Spark |04 SparkSQL

回到顶部(go to top)

1. Hive and SparkSQL

sparkSQL的前身是Shark。 Hive是早期唯一运行在Hadoop上的SQL-on-Hadoop工具。但是MapReduce计算过程中大量的中间磁盘落地过程消耗了大量的I/O，降低的运行效率，为了

提高SQL-on-Hadoop的效率，大量的SQL-on-Hadoop工具开始产生，其中表现较为突出的是：Drill、Impala、Shark。

Shark是伯克利实验室Spark生态环境的组件之一，是基于Hive所开发的工具，它修改了下图所示的右下角的内存管理、物理计划、执行三个模块，并使之能运行在Spark引擎上。

Shark对于Hive的太多依赖（如采用Hive的语法解析器、查询优化器等等），制约了Spark的发展，所以提出了SparkSQL项目。

SparkSQL抛弃原有Shark的代码，汲取了Shark的一些优点，如内存列存储（In-Memory Columnar Storage）、Hive兼容性等，重新开发了SparkSQL代码；由于摆脱了对Hive的依赖

性，SparkSQL无论在数据兼容、性能优化、组件扩展方面都得到了极大的方便。

2014年6月1日Shark项目和SparkSQL项目的主持人Reynold Xin宣布：停止对Shark的开发，团队将所有资源放SparkSQL项目上，至此，Shark的发展画上了句话，但也因此发展出两

个支线：SparkSQL和Hive on Spark。

其中SparkSQL作为Spark生态的一员继续发展，而不再受限于Hive，只是兼容Hive；而Hive on Spark是一个Hive的发展计划，该计划将Spark作为Hive的底层引擎之一，也就是说，

Hive将不再受限于一个引擎，可以采用Map-Reduce、Tez、Spark等引擎。

对于开发人员来讲，SparkSQL可以简化RDD的开发，提高开发效率，且执行效率非常快，实际工作中，基本上采用的就是SparkSQL。Spark SQL为了简化RDD的开发，提高开发效率，提供了2个编程抽象，DataFrame 、DataSet

回到顶部(go to top)

2. Spark SQL

特点

易整合；无缝的整合了 SQL 查询和 Spark 编程

统一的数据访问；使用相同的方式连接不同的数据源

兼容 Hive；在已有的仓库上直接运行 SQL 或者 HiveQL

SparkSession

在spark2.0中，引入SparkSession（作为DataSet和DataFrame API的切入点）作为Spark最新的SQL查询起始点，实质上是SQLContext和HiveContext的组合（未来可能还会加上StreamingContext）；为了向后兼容，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、SparkConf、SQLContext，所以计算实际上是由sparkContext完成的。

---- 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

--- 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

DataFrame

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。

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。

上图直观地体现了DataFrame和RDD的区别。

左侧的RDD[Person]虽然以Person为类型参数，但Spark框架本身不了解Person类的内部结构。而右侧的DataFrame却提供了详细的结构信息，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是为数据提供了Schema的视图。可以把它当做数据库中的一张表来对待

DataFrame也是懒执行的，但性能上比RDD要高，主要原因：优化的执行计划，即查询计划通过Spark catalyst optimiser进行优化。比如下面一个例子:

图中构造了两个DataFrame，将它们join之后又做了一次filter操作。如果原封不动地执行这个执行计划，最终的执行效率是不高的。因为join是一个代价较大的操作，也可能会产生一

个较大的数据集。如果我们能将filter下推到 join下方，先对DataFrame进行过滤，再join过滤后的较小的结果集，便可以有效缩短执行时间。而Spark SQL的查询优化器正是这样做

的。简而言之，逻辑查询计划优化就是一个利用基于关系代数的等价变换，将高成本的操作替换为低成本操作的过程。

DataSet

DataSet是分布式数据集合。DataSet是Spark 1.6中添加的一个新抽象，是DataFrame的一个扩展。它提供了RDD的优势（强类型，使用强大的lambda函数的能力）以及Spark SQL优

化执行引擎的优点。DataSet也可以使用功能性的转换（操作map，flatMap，filter等等）。

DataSet是DataFrame API的一个扩展，是SparkSQL最新的数据抽象
用户友好的API风格，既具有类型安全检查也具有DataFrame的查询优化特性；
用样例类来对DataSet中定义数据的结构信息，样例类中每个属性的名称直接映射到DataSet中的字段名称；
DataSet是强类型的。比如可以有DataSet[Car]，DataSet[Person]。
DataFrame是DataSet的特列，DataFrame=DataSet[Row] ，所以可以通过as方法将DataFrame转换为DataSet。Row是一个类型，跟Car、Person这些的类型一样，所有的表结构信息都用Row来表示。获取数据时需要指定顺序

回到顶部(go to top)

3. Spark SQL核心编程

如何使用 Spark SQL所提供的 DataFrame和DataSet模型进行编程，以及了解它们之间的关系和转换。

Spark Core中，如果想要执行应用程序，需要首先构建上下文环境对象SparkContext，Spark SQL其实可以理解为对Spark Core的一种封装，不仅仅在模型上进行了封装，上下文环境

对象也进行了封装。

在老的版本中，SparkSQL提供两种SQL查询起始点：一个叫SQLContext，用于Spark自己提供的SQL查询；一个叫HiveContext，用于连接Hive的查询。

SparkSession是Spark最新的SQL查询起始点，实质上是SQLContext和HiveContext的组合，所以在SQLContex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。

当我们使用 spark-shell 的时候, spark框架会自动的创建一个名称叫做spark的SparkSession对象，就像我们以前可以自动获取到一个sc来表示SparkContext对象一样

DataFrame

Spark SQL的DataFrame API 允许我们使用 DataFrame 而不用必须去注册临时表或者生成 SQL 表达式。DataFrame API 既有 transformation操作也有action操作。

创建 DataFrame

在Spark SQL中SparkSession是创建DataFrame和执行SQL的入口，创建DataFrame有三种方式：

　　通过Spark的数据源进行创建；从一个存在的RDD进行转换；还可以从Hive Table进行查询返回。

1) 从Spark数据源进行创建

查看Spark支持创建文件的数据源格式
scala> spark.read.
csv format jdbc json load option options orc parquet schematable text textFile

在spark的bin/data目录中创建user.json文件 {"username":"shero","age":18}
读取json文件创建DataFrame 
scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]            

scala> df.show
+---+--------+
|age|username|
+---+--------+
| 18|   shero|
+---+--------+

注意：如果从内存中获取数据，spark可以知道数据类型具体是什么。如果是数字，默认作为Int处理；
但是从文件中读取的数字，不能确定是什么类型，所以用bigint接收，可以和Long类型转换，但是和Int不能进行转换

2) 从RDD进行转换

3) 从Hive Table进行查询返回

SQL 语法

SQL语法风格是指我们查询数据的时候使用SQL语句来查询，这种风格的查询必须要有临时视图或者全局视图来辅助。

scala> val df = spark.read.json("data/user.json")
##转化成sql去执行
scala> df.createOrReplaceTempView("user")   //对DataFrame创建一个临时表； view是table的查询结果,只能查不能改
scala> spark.sql("select * from user").show //通过sql语句来查询全表。
+----+--------+
| age|username|
+----+--------+
|  18|   shero|
|  20|    kris|
|null|    andy|
+----+--------+

scala> spark.sql("select * from user where age is not null").show
+---+--------+
|age|username|
+---+--------+
| 18|   shero|
| 20|    kris|
+---+--------+
注意：普通临时view是Session范围内的，如果想应用范围内有效，可以使用全局临时表。使用全局临时表时需要全路径访问，如：global_temp.people

scala> df.createGlobalTempView("emp")  //提升为全局
scala> spark.sql("select * from user where age is not null").show
+---+--------+
|age|username|
+---+--------+
| 18|   shero|
| 20|    kris|
+---+--------+

scala> spark.sql("select * from emp where age is not null").show    //sql默认从当前session中查找，所以查询时需要加上global_temp
scala> spark.sql("select * from global_temp.emp where age is not null").show 
//等同于 spark.newSession().sql("select * from global_temp.emp").show 
+---+--------+
|age|username|
+---+--------+
| 18|   shero|
| 20|    kris|
+---+--------+

