DataFrames，Datasets，与 SparkSQL

1. DataFrames，Datasets，与SparkSQL

Spark SQL 以及它的 DataFrames和Datasets 接口是Spark性能的未来，它们提供了更高效的存储选择，高级的优化器，以及在序列化数据上的直接操作。

这些组件对于获取Spark高性能至关重要。下图是一个性能对比：

 

与RDDs一样，DataFrames与Datasets代表的是分布式数据集合，但是它们相对于RDDs来说，还会保有额外的schema信息。这个额外的schema信息可用于提供更高效的存储层（Tungsten），并在优化器中（Catalyst）可以执行额外的优化。

除了schema信息，对于在Datasets与DataFrames上执行的操作，优化器中可以检查它们的逻辑含义，而不仅是执行函数而已。

 

2. SparkSession（or HiveContext or SQLContext）

在Spark应用中，SparkContext为它的entry point；在流程序中，对应的为 StreamingContext。而在SparkSQL中，它的entry point为SparkSession。正如其他的Spark组件一样，我们需要import以下额外的组件，以使用SparkSQL：

 

import org.apache.spark.sql.{DataFrame, Dataset, SparkSession, Row}
import org.apache.spark.sql.catalyst.expressions.aggregate._
import org.apache.spark.sql.expressions._
import org.apache.spark.sql.functions._

 

如果使用的是Spark Shell，则会自动获取一个SparkSession，名为spark（如Spark中对应的sc）。

SparkSession一般是使用builder 模式创建，使用的方法是getOrCreate()。如果已存在一个session，则直接获取，否则创建一个新的。此builder可以接受基于string的key-value 配置项：config(key, value)；以及一些常见配置的快捷方法。

在快捷配置中，其中比较重要的一个是enableHiveSupport()，它可以在不需要安装 Hive 的情况下，给用户提供访问Hive UDFs的权限（但是需要引入额外的jar包）。下面的例子展示了如何创建一个支持 Hive 的SparkSession：

val session = SparkSession.builder()
  .enableHiveSupport()
  .getOrCreate()

// Import the implicits, unlike in core Spark the implicits are defined
// on the context.
import session.implicits._

 

enableHiveSupport() 这个快捷方法不仅配置了Spark SQL 使用这些 Hive jars，同时也会主动检查hive 类是否能被导入。如果不能导入，（相对于手动指定config值）则会抛出更清晰的报错信息，具体实现源码为：

 

/**
 * Enables Hive support, including connectivity to a persistent Hive metastore, support for
 * Hive serdes, and Hive user-defined functions.
 *
 * @since 2.0.0
 */
def enableHiveSupport(): Builder = synchronized {
  if (hiveClassesArePresent) {
    config(CATALOG_IMPLEMENTATION.key, "hive")
  } else {
    throw new IllegalArgumentException(
      "Unable to instantiate SparkSession with Hive support because " +
        "Hive classes are not found.")
  }
}
 
/**
 * @return true if Hive classes can be loaded, otherwise false.
 */
private[spark] def hiveClassesArePresent: Boolean = {
  try {
    Utils.classForName(HIVE_SESSION_STATE_BUILDER_CLASS_NAME)
    Utils.classForName("org.apache.hadoop.hive.conf.HiveConf")
    true
  } catch {
    case _: ClassNotFoundException | _: NoClassDefFoundError => false
  }
}

 

可以看到，调用enableHiveSupport()方法后，会自动检查Hive 相关 classes是否能导入，若无法导入则会报错。

若是API中有提供快捷配置方法，则优先建议使用这些方法做配置。因为常规的config接口中，不会做配置验证。

对于getOrCreate方法，需要注意的是：如果一个session已经在存在了，则你的配置值可能会被忽略，并直接得到一个已存在的SparkSession。一些选项，例如master的配置，也仅会在没有已存在的SparkContext运行时，创建一个新的 SparkContext并应用此配置；否则，直接返回一个已有的SparkContext。

在Spark 2.0以前，在使用Spark SQL时，使用的是两个独立的entry points（HiveContext 或 SQLContext）。它们的主要区别在于：HiveContext不需要安装一个Hive。HiveContext优于SQLContext。如果你有hive依赖冲突，且无法解决时，才建议使用SQLContext。相对于SQLContext，HiveContext有更完整的SQL parser，以及additional UDFs。下面是创建一个HiveContext的例子：

val sc = new SparkContext()
val hiveContext = new HiveContext(sc)
// Import the implicits, unlike in core Spark the implicits are defined
// on the context.
import hiveContext.implicits._

