive，把重点转移到了==sparksql==这个框架上。

1.2 什么是sparksql

• Spark SQL is Apache Spark's module for working with structured data.

• SparkSQL是apache Spark用来处理结构化数据的一个模块

2. sparksql的四大特性

• 1、易整合

  • 将SQL查询与Spark程序无缝混合

  • 可以使用不同的语言进行代码开发

    • java

    • scala

    • python

    • R

• 2、统一的数据源访问

  • 以相同的方式连接到任何数据源

    • sparksql后期可以采用一种统一的方式去对接任意的外部数据源

      SparkSession.read.该数据类型的方法名(该格式数据的路径)

• 3、兼容hive

  • sparksql可以支持hivesql这种语法 sparksql兼容hivesql

• 4、支持标准的数据库连接

  • sparksql支持标准的数据库连接JDBC或者ODBC

3. DataFrame概述

3.1 DataFrame发展

• DataFrame前身是schemaRDD,这个schemaRDD是直接继承自RDD，它是RDD的一个实现类

• 在spark1.3.0之后把schemaRDD改名为DataFrame,它不在继承自RDD，而是自己实现RDD上的一些功能

• 也可以把dataFrame转换成一个rdd，调用rdd这个方法

  • 例如 val rdd1=dataFrame.rdd

3.2 DataFrame是什么

• 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。

DataFrame = RDD + schema元信息(对数据的结构描述信息)
DataFrame可以看成是一张mysql表。
表中有数据，同时表中还有字段的名称和类型，这里的字段的名称和类型就可以理解成Schema信息

3.3 DataFrame和RDD的优缺点

• 1、RDD

  • 优点

    • 1、编译时类型安全

      • 开发会进行类型检查，在编译的时候及时发现错误

    • 2、具有面向对象编程的风格

  • 缺点

    • 1、构建大量的java对象占用了大量heap堆空间，导致频繁的GC

      由于数据集RDD它的数据量比较大，后期都需要存储在heap堆中，这里有heap堆中的内存空间有限，出现频繁的垃圾回收（GC），程序在进行垃圾回收的过程中，所有的任务都是暂停。影响程序执行的效率

    • 2、数据的序列化和反序列性能开销很大

        在分布式程序中，对象(对象的内容和结构)是先进行序列化，发送到其他服务器，进行大量的网络传输，然后接受到这些序列化的数据之后，再进行反序列化来恢复该对象

• 2、DataFrame

  • DataFrame引入了schema元信息和off-heap(堆外)

  • 优点

    • 1、DataFrame引入off-heap，大量的对象构建直接使用操作系统层面上的内存，不在使用heap堆中的内存，这样一来heap堆中的内存空间就比较充足，不会导致频繁GC，程序的运行效率比较高，它是解决了RDD构建大量的java对象占用了大量heap堆空间，导致频繁的GC这个缺点。

    • 2、DataFrame引入了schema元信息---就是数据结构的描述信息，后期spark程序中的大量对象在进行网络传输的时候，只需要把数据的内容本身进行序列化就可以，数据结构信息可以省略掉。这样一来数据网络传输的数据量是有所减少，数据的序列化和反序列性能开销就不是很大了。它是解决了RDD数据的序列化和反序列性能开销很大这个缺点

  • 缺点

    • DataFrame引入了schema元信息和off-heap(堆外)它是分别解决了RDD的缺点，同时它也丢失了RDD的优点

      • 1、编译时类型不安全

        • 编译时不会进行类型的检查，这里也就意味着前期是无法在编译的时候发现错误，只有在运行的时候才会发现

      • 2、不在具有面向对象编程的风格

4. 读取文件构建DataFrame

4.1 读取文本文件创建DataFrame

• 第一种方式

//加载数据
val rdd1=sc.textFile("/person.txt").map(x=>x.split(" "))
//定义一个样例类
case class Person(id:String,name:String,age:Int)
//把rdd与样例类进行关联
val personRDD=rdd1.map(x=>Person(x(0),x(1),x(2).toInt))
//把rdd转换成DataFrame
val personDF=personRDD.toDF
​
//打印schema信息
personDF.printSchema
​
//展示数据
personDF.show

• 第二种方式

val personDF=spark.read.text("/person.txt")
//org.apache.spark.sql.DataFrame = [value: string]
​
//打印schema信息
personDF.printSchema
​
//展示数据
personDF.show