DSL风格语法

DataFrame 提供一个特定领域语言（domain-specific language, DSL --模仿面向对象的方式）去管理结构化的数据。

可以在Scala、Java、Python和 R中使用DSL，使用DSL语法风格不必去创建临时视图了。

scala> df.printSchema  //查看DataFrame 的Schema信息
root
 |-- age: long (nullable = true)
 |-- username: string (nullable = true)


scala> df.select("age").show //只查看"age"列数据
+----+
| age|
+----+
|null|
|  30|
|  19|
+----+


scala> df.select($"age"+1).show
+---------+
|(age + 1)|
+---------+
|     null|
|       31|
|       20|
+---------+
df.select($"username", $"age" + 1).show
+--------+---------+
|username|(age + 1)|
+--------+---------+
|   shero|       19|
|    kris|       21|
|    andy|     null|
+--------+---------+

df.filter($"age" > 20).show 

df.groupBy("age").count.show  
+----+-----+
| age|count|
+----+-----+
|null|    1|
|  18|    1|
|  20|    1|
+----+-----+

RDD转成DF

注意：如果需要RDD与DF或者DS之间操作，那么都需要引入 import spark.implicits._ 【spark不是包名，而是创建sparkSession对象的变量名称】

spark-shell中无需再导入，自动完成此操作。

前置条件：导入隐式转换并创建一个RDD


实际开发中，一般通过样例类将RDD转换为DataFrame
case class User(age:Int, name:String)
sc.makeRDD(List( (20, "kris"),(18, "shelo"))).map(t => User(t._1, t._2)).toDF.show 

sc.makeRDD(List(("a",1), ("b",4), ("c", 3))).toDF("name", "count").show
+----+-----+
|name|count|
+----+-----+
|   a|    1|
|   b|    4|
|   c|    3|
+----+-----+

DF转换为RDD

DataFrame其实就是对RDD的封装，所以可以直接获取内部的rdd

scala> df.show
+----+--------+
| age|username|
+----+--------+
|  18|   shero|
|  20|    kris|
|null|    andy|
+----+--------+

scala> df.rdd
res38: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[158] at rdd at <console>:26
scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[158] at rdd at <console>:26

scala> rdd.collect
res40: Array[org.apache.spark.sql.Row] = Array([18,shero], [20,kris], [null,andy])

scala> val array = rdd.collect //此时得到的RDD存储类型为Row
array: Array[org.apache.spark.sql.Row] = Array([18,shero], [20,kris], [null,andy])

scala> array(0)
res41: org.apache.spark.sql.Row = [18,shero]

scala> array(0).getAs[String]("username")
res47: String = shero

scala> array(0)(0)
res42: Any = 18

DataSet

DataSet是具有强类型的数据集合，需要提供对应的类型信息。

创建DataSet

1) 使用样例类序列创建DataSet

scala> case class Person(name: String, age: Long)
defined class Person

scala> val caseClassDS = Seq(Person("kris", 20)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

scala> caseClassDS.show
+----+---+
|name|age|
+----+---+
|kris| 20|
+----+---+

2）使用基本类型的序列创建DataSet

scala> val ds = Seq(1,2,3).toDS
ds: org.apache.spark.sql.Dataset[Int] = [value: int]

scala> ds.show
+-----+
|value|
+-----+
|    1|
|    2|
|    3|
+-----+

在实际使用的时候，很少用到把序列转换成DataSet，更多的是通过RDD来得到DataSet

RDD转换为DataSet

SparkSQL能够自动将包含有case类的RDD转换成DataSet，case类定义了table的结构，case类属性通过反射变成了表的列名。Case类可以包含诸如Seq或者Array等复杂的结构。 DataSet是具有强类型的数据集合，需要提供对应的类型信息。

scala> case class User(name:String, age:Int)
defined class User

scala> sc.makeRDD(List(("kris", 20), ("shero", 18))).map(t=>User(t._1, t._2)).toDS
res54: org.apache.spark.sql.Dataset[User] = [name: string, age: int]

DataSet转换为RDD

DataSet其实也是对RDD的封装，所以可以直接获取内部的RDD，调用rdd方法即可

scala> val ds = Seq(Person(25, "Andy")).toDS()
ds: org.apache.spark.sql.Dataset[Person] = [age: int, name: string]

scala> ds.rdd.collect
res59: Array[Person] = Array(Person(25,Andy))

DataFrame和DataSet转换

DataFrame其实是DataSet的特例，所以它们之间是可以互相转换的。

spark.read.json（“ path ”）即是DataFrame类型；

DataFrame-->DataSet

scala> case class User(name:String, age:Int)
defined class User

scala> val df = sc.makeRDD(List(("kris", 20), ("shero", 18))).toDF("name", "age")
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

scala> val ds = df.as[User]
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> ds.show 
+-----+---+
| name|age|
+-----+---+
| kris| 20|
|shero| 18|
+-----+---+

DataSet-->DataFrame

这种方法就是在给出每一列的类型后，使用as方法，转成Dataset，这在数据类型是DataFrame又需要针对各个字段处理时极为方便。在使用一些特殊的操作时，一定要加上 import spark.implicits._ 不然toDF、toDS无法使用。

scala> ds.toDF
res74: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

RDD 、 DataFrame 、 DataSet 三者的关系

在SparkSQL中Spark为我们提供了两个新的抽象，分别是DataFrame和DataSet。他们和RDD有什么区别呢？首先从版本的产生上来看：

➢ Spark1.0 => RDD
➢ Spark1.3 => DataFrame
➢ Spark1.6 => Dataset

如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。

在后期的Spark版本中，DataSet有可能会逐步取代RDD和DataFrame成为唯一的API接口。

三者的共性

RDD、DataFrame、DataSet全都是spark平台下的分布式弹性数据集，为处理超大型数据提供便利;
三者都有惰性机制，在进行创建、转换，如map方法时，不会立即执行，只有在遇到Action如foreach时，三者才会开始遍历运算;
三者有许多共同的函数，如filter，排序等;
在对DataFrame和Dataset进行操作许多操作都需要这个包:import spark.implicits._（在创建好SparkSession对象后尽量直接导入）
三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出
三者都有partition的概念
DataFrame和DataSet均可使用模式匹配获取各个字段的值和类型

三者的区别

联系：RDD、DataFrame、DataSet三者的联系是都是spark当中的一种数据类型，RDD是SparkCore当中的，DataFrame和DataSet都是SparkSql中的，它俩底层都基于RDD实现的；

区别：RDD 优点: ①编译时类型安全；②面向对象的编程风格； ③直接通过类名点的方式来操作数据；缺点是通信or IO操作都需要序列化和反序列化的性能开销，比较耗费性能； GC的性能开销，频繁的创建和销毁对象, 势必会增加GC；

　　DataFrame引入了schema和off-heap堆外内存不会频繁GC，减少了内存的开销；缺点是类型不安全；

　　DataSet结合了它俩的优点并且把缺点给屏蔽掉了；

1. RDD： ① RDD一般和spark mlib同时使用； ② RDD不支持sparksql操作

2. DataFrame:

　　1）与RDD和Dataset不同，DataFrame每一行的类型固定为Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值，

testDF.foreach{
  line =>
    val col1=line.getAs[String]("col1")
    val col2=line.getAs[String]("col2")
}

　　2）DataFrame与Dataset一般不与spark mlib同时使用

　　3）DataFrame与Dataset均支持sparksql的操作，比如select，groupby之类，还能注册临时表/视窗，进行sql语句操作，

　　　　如：dataDF.createOrReplaceTempView("tmp")

　　　　spark.sql("select ROW,DATE from tmp where DATE is not null order by DATE").show(100,false)