在使用时，我们应优先考虑使用SparkSession，然后再考虑HiveContext，最后是SQLContext。有些情况下，可能Spark的库并未更新HiveContext或SQLContext中的方法到SparkSession中，所以可能仍有使用HiveContext/SQLContext的需求。下面是创建SQLContext或HiveContext所需要的额外的导入库信息：

import org.apache.spark.sql.SQLContext
import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.sql.hive.thriftserver._

 

在使用SparkSQL与Spark-Hive时，需要引入的sbt/maven 库为（以2.4.0 版本为例）：

// https://mvnrepository.com/artifact/org.apache.spark/spark-hive
libraryDependencies += "org.apache.spark" %% "spark-hive" % "2.4.0" % "provided"

// https://mvnrepository.com/artifact/org.apache.spark/spark-sql
libraryDependencies += "org.apache.spark" %% "spark-sql" % "2.4.0"

 

2. Schema基础

Schema的信息，以及它启用的优化过功能，是SparkSQL与core Spark之间的一个核心区别。检查schema对于DataFrames尤为重要，因为RDDs与Datasets中没有模板化的类型。无论是加载数据时的引用、还是基于父DataFrames做计算、亦或是在DataFrames上应用transformation，schema一般都是由Spark SQL自动处理。

DataFrames以人类可读、以及程序化格式，这两种方式描述schema。printSchema() 会显示一个DataFrame的schema，此方法常用于spark-shell中，用于及时了解当前处理的数据的schema。这对于数据各执（如JSON）来说特别有用，因为一般若仅查看一小部分数据、或是仅读一个header，可能无法立即判断出数据的schema信息。在程序用法上，我们可以调用schema直接获取数据schema信息（常用于ML pipeline transformers）。鉴于大家可能都已经很熟悉了case classes 和 JSON，这里我们拿JSON举例，看看如何在spark中表示：

JSON 数据：

{

              "name": "mission",

              "pandas": [{

                             "id": 1,

                             "zip": "94110",

                             "pt": "giant",

                             "happy": true,

                             "attributes": [0.4, 0.5]

              }]

 }

 

对应的 case class：

case class RawPanda(id: Long, zip: String, pt: String, happy: Boolean, attributes: Array[Double])
case class PandaPlace(name: String, pandas: Array[RawPanda])

根据创建的 case class，我们可以创建一个本地实例，将它转为一个Dataset，并打印出它的schema信息：

def createAndPrintSchema()={
  val damao = RawPanda(1, "M1B 5K7", "giant", true, Array(0.1, 0.1))
  val pandaPlace = PandaPlace("toronto", Array(damao))
  val df = session.createDataFrame(Seq(pandaPlace))
  df
}

 

使用df.printSchemat打印出的schema信息为：

root

 |-- name: string (nullable = true)

 |-- pandas: array (nullable = true)

 |    |-- element: struct (containsNull = true)

 |    |    |-- id: long (nullable = false)

 |    |    |-- zip: string (nullable = true)

 |    |    |-- pt: string (nullable = true)

 |    |    |-- happy: boolean (nullable = false)

 |    |    |-- attributes: array (nullable = true)

 |    |    |    |-- element: double (containsNull = false)

 

Schema信息除了便于人类阅读外，也可以用于编程时使用。用于编程的schema 可以通过df.schema 返回，例如：

> df.schema

res0: org.apache.spark.sql.types.StructType = StructType(

StructField( name,StringType,true),

StructField( pandas,

ArrayType(

StructType( StructField( id,LongType,false),

StructField( zip,StringType,true),

StructField( pt,StringType,true),

StructField( happy,BooleanType,false),

StructField(attributes,ArrayType(DoubleType,false),true)),

true),true))

可以看到返回的是一个StructType类型，里面的元素是StructField，它的case class定义如下：

case class StructField(

    name: String,

    dataType: DataType,

    nullable: Boolean = true,

    metadata: Metadata = Metadata.empty) {

…

这里可以注意到，StructField可以嵌套StructField，正如case class嵌套一样。StructFiled的参数指定name、type、以及一个布尔值表示此字段可能是null或是缺失。

 

2. DataFrameAPI

DataFrameAPI可用于操作DataFrames，过程不需要注册临时表或产生任何SQL表达式。它也包含transformations和actions两类操作。

 

Transformations

在DataFrameAPI中的transformation与RDD中的概念类似，但是有更多的关系型风格。在RDD中，我们可以使用任意的函数，对此，optimizer无法对此进行优化。而在DataFrameAPI中，通过使用有限制的表达式语法，optimizer 可以有更多的信息用于优化。和RDD一样，我们可以将DataFrame中的变换（transformations）大致分解为简单单个DataFrame、多个DataFrame、key/value、以及grouped/windowed transformations。