4.2 读取json文件创建DataFrame

val peopleDF=spark.read.json("/people.json")
//打印schema信息
peopleDF.printSchema
​
//展示数据
peopleDF.show

4.3 读取parquet文件创建DataFrame

val usersDF=spark.read.parquet("/users.parquet")
//打印schema信息
usersDF.printSchema
​
//展示数据
usersDF.show

5. DataFrame常用操作

5.1 DSL风格语法

• 就是sparksql中的DataFrame自身提供了一套自己的Api，可以去使用这套api来做相应的处理

//加载数据
val rdd1=sc.textFile("/person.txt").map(x=>x.split(" "))
//定义一个样例类
case class Person(id:String,name:String,age:Int)
//把rdd与样例类进行关联
val personRDD=rdd1.map(x=>Person(x(0),x(1),x(2).toInt))
//把rdd转换成DataFrame
val personDF=personRDD.toDF
​
//打印schema信息
personDF.printSchema
​
//展示数据
personDF.show
​
//查询指定的字段
personDF.select("name").show
personDF.select($"name").show
personDF.select(col("name").show
                
//实现age+1
 personDF.select($"name",$"age",$"age"+1).show   
​
//实现age大于30过滤
 personDF.filter($"age" > 30).show
  
 //按照age分组统计次数
 personDF.groupBy("age").count.show 
   
//按照age分组统计次数降序
 personDF.groupBy("age").count().sort($"count".desc)show   

5.2 SQL风格语法

• 可以把DataFrame注册成一张表，然后通过sparkSession.sql(sql语句)操作

//DataFrame注册成表
personDF.createTempView("person")
​
//使用SparkSession调用sql方法统计查询
spark.sql("select * from person").show
spark.sql("select name from person").show
spark.sql("select name,age from person").show
spark.sql("select * from person where age >30").show
spark.sql("select count(*) from person where age >30").show
spark.sql("select age,count(*) from person group by age").show
spark.sql("select age,count(*) as count from person group by age").show
spark.sql("select * from person order by age desc").show

6. DataSet概述

6.1 DataSet是什么

• 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。

6.2 RDD、DataFrame、DataSet的区别

• 假设RDD中的两行数据长这样

• 那么DataFrame中的数据长这样

• Dataset中的数据长这

• 

  • 或者长这样（每行数据是个Object）

 

 

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

6.3 DataFrame与DataSet互相转换

• 1、把一个DataFrame转换成DataSet

  • val dataSet=dataFrame.as[强类型]

• 2、把一个DataSet转换成DataFrame

  • val dataFrame=dataSet.toDF

• 补充说明

  • 可以从dataFrame和dataSet获取得到rdd

    • val rdd1=dataFrame.rdd
      val rdd2=dataSet.rdd

6.4 构建DataSet

• 1、 通过sparkSession调用createDataset方法

  val ds=spark.createDataset(1 to 10) //scala集合
  val ds=spark.createDataset(sc.textFile("/person.txt"))  //rdd

• 2、使用scala集合和rdd调用toDS方法

  sc.textFile("/person.txt").toDS
  List(1,2,3,4,5).toDS

• 3、把一个DataFrame转换成DataSet

  val dataSet=dataFrame.as[强类型]

• 4、通过一个DataSet转换生成一个新的DataSet

  List(1,2,3,4,5).toDS.map(x=>x*10)

7. 通过IDEA开发程序实现把RDD转换DataFrame

• 添加依赖

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>2.3.3</version>
        </dependency>