　　4）DataFrame与Dataset支持一些特别方便的保存方式，比如保存成csv，可以带上表头，这样每一列的字段名一目了然

val saveoptions = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://hadoop102:9000/test")  //保存
datawDF.write.format("com.atguigu.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save()  //读取

val options = Map("header" -> "true", "delimiter" -> "\t", "path" -> "hdfs://hadoop102:9000/test")
val datarDF= spark.read.options(options).format("com.atguigu.spark.csv").load()
利用这样的保存方式，可以方便的获得字段名和列的对应，而且分隔符（delimiter）可以自由指定。

3. Dataset:

　　1）Dataset和DataFrame拥有完全相同的成员函数，区别只是每一行的数据类型不同。 DataFrame其实就是DataSet的一个特例 type DataFrame = Dataset[Row]

　　2）DataFrame也可以叫Dataset[Row],每一行的类型是Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的getAS方法或者模式匹配拿出特定字段。而Dataset中，每一行是什么类型是不一定的，在自定义了case class之后可以很自由的获得每一行的信息

case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
/**
 rdd
 ("a", 1)
 ("b", 1)
 ("a", 1)
**/
val test: Dataset[Coltest]=rdd.map{line=>
      Coltest(line._1,line._2)
    }.toDS
test.map{
      line=>
        println(line.col1)
        println(line.col2)
    }

可以看出，Dataset在需要访问列中的某个字段时是非常方便的，然而，如果要写一些适配性很强的函数时，如果使用Dataset，行的类型又不确定，可能是各种case class，无法实现适配，这时候用DataFrame即Dataset[Row]就能比较好的解决问题

互相转化

RDD关心数据，DataFrame关心结构，DataSet关心类型；

　　① 将RDD转换为DataFrame，需要增加结构信息，所以调用toDF方法，需要增加结构；

　　② 将RDD转换为DataSet，需要增加结构和类型信息，所以需要转换为指定类型后，调用toDS方法；

　　③ 将DataFrame转换为DataSet时，因为已经包含结构信息，只有增加类型信息就可以，所以调用as[类型]

　　④因为DF中本身包含数据，所以转换为RDD时，直接调用rdd即可；

　　⑤因为DS中本身包含数据，所以转换为RDD时，直接调用rdd即可；

　　⑥因为DS本身包含数据结构信息，所以转换为DF时，直接调用toDF即可

回到顶部(go to top)

4. IDEA开发SparkSQL

RDD、DF、DS

添加依赖

<dependency>
　　<groupId>org.apache.spark</groupId>
　　<artifactId>spark-sql_2.12 </artifactId>
　　<version>3.0.0</version>
</dependency>

方式一：通过 case class 创建 DataFrames（反射）

import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}
object TestSparkSql {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
    val sc: SparkSession = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
    // 将本地的数据读入 RDD， 并将 RDD 与 case class 关联
    val peopleRdd = sc.sparkContext.textFile("file:\\F:\\Input\\people.txt")
      .map(line => People(line.split(",")(0),line.split(",")(1).trim.toInt))
    import sc.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")
    sc.sql("select * from people").show() //使用SQL语句进行查询
    sc.stop()
  }
}
//定义case class，相当于表结构
case class People(var name: String, var age: Int)

View Code

说明：

① textFile默认是从hdfs读取文件；本地文件读取 sc.textFile("路径")，在路径前面加上file:// 表示从本地文件系统读

② textFile可直接读取多个文件夹(嵌套)下的多个数据文件，如上边路径可写成 "file:\\F:\\Input" 读取这个目录下多个文件

方式二：通过 structType 创建 DataFrames（编程接口），测试代码如下

import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.sql.{DataFrame, SparkSession}
object TestSparkSql {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
    val sc: SparkSession = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
    // 将本地的数据读入 RDD
    val peopleRdd = sc.sparkContext.textFile("file:\\F:\\Input")
    // 将 RDD 数据映射成 Row，需要 import org.apache.spark.sql.Row
    import org.apache.spark.sql.Row
    val rowRDD: RDD[Row] = peopleRdd.map(line => {
      val fields = line.split(",")
      Row(fields(0), fields(1).trim.toInt)
    })
    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
    )
    //将DataFrames创建成一个临时的视图
    val df: DataFrame = sc.createDataFrame(rowRDD,structType)
    df.createTempView("people")
    sc.sql("select * from people").show() //使用SQL语句进行查询
    sc.stop()
  }
}

View Code

方式三：读取json文件

people.json 必须是在一行：

{"username":"swenna","age":18}
{"username": "kk","age":20}

//读取json数据
import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}
object TestSparkSql {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
    val sc: SparkSession = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
    // 将本地的数据读入 RDD
    val df: DataFrame = sc.read.json("file:\\F:\\Input\\people.json")

    //将DataFrames创建成一个临时的视图
    df.createOrReplaceTempView("people")
    sc.sql("select * from people").show() //使用SQL语句进行查询
    sc.stop()
  }
}

View Code

代码实现：

import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}

object SparkSql {
  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSql")
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
//1.DataFrame
    val df: DataFrame = spark.read.json("datas/user.json")
    //df.show()
    //① SQL 风格语法
    df.createOrReplaceTempView("user")
    //spark.sql("select * from user").show()
    //spark.sql("select avg(age) from user").show()

    import spark.implicits._
    //② DSL 风格语法
    //df.select("username", "age").show()
    //df.select($"age" + 1).show
    //df.select('age + 1).show()


    //③ RDD=>DataFrame
    val rdd: RDD[(Int, String, Int)] = spark.sparkContext.makeRDD(List((1, "kris", 20), (2, "shero", 18), (3, "smile", 28)))
    val rddToDF01: DataFrame = rdd.toDF("id", "username", "age")              //rdd -> df 方式一  toDF
    val rddToDf02: DataFrame = rdd.map(                                  //rdd -> df  方式二  case class
      t => Person(t._1, t._2, t._3)
    ).toDF()
　　

   //④ DataFrame=>RDD //RDD 返回的 RDD 类型为 Row ，里面提供的 getXXX 方法可以获取字段值，类似 jdbc 处理结果集，但是索引从 0 开始
　　dfToRdd01.foreach(
  　　row => println(row.getInt(0)+ "," + row.getString(1) + row.getInt(2))
　　)

   val dfToRdd: RDD[Row] = rddToDF01.rdd  //df -> rdd   .rdd

　　//⑤ DataFrame => DataSet
　　val dfToDs: Dataset[Person] = rddToDF01.as[Person]   //df -> ds

//2. DataSet
　　//① RDD => DataSet
　　rdd.toDS() //rdd -> ds .toDS()
　　rdd.map {
　　  case (id, username, age) => Person(id, username, age)
　　}.toDS()

　　val ds: Dataset[Person] = rdd.map( // rdd -> ds case class
 　　 t => Person(t._1, t._2, t._3)
　　).toDS()
　　//② DataSet => RDD
　　 val dsToRDD: RDD[Person] = ds.rdd

　　//③ DataSet => DataFrame
　　val dsToDF: DataFrame = df.toDF()/

　　 val rdd3: RDD[Row] = df2.rdd rdd3.foreach( a => println(a.getString(1)) ) 

    spark.stop()
  }
}

case class User(username: String, age: Long)
case class Person(id: Int, username: String, age: Int)

用户自定义函数

用户可以通过spark.udf功能添加自定义函数，实现自定义功能。

UDF

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSql")
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()

    val df: DataFrame = spark.read.json("datas/user.json")
    //创建临时表
    df.createOrReplaceTempView("user")
    //注册UDF
    spark.udf.register("prefixName", (name: String) => {
      "name: " + name
    })
    //应用UDF
    spark.sql("select age,prefixName(username) from user").show()

    spark.stop()

+---+--------------------+
|age|prefixName(username)|
+---+--------------------+
| 20|         name: shero|
| 25|          name: kris|
| 18|         name: smile|
+---+--------------------+

UDAF

求平均年龄

强类型的Dataset和弱类型的DataFrame都提供了相关的聚合函数，如 count()，countDistinct()，avg()，max()，min()。除此之外，用户可以设定自己的自定义聚合函数。通过继承