这里需要注意的是：SparkSQL 变换仅仅是部分惰性的，因为schema是立即计算的

 

简单的DataFrame变换与SQL表达式

DataFrame中的变换与RDD中的基本一致，它们的区别是：在DataFrame中使用的是Spark SQL 表达式，而RDD中用的是arbitrary functions。DataFrame中的函数，例如filter，接受的是Spark SQL表达式，而不是lambda函数。下面我们以DataFrames中不同的filter操作为例，进行进一步探讨。

首先创建两个示例数据：

def createPandaInfo()={
  val damao = RawPanda(1, "M1B 5K7", "giant", true, Array(0.1, 0.1))
  val tuantuan = RawPanda(2, "B11, 7JK", "small", false, Array(0.05, 0.1))
  val df = session.createDataFrame(Seq(damao, tuantuan))
  df
}

> val pandaInfo = createPandaInfo

pandaInfo: org.apache.spark.sql.DataFrame = [id: bigint, zip: string ... 3 more fields]

 

对于DataFrame，（假设这里的一个实例化变量是df）我们可以通过df(“列名”) 访问到列的信息，注意这里只是列的信息，并不是列的数据，例如：

scala> pandaInfo.columns

res37: Array[String] = Array(id, zip, pt, happy, attributes)

 

scala> pandaInfo("happy")

res38: org.apache.spark.sql.Column = happy

 

在执行filter时，若是需要从列上筛选，则在指定列上给出filter语句即可，例如：

pandaInfo.filter(pandaInfo("happy") !== true).collect

res45: Array[org.apache.spark.sql.Row] = Array([2,B11, 7JK,small,false,WrappedArray(0.05, 0.1)])

 

也可以对多个列执行过滤：

pandaInfo.filter(

     | (pandaInfo("happy") !== true).and(pandaInfo("attributes")(0) < pandaInfo("attributes")(1))

     | ).collect

res53: Array[org.apache.spark.sql.Row] = Array([2,B11, 7JK,small,false,WrappedArray(0.05, 0.1)])

 

从上面的例子可以看到，可以对嵌套元素进行访问，例如pandaInfo("attributes")(0)，以及多个过滤条件之间使用 .and 方式进行连接。

还有一点需要注意的是，在与常数进行比较时，必须将列名写在常数前面，例如：

> pandaInfo.filter(0 < pandaInfo("id")).collect

<console>:43: error: overloaded method value < with alternatives:

  (x: Double)Boolean <and>

…

 cannot be applied to (org.apache.spark.sql.Column)

 

> pandaInfo.filter( pandaInfo("id") > 0).collect

res60: Array[org.apache.spark.sql.Row] = Array([1,M1B 5K7,giant,true,WrappedArray(0.1, 0.1)], [2,B11, 7JK,small,false,WrappedArray(0.05, 0.1)])

 

因为SparkSQL的 column operator 是定义在 column class上的，所以表达式 0 >= pandaInfo.col("id") 不会被编译，因为Scala会在 0 上使用 >= 的操作符，而不是在列上使用。所以此时需要将列写在前面，或是将0转换为一个column（使用lit方法），例如：
scala> lit(0)

res63: org.apache.spark.sql.Column = 0

 

scala> pandaInfo.filter( lit(0) < pandaInfo.col("id")).collect

res64: Array[org.apache.spark.sql.Row] = Array([1,M1B 5K7,giant,true,WrappedArray(0.1, 0.1)], [2,B11, 7JK,small,false,WrappedArray(0.05, 0.1)])

 

filter仅是一个很简单的例子，对于更多DataFrame标准方法，可以去参考SparkSQL官方API文档。

 

3. 在DataFrames与Datasets中的数据表示

DataFrames 相对于RDDs，更是一种行式对象；且DataFrames与Datasets有专门的表示方法、以及列式缓存格式。这种专门的表示方法，不仅可以更高效的使用存储空间，甚至还可以实现比Kryo序列化更快的编码。不过有一点需要说明的是，DataFrames与Datasets与RDDs一样，一般都是惰性执行的，并建立在它们的依赖谱系之上（除了DataFrames中，它被称为一个logical plan，且包含更多的信息）。

 

Tungsten

Tungsten是一个新的Spark SQL组件，通过直接在byte level运作，提供更高效的Spark操作。下面我们对比一下 DataFrames与RDDs的cache情况：