7.1 利用反射机制

• 定义一个样例类，后期直接映射成DataFrame的schema信息

• 代码开发

package com.kaikeba.sql
​
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{Column, DataFrame, Row, SparkSession}
​
//todo:利用反射机制实现把rdd转成dataFrame
case class Person(id:String,name:String,age:Int)
​
object CaseClassSchema {
  def main(args: Array[String]): Unit = {
​
    //1、构建SparkSession对象
    val spark: SparkSession = SparkSession.builder().appName("CaseClassSchema").master("local[2]").getOrCreate()
​
    //2、获取sparkContext对象
    val sc: SparkContext = spark.sparkContext
    sc.setLogLevel("warn")
​
    //3、读取文件数据
    val data: RDD[Array[String]] = sc.textFile("E:\\person.txt").map(x=>x.split(" "))
​
    //4、定义一个样例类
​
    //5、将rdd与样例类进行关联
    val personRDD: RDD[Person] = data.map(x=>Person(x(0),x(1),x(2).toInt))
​
    //6、将rdd转换成dataFrame
    //需要手动导入隐式转换
    import spark.implicits._
    val personDF: DataFrame = personRDD.toDF
​
    //7、对dataFrame进行相应的语法操作
    //todo：----------------- DSL风格语法-----------------start
    //打印schema
    personDF.printSchema()
    //展示数据
    personDF.show()
​
    //获取第一行数据
    val first: Row = personDF.first()
    println("first:"+first)
​
    //取出前3位数据
    val top3: Array[Row] = personDF.head(3)
    top3.foreach(println)
​
    //获取name字段
    personDF.select("name").show()
    personDF.select($"name").show()
    personDF.select(new Column("name")).show()
    personDF.select("name","age").show()
​
    //实现age +1
    personDF.select($"name",$"age",$"age"+1).show()
​
    //按照age过滤
    personDF.filter($"age" >30).show()
    val count: Long = personDF.filter($"age" >30).count()
    println("count:"+count)
​
    //分组
    personDF.groupBy("age").count().show()
​
    personDF.show()
    personDF.foreach(row => println(row))
​
    //使用foreach获取每一个row对象中的name字段
    personDF.foreach(row =>println(row.getAs[String]("name")))
    personDF.foreach(row =>println(row.get(1)))
    personDF.foreach(row =>println(row.getString(1)))
    personDF.foreach(row =>println(row.getAs[String](1)))
    //todo：----------------- DSL风格语法--------------------end
​
​
    //todo：----------------- SQL风格语法-----------------start
    personDF.createTempView("person")
    //使用SparkSession调用sql方法统计查询
    spark.sql("select * from person").show
    spark.sql("select name from person").show
    spark.sql("select name,age from person").show
    spark.sql("select * from person where age >30").show
    spark.sql("select count(*) from person where age >30").show
    spark.sql("select age,count(*) from person group by age").show
    spark.sql("select age,count(*) as count from person group by age").show
    spark.sql("select * from person order by age desc").show
    //todo：----------------- SQL风格语法----------------------end
​
    //关闭sparkSession对象
    spark.stop()
  }
}

7.2 通过StructType直接指定Schema

• 代码开发

package com.kaikeba.sql
​
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
​
//todo；通过动态指定dataFrame对应的schema信息将rdd转换成dataFrame
object StructTypeSchema {
​
  def main(args: Array[String]): Unit = {
    //1、构建SparkSession对象
    val spark: SparkSession = SparkSession.builder().appName("StructTypeSchema").master("local[2]").getOrCreate()
​
    //2、获取sparkContext对象
    val sc: SparkContext = spark.sparkContext
    sc.setLogLevel("warn")
​
    //3、读取文件数据
    val data: RDD[Array[String]] = sc.textFile("E:\\person.txt").map(x=>x.split(" "))
​
    //4、将rdd与Row对象进行关联
    val rowRDD: RDD[Row] = data.map(x=>Row(x(0),x(1),x(2).toInt))
​
    //5、指定dataFrame的schema信息   
    //这里指定的字段个数和类型必须要跟Row对象保持一致
    val schema=StructType(
      StructField("id",StringType)::
        StructField("name",StringType)::
        StructField("age",IntegerType)::Nil
    )
​
    val dataFrame: DataFrame = spark.createDataFrame(rowRDD,schema)
    dataFrame.printSchema()
    dataFrame.show()
​
    dataFrame.createTempView("user")
    spark.sql("select * from user").show()
​
​
    spark.stop()
​
  }
​
}

8、sparksql 操作hivesql

• 添加依赖

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_2.11</artifactId>
            <version>2.3.3</version>
        </dependency>

• 代码开发

package com.kaikeba.sql
import org.apache.spark.sql.SparkSession
​
​
//todo:利用sparksql操作hivesql
object HiveSupport {
  def main(args: Array[String]): Unit = {
    //1、构建SparkSession对象
    val spark: SparkSession = SparkSession.builder()
      .appName("HiveSupport")
      .master("local[2]")
      .enableHiveSupport() //开启对hive的支持
      .getOrCreate()
    //2、直接使用sparkSession去操作hivesql语句
​
      //2.1 创建一张hive表
       spark.sql("create table people(id string,name string,age int) row format delimited fields terminated by ','")
​
      //2.2 加载数据到hive表中
       spark.sql("load data local inpath './data/kaikeba.txt' into table people ")
​
      //2.3 查询
      spark.sql("select * from people").show()
​
    spark.stop()
  }
}