UserDefinedAggregateFunction 来实现用户自定义弱类型聚合函数。

从Spark3.0版本后，UserDefinedAggregateFunction已经不推荐使用了。可以统一采用强类型聚合函数Aggregator

1) UDAF - 弱类型

import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types._
import org.apache.spark.sql.{DataFrame, Row, SparkSession}

object SparkSql {
  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSql")
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()

    val df: DataFrame = spark.read.json("datas/user.json")
    //创建临时表
    df.createOrReplaceTempView("user")
    //注册UDF
    spark.udf.register("ageAvg", new MyAverageUDAF)
    //应用UDF
    spark.sql("select ageAvg(age) from user").show()

    spark.stop()
  }
}
 /**
   * 自定义聚合函数类, 计算年龄的平均值
   * 弱类型(sql文是没有类型的, 只有行和列, 表现的是数据的结构, 所以是弱类型的)
  * 定义类继承 UserDefinedAggregateFunction ，并重写其中方法
  */
class MyAverageUDAF extends UserDefinedAggregateFunction {
  // 聚合函数 输入参数的数据类型
  override def inputSchema: StructType = {
    StructType(
      Array(StructField("age", IntegerType))
    )
  }
  // 聚合函数 缓冲区中值的数据类型 (age,count)
  override def bufferSchema: StructType = {
    StructType(
      Array(
        StructField("sum", LongType),
        StructField("count", LongType)
      )
    )
  }
  // 函数返回值的数据类型
  override def dataType: DataType = DoubleType
  // 函数的稳定性：对于相同的输入是否一直返回相同的输出。
  override def deterministic: Boolean = true
  // 函数缓冲区初始化
  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    //buffer(0) = 0L //scala语法中的
    //buffer(1) = 0L
    buffer.update(0, 0L) //存年龄的总和
    buffer.update(1, 0L) //存年龄的个数
  }
  // 根据输入的值 更新缓冲区中的数据
  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    if (!input.isNullAt(0)) {
      buffer.update(0, buffer.getLong(0) + input.getInt(0))
      buffer.update(1, buffer.getLong(1) + 1)
    }
  }
  // 合并缓冲区
  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    buffer1.update(0, buffer1.getLong(0) + buffer2.getLong(0))
    buffer1.update(1, buffer1.getLong(1) + buffer2.getLong(1))
  }
  // 计算最终结果
  override def evaluate(buffer: Row): Any = {
    buffer.getLong(0).toDouble / buffer.getLong(1)
  }
}

View Code

2) UDAF - 强类型

import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql._

object SparkSql {
  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSql")
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()

    val df: DataFrame = spark.read.json("datas/user.json")
    //创建临时表
    df.createOrReplaceTempView("user")
    //注册UDF
    spark.udf.register("ageAvg", functions.udaf(new MyAverageUDAF)) //将强类型的函数转化为若类型的操作就可以用到sql中
    //应用UDF
    spark.sql("select ageAvg(age) from user").show()  //之前是不能把一个强类型的给若类型的sql的,

    spark.stop()
  }
}


case class Buff(var sum: Long, var count: Long)
/**
  * 自定义聚合函数类, 计算年龄的平均值
  * 1. 继承 import org.apache.spark.sql.expressions.Aggregator, 定义泛型
  * IN: 输入的数据类型 Long
  * BUF: 缓冲区的数据类型 Buff
  * OUT: 输出的数据类型 Long
  *
  * 2. 重写方法
  */
class MyAverageUDAF extends Aggregator[Long, Buff, Long] {
  //z & zero :初始值或零值
  //缓冲区的初始化
  override def zero: Buff = {
    Buff(0L, 0L)
  }

  //根据输入的数据更新缓冲区数据
  override def reduce(buff: Buff, in: Long): Buff = {
    buff.sum = buff.sum + in //年龄增加了
    buff.count = buff.count + 1
    buff
  }

  //合并缓冲区
  override def merge(buff1: Buff, buff2: Buff): Buff = {
    buff1.sum = buff1.sum + buff2.sum
    buff1.count = buff1.count + buff2.count
    buff1
  }

  //计算结果
  override def finish(buff: Buff): Long = {
    buff.sum / buff.count
  }

  //缓冲区的编码操作
  override def bufferEncoder: Encoder[Buff] = Encoders.product

  //输出的编码操作
  override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}

View Code

3) 通过DSL语法来实现

早期版本强类型聚合函数（aggregator）的实现

import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql._

object SparkSql {
  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSql")
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()

    val df: DataFrame = spark.read.json("datas/user.json")
    //早期版本中, spark不能在sql中使用强类型UDAF操作
    //SQL & DSL
    //早期的UDAF强类型聚合函数使用DSL语法操作, df没有类型的概念, 所以使用DataSet, 把类型加进去
    import spark.implicits._
    val ds: Dataset[User] = df.as[User]
    //将UDAF函数转换为查询的列对象; 将聚合函数当做查询的列, 用DSL语法操作来查询
    val udafCol: TypedColumn[User, Long] = new MyAvgUDAF().toColumn
    ds.select(udafCol).show()
    
    spark.stop()
  }
}
case class User(username: String, age: Long)
case class Buff(var sum: Long, var count: Long)
class MyAvgUDAF extends Aggregator[User, Buff, Long] {
  //z & zero :初始值或零值
  //缓冲区的初始化
  override def zero: Buff = {
    Buff(0L, 0L)
  }

  //根据输入的数据更新缓冲区数据
  override def reduce(buff: Buff, in: User): Buff = {
    buff.sum = buff.sum + in.age //年龄增加了
    buff.count = buff.count + 1
    buff
  }

  //合并缓冲区
  override def merge(buff1: Buff, buff2: Buff): Buff = {
    buff1.sum = buff1.sum + buff2.sum
    buff1.count = buff1.count + buff2.count
    buff1
  }

  //计算结果
  override def finish(buff: Buff): Long = {
    buff.sum / buff.count
  }

  //缓冲区的编码操作
  override def bufferEncoder: Encoder[Buff] = Encoders.product

  //输出的编码操作
  override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}

View Code

其他方法求平均年龄：

RDD的方法：

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSql")
    val sc: SparkContext = new SparkContext(conf)
    val rdd: RDD[(String, Int)] = sc.makeRDD(List(("zhangsan", 20), ("lisi", 30), ("wangw", 40)))
    val res: (Int, Int) = rdd.map {
      case (name, age) => {
        (age, 1)
      }
    }.reduce {
      (t1, t2) => {
        (t1._1 + t2._1, t1._2 + t2._2)
      }
    }
    println(res._1/res._2)
    // 关闭连接
    sc.stop()

View Code

累加器的方法求平均年龄：

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.util.AccumulatorV2

object SparkSql_Mysql {
  def main(args: Array[String]): Unit = {
    val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark-Transform")
    val sc: SparkContext = new SparkContext(sparkConf)
    val rdd: RDD[(String, Int)] = sc.makeRDD(List(("zhangsan", 20), ("lisi", 30), ("wangw", 40)))
    //累加器: WordCount
    //创建累加器对象
    val wcAcc = new MyAC
    //向Spark进行注册
    sc.register(wcAcc, "avgAcc")
    rdd.foreach(
      word => {
        //数据的累加(使用累加器)
        wcAcc.add(word._2)
      }
    )
    //获取累加器累加的结果
    println(wcAcc.value) // 30
    sc.stop()

  }

  class MyAC extends AccumulatorV2[Int,Int]{
    var sum:Int = 0
    var count:Int = 0
    override def isZero: Boolean = {
      return sum ==0 && count == 0
    }
    override def copy(): AccumulatorV2[Int, Int] = {
      val newMyAc = new MyAC
      newMyAc.sum = this.sum
      newMyAc.count = this.count
      newMyAc
    }
    override def reset(): Unit = {
      sum =0
      count = 0
    }
    override def add(v: Int): Unit = {
      sum += v
      count += 1
    }
    override def merge(other: AccumulatorV2[Int, Int]): Unit = {
      other match {
        case o:MyAC=>{
          sum += o.sum
          count += o.count
        }
        case _=>
      }
    }
    override def value: Int = sum/count
  }