首先是 DataFrames：

def dfcahce()={
  val rawdata = sc.textFile("s3://xxxx/ ")
  val caseRdd = rawdata.map(x => {
     val words = x.split(",")
     item(words(0), words(1), words(2), words(3), words(4))
  })

  val dfcache = session.createDataFrame(caseRdd)
  dfcache.persist()
  dfcache.filter(dfcache("id") === 12545).collect
}

执行代码查看cache情况：

 

 

然后是RDD：

def rddCache()={
  val rawdata = sc.textFile("s3://tang-emr/mediumdata/")
  val caseRdd = rawdata.map(x => {
    val words = x.split(",")
    item(words(0), words(1), words(2), words(3), words(4))
  })

  caseRdd.persist()
  caseRdd.filter(_.id == "12545").collect

}

 

执行代码后查看cache情况：

 

有关storage，这里需要注意的是，在执行了persist() 方法后，会将RDD数据缓存在executor的内存中。所以此时即使一个job结束后，container并不会被回收。因为它们需要将数据缓存在内存。在一个application结束后，Storage页面就不会再有RDD缓存的信息显示。

 

使用Tungsten时，它所占用的对象空间远小于序列化对象（使用Java，甚至是 Kryo序列化）空间。而因为Tungsten并不依赖于Java对象，所以堆内、堆外的内存分配均是支持的。Tungsten除了存储格式更紧凑外，相对于原生序列化，Tungsten序列化的时间也会更快。

需要注意的是，因为Tungsten不再依赖于Java 对象而工作，所以我们可以使用on-heap（in the JVM）或是 off-heap 存储。如果使用off-heap存储，则需要给container足够的空间用于off-heap的分配。这个可以通过web UI获取更清晰的信息。

 

3.DataSets

DataSets 是SparkSQL的一个扩展，提供了额外的编译-时间类型检查（compile-time type checking）。在Spark 2.0之后，DataFrames成为Datasets的一个特殊的版本，用于处理通用Row对象，且不包含Datasets的常规编译-时间类型检查。

从代码上看，DataSets与DataFrames的关系为：

type DataFrame = Dataset[Row]

 

在不同使用场景中，使用DataSets而不使用DataFrames 的其中一个原因有：DataFrames 有runtime schema information，但是缺少compile-time information about schema。

DataSets提供了类似RDD的变换，例如：

def funMap(ds: Dataset[RawPanda]): Dataset[Double] = {

  ds.map{rp => rp.attributes.filter(_ > 0).sum}

}

 

更多有关DataSets的使用方法不在此详述。

 

3. Query Optimizer

Catalyst 是Spark SQL 查询优化器，它接收一个query plan，将它转换为一个Spark可以执行的execution plan。正如根据RDDs的transformation 构造一个DAG 一样，我们在DataFrames/Datasets 应用的relational and functional transformations 会被Spark SQL 用于构建一个query plan的树，成为logical plan。Spark可以在logical plan上应用一些优化，并使用cost-based 模型为同一个logical plan对应的多个physical plan中做选择。

 

Logical and Physical Plans

根据DataFrames/Datasets（或SQL queries）上应用的transformations，会先构造一个未解析的（unresolved）logical plan。Spark optimizer 的运行分为多个阶段，它需要先解析references、以及表达式的类型，然后再执行优化。

解析后的plan称为logical plan，Spark在logical plan上直接应用一系列的简化操作，产生一个优化的（optimized）logical plan。

在logical plan被优化后，Spark会产生一个physical plan。Physical plan阶段会使用rule-based和cost-based 优化，产生一个最优的physical plan。这个阶段中最重要的优化之一是谓词下推（predicate pushdown）到数据源层。

 

代码生成

作为最后一步，Spark可能为组件应用代码生成（apply code generation）。代码生成由Janino编译Java代码完成。早期版本使用Scala的Quasi Quotes，但是此方法为小数据集启用code generation时会产生很高的负载。在一些TPCDS queries中，code generation 可以提升10倍以上的性能。

 

Large Query Plans 与迭代算法

Catalyst 已经相当强大了，但在一些场景中仍会有些挑战，其中之一就是超大型的query plans。这些query plans一般是迭代算法产生，例如图算法或是机器学习算法。对此，一个简单的解决方案是将数据转回RDD，然后在每轮迭代后转回DataFrame/DataSet，如：

val rdd = df.rdd

rdd.cache()

sqlCtx.createDataFrame(rdd, df.schema)

 

假设即使你用的是python，也尽量确保使用底层的Java RDD以提升性能。

使用DataFrame 迭代算法会导致query plan 生成较慢的问题是一个已知issue，apache jira链接如下：

https://issues.apache.org/jira/browse/SPARK-13346

 

 

References:

[1] Holden Karau and Rachel Warren, High Performance Spark, 2019