}

View Code

回到顶部(go to top)

5. 数据的加载与保存

通用的加载和保存方法load和save

SparkSQL提供了通用的保存数据和数据加载的方式。这里的通用指的是使用相同的API，根据不同的参数读取和保存不同格式的数据，SparkSQL默认读取和保存的文件格式为

parquet

1）加载数据

spark.read.load 是加载数据的通用方法

scala> spark.read.
csv   format   jdbc   json   load   option   options   orc   parquet   schema   table   text   textFile

如果读取不同格式的数据，可以对不同的数据格式进行设定 
scala> spark.read.format("...")[.option("...")].load("...")

format("…")：指定加载的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"。
load("…")：在"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"格式下需要传入加载数据的路径。
option("…")：在"jdbc"格式下需要传入JDBC相应参数，url、user、password和dbtable

我们前面都是使用read API 先把文件加载到 DataFrame然后再查询，其实，我们也可以直接在文件上进行查询： 文件格式.`文件路径`

scala>spark.sql("select * from json .`/opt/module/data/user. json`").show

2）保存数据

df.write.save 是保存数据的通用方法

scala>df.write.
csv  jdbc  json  orc  parquet  textFile...
如果保存不同格式的数据，可以对不同的数据格式进行设定
scala>df.write.format("...")[.option("...")].save("...")

format("…")：指定保存的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"。
save ("…")：在"csv"、"orc"、"parquet"和"textFile"格式下需要传入保存数据的路径。
option("…")：在"jdbc"格式下需要传入JDBC相应参数，url、user、password和dbtable

保存操作可以使用 SaveMode, 用来指明如何处理数据，使用mode()方法来设置。

有一点很重要: 这些 SaveMode 都是没有加锁的, 也不是原子操作。

SaveMode是一个枚举类，其中的常量包括：

df.write.mode("append").json("/opt/module/data/output")

Parquet

Spark SQL的默认数据源为Parquet格式。Parquet是一种能够有效存储嵌套数据的列式存储格式。

数据源为Parquet文件时，Spark SQL可以方便的执行所有的操作，不需要使用format（否则就越好改变它的文件类型需要加.format）。

修改配置项spark.sql.sources.default，可修改默认数据源格式。

scala> val df = spark.read.load("/opt/module/spark/spark-local/examples/src/main/resources/users.parquet").show  //读取parquet文件
scala> df.write.save("output") //保存文件，读取保存都是parquet文件


scala>df.select("name", " color").write.save("user.parquet") //保存数据
java.lang.RuntimeException: file:/opt/module/spark/spark-local/examples/src/main/resources/people.json is not a Parquet file. 

用load读取json数据
scala> spark.read.format("json").load("/opt/module/spark/spark-local/examples/src/main/resources/people.json").show
scala> spark.read.json("/opt/module/spark/spark-local/examples/src/main/resources/people.json").show //简单写法

 df.write.format("json").save("/opt/module/datas/output") //保存json文件

spark.read.format("json").mode("overwrite").save("/..json") //mode("append")原来有追加， "overwrite"是追加

JSON

Spark SQL 能够自动推测JSON数据集的结构，并将它加载为一个Dataset[Row]. 可以通过SparkSession.read.json()去加载JSON 文件。

注意：Spark读取的JSON文件不是传统的JSON文件，每一行都应该是一个JSON串。

CSV

Spark SQL可以配置CSV文件的列表信息，读取CSV文件,CSV文件的第一行设置为数据列

spark.read.format("csv").option("sep", ";").option("inferSchema","true").option("header", "true").load("data/user.csv")

MySQL

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。

可在启动shell时指定相关的数据库驱动路径，或者将相关的数据库驱动放到spark的类路径下。

在spark-shell中操作

[kris@hadoop101 jars]$ cp /opt/software/mysql-connector-java-5.1.27/mysql-connector-java-5.1.27-bin.jar ./

scala> val connectionProperties = new java.util.Properties()
connectionProperties: java.util.Properties = {}

scala> connectionProperties.put("user", "root")
res0: Object = null

scala> connectionProperties.put("password", "123456")
res1: Object = null

scala> val jdbcDF2 = spark.read.jdbc("jdbc:mysql://hadoop101:3306/rdd", "test", connectionProperties)
jdbcDF2: org.apache.spark.sql.DataFrame = [id: int, name: string]

scala> jdbcDF2.show
+---+-------+
| id|   name|
+---+-------+
|  1| Google|
|  2|  Baidu|
|  3|    Ali|
|  4|Tencent|
|  5| Amazon|
+---+-------+

jdbcDF2.write.mode("append").jdbc("jdbc:mysql://hadoop101:3306/rdd", "test", connectionProperties)


scala> val rdd = sc.makeRDD(Array((6, "FaceBook")))
rdd: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[4] at makeRDD at <console>:24

scala> rdd.toDF("id", "name")
res5: org.apache.spark.sql.DataFrame = [id: int, name: string]

scala> val df = rdd.toDF("id", "name")
df: org.apache.spark.sql.DataFrame = [id: int, name: string]

scala> df.show
+---+--------+
| id|    name|
+---+--------+
|  6|FaceBook|
+---+--------+
scala> df.write.mode("append").jdbc("jdbc:mysql://hadoop101:3306/rdd", "test", connectionProperties)
scala> jdbcDF2.show
+---+--------+
| id|    name|
+---+--------+
|  1|  Google|
|  2|   Baidu|
|  3|     Ali|
|  4| Tencent|
|  5|  Amazon|
|  6|FaceBook|
+---+--------+

View Code

使用idea代码操作

import java.util.Properties

import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}

object SparkSql_Mysql {
  def main(args: Array[String]): Unit = {

    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSql")
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
    import spark.implicits._
    //读取mysql数据

    //method01(spark)
    //method02(spark)
    //method03(spark)
    //method04(spark)
    method05(spark)
    spark.close()

  }

  /**
   * 方式一：不指定查询条件
   * 所有的数据由RDD的一个分区处理，如果你这个表数据量很大，表的所有数据都是由RDD的一个分区处理，很可能会出现OOM
   * @param spark
   */
  def method01(spark: SparkSession): Unit = {
    // 将本地的数据读入 RDD
    val url = "jdbc:mysql://hadoop101/company?"
    val table = "staff"
    val prop = new Properties()
    prop.setProperty("user", "root")
    prop.setProperty("password", "123456")
    //需要传入Mysql的URL、表名、properties（连接数据库的用户名密码）
    val df: DataFrame = spark.read.jdbc(url, table, prop)
    println(df.count()) //3
    println(df.rdd.partitions.size) //1
    df.createOrReplaceTempView("staff")
    spark.sql("select * from staff where id <=2").show()
    //df.show()
    spark.stop()
  }

  /**
   * 方式二：指定数据库字段的范围
   * 通过lowerBound和upperBound 指定分区的范围
   * 通过columnName 指定分区的列（只支持整形）
   * 通过numPartitions 指定分区数量 （不宜过大）
   * 说明：将表的数据分布到RDD的几个分区中，分区的数量由numPartitions参数决定，在理想情况下，每个分区处理相同数量的数据，我们在使用的时候不建议将这个值设置的比较大，因为这可能导致数据库挂掉！这个函数的缺点就是只能使用整形数据字段作为分区关键字。
   * @param spark
   */
  def method02(spark: SparkSession): Unit = {
    val lowerBound = 1
    val upperBound = 100000
    val numPartitions = 5
    val url = "jdbc:mysql://hadoop101/company?user=root&password=123456"
    val prop = new Properties()
    val df: DataFrame = spark.read.jdbc(url, "staff", "id", lowerBound, upperBound,numPartitions,prop)

    df.show()
    println(df.count())
    println(df.rdd.partitions.length) //5个分区
  }

  /**
   * 方式三：根据任意字段进行分区
   * 通过predicates将数据根据score分为2个区
   * 基于前面两种方法的限制，Spark还提供了根据任意字段进行分区的方法；rdd的分区数量就等于predicates.length
   * @param spark
   */
  def method03(spark: SparkSession) = {
    val predicates = Array[String]("id <=2", "id > 1 and id < 3") //2个分区
    val url = "jdbc:mysql://hadoop101/company?user=root&password=123456"
    val prop = new Properties()
    val df: DataFrame = spark.read.jdbc(url,"staff",predicates,prop)
    println(df.count()) //3
    println(df.rdd.partitions.length) //2
    df.show()
  }

  /**
   * 方法四: option、load 的方式 
   * options函数支持 url、driver、dbtable、partitionColumn、lowerBound、upperBound以及numPartitions选项，与方法二的参数一致。
   * 其内部实现原理部分和方法二大体一致。同时load方法还支持json、orc等数据源的读取。
   *
   * @param spark
   */
  def method04(spark: SparkSession) = {
    //读取mysql数据
    val df = spark.read.format("jdbc")
      .option("url", "jdbc:mysql://hadoop101:3306/test")
      .option("driver", "com.mysql.jdbc.Driver")
      .option("user", "root")
      .option("password", "123456")
      .option("dbtable", "stu1")
      .load()
    df.show()
  }
  def method05(spark: SparkSession) = {
    val url = "jdbc:mysql://hadoop101/company?"
    val driver = "com.mysql.jdbc.Driver"
    val user = "root"
    val password = "123456"
    val dbtable = "(select staff.*, stu.age from staff join stu  on staff.id = stu.id) staff" //
    spark.read.format("jdbc")
      .options(Map ("url" -> url,
        "driver" -> driver,
        "user" -> user,
        "password" -> password,
        "dbtable" -> dbtable
      )).load().show()
    //加载条件查询后的数据，报错： Every derived table must have its own alias，这句话的意思是说每个派生出来的表都必须有一个自己的别名，加了一个没有别名即可

  }

}

View Code

Hive

 spark.sparkContext.setLogLevel("WARN") //设置日志输出级别

Apache Hive是Hadoop上的SQL引擎，Spark SQL编译时可以包含Hive支持，也可以不包含。包含Hive支持的Spark SQL可以支持Hive表访问、UDF(用户自定义函数)以及Hive查询语言(HQL)等。spark-shell默认是Hive支持的；代码中是默认不支持的，需要手动指定(加一个参数即可)。

可以修改其数据仓库地址，参数为：--conf spark.sql.warehouse.dir=./wear

内嵌Hive

如果要使用内嵌的Hive，什么都不用做，直接用就可以了。Hive 的元数据存储在 derby 中, 默认仓库地址:$SPARK_HOME/spark-warehouse

在实际使用中, 几乎没有任何人会使用内置的 Hive

scala> spark.sql("create table emp(name String, age Int)").show
19/04/11 01:10:17 WARN HiveMetaStore: Location: file:/opt/module/spark/spark-local/spark-warehouse/emp specified for non-external table:emp

scala> spark.sql("load data local inpath '/opt/module/spark/spark-local/examples/src/main/resources/people.txt' into table emp").show

scala> spark.sql("show tables").show
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
| default|      emp|      false|
+--------+---------+-----------+
scala> spark.sql("select * from emp").show

/opt/module/spark/spark-local/spark-warehouse/emp
[kris@hadoop101 emp]$ ll
-rwxr-xr-x. 1 kris kris 32 4月  11 01:10 people.txt

外部Hive应用

如果想连接外部已经部署好的Hive，需要通过以下几个步骤：

Spark要接管Hive需要把hive-site.xml拷贝到conf/目录下
把Mysql的驱动copy到jars/目录下
如果访问不到hdfs，则需要把core-site.xml和hdfs-site.xml拷贝到conf/目录下
重启spark-shell

[kris@hadoop101 spark-local]$ rm -rf metastore_db/ spark-warehouse/  
[kris@hadoop101 conf]$ cp hive-site.xml /opt/module/spark/spark-local/conf/

1）spark-shell中操作Hive 
[kris@hadoop101 spark-local]$ bin/spark-shell 
scala> spark.sql("show tables").show
+--------+--------------------+-----------+
|database|           tableName|isTemporary|
+--------+--------------------+-----------+
| default|            bigtable|      false|
| default|            business|      false|
| default|                dept|      false|
| default|      dept_partition|      false|
| default|     dept_partition2|      false|
| default|     dept_partitions|      false|
| default|                 emp|      false|
...


2）运行spark-sql，Spark SQL CLI可以很方便的在本地运行Hive元数据服务以及从命令行执行查询任务。
[kris@hadoop101 spark-local]$ bin/spark-sql 
log4j:WARN No appenders could be found for logger (org.apache.hadoop.util.Shell).
log4j:WARN Please initialize the log4j system properly.
spark-sql (default)> show tables;

3）运行Spark beeline

Spark Thrift Server是Spark社区基于HiveServer2实现的一个Thrift服务。旨在无缝兼容HiveServer2。因为Spark Thrift Server的接口和协议都和HiveServer2完全一致，因此我们部署

好Spark Thrift Server后，可以直接使用hive的beeline访问Spark Thrift Server执行相关语句。Spark Thrift Server的目的也只是取代HiveServer2，因此它依旧可以和Hive Metastore进

行交互，获取到hive的元数据。

如果想连接Thrift Server，需要通过以下几个步骤：

Spark要接管Hive需要把hive-site.xml拷贝到conf/目录下
把Mysql的驱动copy到jars/目录下
如果访问不到hdfs，则需要把core-site.xml（如果配置了LZO压缩可能会报Class com.hadoop.compression.lzo.LzoCodec not found；把core-site.xml文件从idea中去掉即可，因为本地环境中你并没有LZO的jar包）和hdfs-site.xml拷贝到conf/目录下
启动Thrift Server： sbin/start thriftserver.sh
使用beeline连接Thrift Server： bin/beeline -u jdbc:hive2:// hadoop101 :10000 -n kris

4）代码中操作Hive

拷贝Hadoop中core-site.xml、hdfs-site.xml，Hive中hive-site.xml三个文件到resources中（也可以只拷贝hive-site.xml），集群环境把hive的配置文件要发到$SPARK_HOME/conf目录下；

常见错误：

org.apache.hadoop.security.AccessControlException: Permission denied: user=kris, access=EXECUTE, inode=“tmp”:hadoop:kris:rwx------

Permission denied: user=18801, access=WRITE, inode="/user/hive/warehouse/"....

System.setProperty("HADOOP_USER_NAME", "kris")//idea中默认用windows用户去操作，改为linux中用户；  hadoop fs -chmod -R 777 /tmp  //为报错的目录赋予写操作的权限

log4j.properties

log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n
log4j.appender.logfile=org.apache.log4j.FileAppender
log4j.appender.logfile.File=target/spring.log
log4j.appender.logfile.layout=org.apache.log4j.PatternLayout
log4j.appender.logfile.layout.ConversionPattern=%d %p [%c] - %m%n

View Code

Maven所依赖的jar包：

<dependencies>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.12</artifactId>
            <version>3.0.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.12</artifactId>
            <version>3.0.0</version>
        </dependency>

        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.27</version>
        </dependency>

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_2.12</artifactId>
            <version>3.0.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-exec</artifactId>
            <version>1.2.1</version>
        </dependency>

    </dependencies>

View Code

测试：

import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession
object TestSparkSql {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
    val spark: SparkSession = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
    spark.sql("show tables").show()
    spark.stop()
  }
}

回到顶部(go to top)

6. SparkSQL 的元数据

1.1元数据的状态

SparkSQL 的元数据的状态有两种：

1、in_memory,用完了元数据也就丢了

2、hive , 通过hive去保存的，也就是说，hive的元数据存在哪儿，它的元数据也就存在哪儿。

换句话说，SparkSQL的数据仓库在建立在Hive之上实现的。我们要用SparkSQL去构建数据仓库的时候，必须依赖于Hive。

2.2Spark-SQL脚本

如果用户直接运行bin/spark-sql命令。会导致我们的元数据有两种状态：

1、in-memory状态：如果SPARK-HOME/conf目录下没有放置hive-site.xml文件，元数据的状态就是in-memory

2、hive状态：如果我们在SPARK-HOME/conf目录下放置了，hive-site.xml文件，那么默认情况下，spark-sql的元数据的状态就是hive.

回到顶部(go to top)

7. SparkSQL的实践

数据准备： Spark-sql 操作中所有的数据均来自 Hive，首先在 Hive 中创建表,，并导入数据。一共有 3 张表： 1 张用户行为表，1 张城市表，1 张产品表

CREATE TABLE `user_visit_action`(
 `date` string,
 `user_id` bigint,
 `session_id` string,
 `page_id` bigint,
 `action_time` string,
 `search_keyword` string,
 `click_category_id` bigint,
 `click_product_id` bigint,
 `order_category_ids` string,
 `order_product_ids` string,
 `pay_category_ids` string,
 `pay_product_ids` string,
 `city_id` bigint)
row format delimited fields terminated by '\t';
load data local inpath 'input/user_visit_action.txt' into table user_visit_action;

CREATE TABLE `product_info`(
 `product_id` bigint,
 `product_name` string,
 `extend_info` string)
row format delimited fields terminated by '\t';
load data local inpath 'input/product_info.txt' into table product_info;

CREATE TABLE `city_info`(
 `city_id` bigint,
 `city_name` string,
 `area` string)
row format delimited fields terminated by '\t';
load data local inpath 'input/city_info.txt' into table city_info;

View Code

需求：各区域热门商品 Top3

这里的热门商品是从点击量的维度来看的，计算各个区域前三大热门商品，并备注上每个商品在主要城市中的分布比例，超过两个城市用其他显示。结果如下图：

使用spark-sql创建表并导入数据：

import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession

object SparkSql_CreateTable {

  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSql")
    val spark: SparkSession = SparkSession.builder().enableHiveSupport().config(conf).getOrCreate()
    System.setProperty("HADOOP_USER_NAME", "atguigu")
    //FileSystem fileSystem = FileSystem.get(URI.create("hdfs://hadoop01:9000/") ,conf,"hadoop01");

    spark.sql("use test")
    //准备数据 多行字符串的方式
    spark.sql(
      """
        |CREATE TABLE `user_visit_action`(
        |`date`  string,
        |`user_id`  bigint,
        |`session_id`  string,
        |`page_id`  bigint,
        |`action_time` string,
        |`search_keyword` string,
        |`click_category_id` bigint,
        |`click_product_id` bigint,
        |`order_c ategory_ids` string,
        |`order_product_ids` string,
        |`pay_category_ids` string,
        |`pay_product_ids` string,
        |`city_id` bigint )
        |row format delimited fields terminated by '\t';
      """.stripMargin)

    spark.sql(
      """
        |load data local inpath 'datas/user_visit_action.txt' into table test.user_visit_action;
      """.stripMargin)


    spark.sql(
      """
        |CREATE TABLE `product_info`(
        |`product_id` bigint,
        |`product_name` string,
        |`extend_info` string)
        |row format delimited fields terminated by '\t';
      """.stripMargin)

    spark.sql(
      """
        |load data local inpath 'datas/product_info.txt' into table test.product_info;
      """.stripMargin)

    spark.sql(
      """
        |CREATE TABLE `city_info`(
        |`city_id` bigint,
        |`city_name` string,
        |`area` string)
        |row format delimited fields terminated by '\t';
      """.stripMargin)
    spark.sql(
      """
        |load data local inpath 'datas/city_info.txt' into table test.city_info;
      """.stripMargin)

    spark.sql("select * from test.city_info").show()

    spark.stop()
  }
}

View Code

需求分析

查询出来所有的点击记录，并与 city_info 表连接，得到每个城市所在的地区，与 Product_info 表连接得到产品名称
按照地区和商品 id 分组，统计出每个商品在每个地区的总点击次数 ➢ 每个地区内按照点击次数降序排列
只取前三名
城市备注需要自定义 UDAF 函数

功能实现

连接三张表的数据，获取完整的数据（只有点击）
将数据根据地区，商品名称分组
统计商品点击次数总和,取 Top3
实现自定义聚合函数显示备注

import org.apache.spark.SparkConf
import org.apache.spark.sql._
import org.apache.spark.sql.expressions.Aggregator

import scala.collection.mutable
import scala.collection.mutable.ListBuffer

object Spark_SparkSQL {

    def main(args: Array[String]): Unit = {
        System.setProperty("HADOOP_USER_NAME", "atguigu")

        val sparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
        val spark = SparkSession.builder().enableHiveSupport().config(sparkConf).getOrCreate()

        spark.sql("use test")

        // 查询基本数据
        spark.sql(
            """
              |  select
              |     a.*,
              |     p.product_name,
              |     c.area,
              |     c.city_name
              |  from user_visit_action a
              |  join product_info p on a.click_product_id = p.product_id
              |  join city_info c on a.city_id = c.city_id
              |  where a.click_product_id > -1
            """.stripMargin).createOrReplaceTempView("t1")

        // 根据区域，商品进行数据聚合
        spark.udf.register("cityRemark", functions.udaf(new CityRemarkUDAF()))
        spark.sql(
            """
              |  select
              |     area,
              |     product_name,
              |     count(*) as clickCnt,
              |     cityRemark(city_name) as city_remark
              |  from t1 group by area, product_name
            """.stripMargin).createOrReplaceTempView("t2")

        // 区域内对点击数量进行排行
        spark.sql(
            """
              |  select
              |      *,
              |      rank() over( partition by area order by clickCnt desc ) as rank
              |  from t2
            """.stripMargin).createOrReplaceTempView("t3")

        // 取前3名
        spark.sql(
            """
              | select
              |     *
              | from t3 where rank <= 3
            """.stripMargin).show(false)

        spark.close()
    }
    case class Buffer( var total : Long, var cityMap:mutable.Map[String, Long] )
    // 自定义聚合函数：实现城市备注功能
    // 1. 继承Aggregator, 定义泛型
    //    IN ： 城市名称
    //    BUF : Buffer =>【总点击数量，Map[（city, cnt）, (city, cnt)]】
    //    OUT : 备注信息
    // 2. 重写方法（6）
    class CityRemarkUDAF extends Aggregator[String, Buffer, String]{
        // 缓冲区初始化
        override def zero: Buffer = {
            Buffer(0, mutable.Map[String, Long]())
        }

        // 更新缓冲区数据
        override def reduce(buff: Buffer, city: String): Buffer = {
            buff.total += 1
            val newCount = buff.cityMap.getOrElse(city, 0L) + 1
            buff.cityMap.update(city, newCount)
            buff
        }

        // 合并缓冲区数据
        override def merge(buff1: Buffer, buff2: Buffer): Buffer = {
            buff1.total += buff2.total

            val map1 = buff1.cityMap
            val map2 = buff2.cityMap

            // 两个Map的合并操作
//            buff1.cityMap = map1.foldLeft(map2) {
//                case ( map, (city, cnt) ) => {
//                    val newCount = map.getOrElse(city, 0L) + cnt
//                    map.update(city, newCount)
//                    map
//                }
//            }
            map2.foreach{
                case (city , cnt) => {
                    val newCount = map1.getOrElse(city, 0L) + cnt
                    map1.update(city, newCount)
                }
            }
            buff1.cityMap = map1
            buff1
        }
        // 将统计的结果生成字符串信息
        override def finish(buff: Buffer): String = {
            val remarkList = ListBuffer[String]()

            val totalcnt = buff.total
            val cityMap = buff.cityMap

            // 降序排列
            val cityCntList = cityMap.toList.sortWith(
                (left, right) => {
                    left._2 > right._2
                }
            ).take(2)

            val hasMore = cityMap.size > 2
            var rsum = 0L
            cityCntList.foreach{
                case ( city, cnt ) => {
                    val r = cnt * 100 / totalcnt
                    remarkList.append(s"${city} ${r}%")
                    rsum += r
                }
            }
            if ( hasMore ) {
                remarkList.append(s"其他 ${100 - rsum}%")
            }

            remarkList.mkString(", ")
        }

        override def bufferEncoder: Encoder[Buffer] = Encoders.product

        override def outputEncoder: Encoder[String] = Encoders.STRING
    }
}

View Code

伴生对象相当于static，可直接类名.
给类起别名，相当于属性使用type ..

spark.sql("select age, addName(name) from user").show

scala> case class tbStock(ordernumber:String,locationid:String,dateid:String) extends Serializable
scala> val tbStockRdd = spark.sparkContext.textFile("/opt/module/datas/sparkData/tbStock.txt")
tbStockRdd: org.apache.spark.rdd.RDD[String] = /opt/module/datas/sparkData/tbStock.txt MapPartitionsRDD[30] at textFile at <console>:23
scala> val tbStockDS = tbStockRdd.map(_.split("\t")).map(x => tbStock(x(0), x(1), x(2))).toDS
tbStockDS: org.apache.spark.sql.Dataset[tbStock] = [ordernumber: string, locationid: string ... 1 more field]

scala> tbStockDS.show
+-----------+----------+----------+
|ordernumber|locationid|    dateid|
+-----------+----------+----------+
|      lj111|        jd| 2018-3-13|
|      lj112|        jd| 2018-2-13|
|      lj113|        jd| 2019-1-13|
|      lj114|        jd| 2019-3-13|
|      lj115|        jd| 2018-9-13|
|      lj116|        jd|2018-11-13|
|      lj117|        jd|2017-12-13|
|      lj118|        jd| 2017-5-13|
+-----------+----------+----------+

scala> case class tbStockDetail(ordernumber:String, rownum:Int, itemid:String, number:Int, price:Double, amount:Double) extends Serializable
defined class tbStockDetail
scala> val tbStockDetailRdd = spark.sparkContext.textFile("/opt/module/datas/sparkData/tbStockDetail.txt")
tbStockDetailRdd: org.apache.spark.rdd.RDD[String] = /opt/module/datas/sparkData/tbStockDetail.txt MapPartitionsRDD[43] at textFile at <console>:23
scala> val tbStockDetailDS = tbStockDetailRdd.map(_.split("\t")).map(x => tbStockDetail(x(0), x(1).trim().toInt, x(2), x(3).trim().toInt, x(4).trim().toDouble,x(5).trim().toDouble)).toDS
tbStockDetailDS: org.apache.spark.sql.Dataset[tbStockDetail] = [ordernumber: string, rownum: int ... 4 more fields]

scala> tbStockDetailDS.show
+-----------+------+------+------+-----+------+
|ordernumber|rownum|itemid|number|price|amount|
+-----------+------+------+------+-----+------+
|      lj111|    12|item11|    10|100.0| 300.0|
|      lj112|    12|item12|    10|100.0| 200.0|
|      lj113|    12|item13|    10|100.0| 300.0|
|      lj114|    12|item14|    10|100.0| 100.0|
|      lj115|    12|item15|    10|100.0| 300.0|
|      lj116|    12|item16|    10|100.0| 700.0|
|      lj117|    12|item17|    10|100.0| 600.0|
|      lj118|    12|item18|    10|100.0| 500.0|
+-----------+------+------+------+-----+------+

计算所有订单中每年最畅销货品

目标：统计每年最畅销货品（哪个货品销售额amount在当年最高，哪个就是最畅销货品）

tbstock、tbstockdetail--amount 、tbdate
计算所有订单中每年的销售单数、销售总额
三个表连接后以count(distinct a.ordernumber)计销售单数，sum(b.amount)计销售总额
select 
    theyear, 
    count(tbstock.ordernumber), 
    sum(tbstockdetail.amount) 
from tbstock join tbstockdetail on tbstock.ordernumber = tbstockdetail.ordernumber 
             join tbdate on tbdate.dateid = tbstock.dateid 
    group by tbdate.theyear 
    order by tbdate.theyear;


统计每年最大金额订单的销售额:
统计每个订单一共有多少销售额
select 
    a.dateid, 
    a.ordernumber, 
    sum(b.amount) sumAmount
from tbstock a join tbstockdetail b on a.ordernumber = b.ordernumber
    group by a.dateid, a.ordernumber

select 
    theyear, 
    max(c.sumAmount) sumOfAmount
from tbdate join (select a.dateid, a.ordernumber, sum(b.amount) sumAmount
from tbstock a join tbstockdetail b on a.ordernumber = b.ordernumber
    group by a.dateid, a.ordernumber)c on tbdate.dateid = c.dateid
    group by tbdate.theyear order by tbdate.theyear desc


1求出每年每个货品的销售额
每年 tbdate.theyear 
货品tbstockdetail.itemid
销售额amount在当年最高 
select tbdate.theyear, tbstockdetail.itemid, sum(tbstockdetail.amount) sumAmount
from tbdate join tbstock on tbdate.dateid = tbstock.dateid
join tbstockdetail on tbstockdetail.ordernumber = tbstock.ordernumber
group by tbdate.theyear, tbstockdetail.itemid

2在第一步的基础上，统计每年 所有 货品中的最大金额
select aa.theyear, max(sumAmount) maxAmount
    from (
select tbdate.theyear, tbstockdetail.itemid, sum(tbstockdetail.amount) sumAmount
    from tbdate 
    join tbstock on tbdate.dateid = tbstock.dateid
    join tbstockdetail on tbstockdetail.ordernumber = tbstock.ordernumber
        group by tbdate.theyear, tbstockdetail.itemid)aa
        group by aa.theyear

3 用最大销售额和统计好的每个货品的销售额join，以及用年join，集合得到最畅销货品那一行信息
每年每个货品的销售额 join 每年所有货品中的最大金额
select distinct e.theyear, e.itemid, f.maxAmount
    from (
select tbdate.theyear, tbstockdetail.itemid, sum(tbstockdetail.amount) sumAmount
    from tbdate 
        join tbstock on tbdate.dateid = tbstock.dateid
        join tbstockdetail on tbstockdetail.ordernumber = tbstock.ordernumber
    group by tbdate.theyear, tbstockdetail.itemid)e join (select aa.theyear, max(sumAmount) maxAmount
    from (
select tbdate.theyear, tbstockdetail.itemid, sum(tbstockdetail.amount) sumAmount
    from tbdate join tbstock on tbdate.dateid = tbstock.dateid
        join tbstockdetail on tbstockdetail.ordernumber = tbstock.ordernumber
    group by tbdate.theyear, tbstockdetail.itemid)aa
    group by aa.theyear)f on e.theyear = f.theyear and e.sumAmount = f.maxAmount
    order by e.theyear

View Code

posted @ 2019-04-11 14:04 kris12 阅读(1032) 评论(0) 编辑收藏举报

刷新页面返回顶部

登录后才能查看或发表评论，立即登录或者逛逛博客园首页

公告

昵称： kris12
园龄： 7年5个月
粉丝： 331
关注： 57

+加关注

2025年3月

日

一

二

三

四

五

六

kris12

Self-discipline gives me freedom.

Spark |04 SparkSQL

1. Hive and SparkSQL

2. Spark SQL

特点

DataFrame

DataSet

3. Spark SQL核心编程

DataFrame

创建 DataFrame

SQL 语法

DSL风格语法

RDD转成DF

DF转换为RDD

DataSet

创建DataSet

RDD转换为DataSet

DataSet转换为RDD

DataFrame和DataSet转换

DataFrame-->DataSet

DataSet-->DataFrame

RDD 、 DataFrame 、 DataSet 三者的关系

三者的共性

三者的区别

互相转化

4. IDEA开发SparkSQL

RDD、DF、DS

用户自定义函数

UDF

UDAF

5. 数据的加载与保存

通用的加载和保存方法load和save

Parquet

JSON

CSV

MySQL

Hive

6. SparkSQL 的元数据

1.1元数据的状态

2.2Spark-SQL脚本

7. SparkSQL的实践

公告

搜索

常用链接

我的标签

随笔分类

随笔档案

阅读排行榜