SparkSQL基本概念与基本用法

SparkSQL基本概念与基本⽤法
1. Spark SQL概述
1.1 什么是Spark SQL
Spark SQL是Spark⽤来处理结构化数据的⼀个模块，它提供了两个编程抽象分别叫做DataFrame和DataSet，它们⽤于作为分布式SQL查询引擎。

从下图可以查看RDD、DataFrames与DataSet的关系。

1.2 为什么要学习Spark SQL
Hive，它是将Hive SQL转换成MapReduce，然后提交到集群上执⾏的，⼤⼤简化了编写MapReduce程序的复杂性，⽽且MapReduce这种计算模型执⾏效率⽐较慢。

类⽐Hive，Spark SQL，它时将Spark SQL转换成RDD，然后提交到集群上执⾏，执⾏效率⾮常快！
2. DataFrames
2.1 什么是DataFrames
与RDD类似，DataFrame也是⼀个分布式数据容器。

然⽽DataFrame更像传统数据库的⼆维表格，除了数据以外，还记录数据的结构信息，即schema。

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。

由于与R和Pandas的DataFrame类似，Spark DataFrame很好地继承了传统单机数据分析的开发体验。

2.2 创建DataFrames
在Spark SQL中SQLContext是创建DataFrames和执⾏SQL的⼊⼝，在spark中已经内置了⼀个sqlContext。

创建DataFrames的步骤：
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
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
val lineRDD = sc.textFile("hdfs://hadoop1:9000/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
2.3 DataFrame常⽤操作
2.3.1 DSL风格语法
查看DataFrame中的内容
personDF.show
查看DataFrame部分列中的内容
personDF.select(personDF.col("name")).show
personDF.select(col("name"),col("age")).show
personDF.select("name").show
打印DataFrame的Scheme信息
personDF.printSchema
查询所有的name和age，并将age+1
personDF.select(col("id"),col("name"),col("age")+1).show
personDF.select(personDF("id"), personDF("name"), personDF("age")+1).show
过滤age⼤于等于18的
personDF.filter(col("age") >= 18 ).show
按年龄进⾏分组并统计相同年龄的⼈数
personDF.groupBy("age").count().show
2.3.2 SQL风格语法
如果想使⽤SQL风格的语法，需要将DataFrame注册成表
personDF.createOrReplaceTempView("t_person") //spark2.x以上写法
personDF.registerTempTable("t_person") //spark1.6以下写法
查询年龄最⼤的前两名
sqlContext.sql("select * from t_person order by age desc limit 2").show
显⽰表的Schema信息
sqlContext.sql("desc t_person").show
3. DataSet
3.1 什么是DataSet
DataSet是从Spark 1.6开始引⼊的⼀个新的抽象。

DataSet是特定域对象中的强类型集合，它可以使⽤函数或者相关操作并⾏地进⾏转换等操作。

每个DataSet都有⼀个称为DataFrame的⾮类型化的视图，这个视图是⾏的数据集。

为了有效地⽀持特定域对象，DataSet引⼊了Encoder（编码器）。

例如，给出⼀个Person的类，有两个字段：name(string)和age(int)，通过⼀个encoder来告诉spark在运⾏的时候产⽣代码把Person对象转换成⼀个⼆进制结构。

这种⼆进制结构通常有更低的内存占⽤，以及优化的数据处理效率（例如在⼀个柱状格式）。

若要了解数据的内部⼆进制表⽰，请使⽤schema(表结构)函数。

在DataSet上的操作，分为transformations和actions。

transformations会产⽣新的DataSet，⽽actions则是触发计算并产⽣结果。

transformations包括：map，filter，select和aggregate等操作。

⽽actions包括：count，show或把数据写⼊到⽂件系统中。

RDD也是可以并⾏化的操作，DataSet和RDD主要的区别是：DataSet是特定域的对象集合；然⽽RDD是任何对象的集合。

DataSet的API总是强类型的；⽽且可以利⽤这些模式进⾏优化，然⽽RDD却不⾏。

DataFrame是特殊的DataSet，它在编译时不会对模式进⾏检测。

3.2 创建DataSet
1) 直接通过Seq创建
case class Data(a: Int， b: String)
val ds = Seq(Data(1, "one"), Data(2, "two")).toDS()
ds.collect()
ds.show()
2) 通过sqlContext创建
case class Person(name: String, zip: Long)
val df = sqlContext.read.json(sc.parallelize("""{"zip": 94709, "name": "Michael"}""" :: Nil))
df.as[Person].collect()
df.as[Person].show()
3.3 DataSet使⽤⽰例
1) DataSet的WordCount
import org.apache.spark.sql.functions._
#创建DataSet
val ds = sqlContext.read.text("hdfs://:9000/wc").as[String]
val result = ds.flatMap(_.split(" "))
.filter(_ != "")
.toDF()
.groupBy($"value")
.agg(count("*") as "numOccurances")
.orderBy($"numOccurances" desc)
.show()
val wordCount = ds.flatMap(_.split(" ")).filter(_ != "").groupBy(_.toLowerCase()).count().show() 2) 对hdfs上的json⽂件进⾏分析
样例schools.json：
{"name": "UC Berkeley", "yearFounded": 1868, "numStudents": 37581}
{"name": "MIT", "yearFounded": 1860, "numStudents": 11318}
把schools.json上传到hdfs上：
hdfs dfs -put schools.json /
编写代码：
#定义case class
case class University(name: String, numStudents: Long, yearFounded: Long)
#创建DataSet
val schools = sqlContext.read.json("hdfs://hadoop1:9000/schools.json").as[University]
#操作DataSet
schools.map(sc => s"${} is ${2015 - sc.yearFounded} years old").show
3) 对person.json进⾏分析
把json转DataFrame
#JSON -> DataFrame
val df = sqlContext.read.json("hdfs://hadoop1:9000/person.json")
使⽤DataFrame操作
df.where($"age" >= 20).show
df.where(col("age") >= 20).show
df.printSchema
DataFrame转DataSet
#DataFrame -> Dataset
case class Person(age: Long, name: String)
val ds = df.as[Person]
ds.filter(_.age >= 20).show
DataSet转DataFrame
# Dataset -> DataFrame
val df2 = ds.toDF
DataFrame和DataSet操作对⽐
import org.apache.spark.sql.types._
df.where($"age" > 0)
.groupBy((($"age" / 10) cast IntegerType) * 10 as "decade")
.agg(count("*"))
.orderBy($"decade")
.show
ds.filter(_.age > 0)
.groupBy(p => (p.age / 10) * 10)
.agg(count("name"))
.toDF()
.withColumnRenamed("value", "decade")
.orderBy("decade")
.show
4) 对student.json进⾏分析
把json转DataFrame
val df = sqlContext.read.json("hdfs://hadoop1:9000/student.json")
DataFrame转DataSet
case class Student(name: String, age: Long, major: String)
val studentDS = df.as[Student]
studentDS.select($"name".as[String], $"age".as[Long]).filter(_._2 > 19).collect()
DataSet根据major分组求和
studentDS.groupBy(_.major).count().collect()
DataSet根据major分组聚合
import org.apache.spark.sql.functions._
studentDS.groupBy(_.major).agg(avg($"age").as[Double]).collect()
创建Major的分类
case class Major(shortName: String, fullName: String)
val majors = Seq(Major("CS", "Computer Science"), Major("Math", "Mathematics")).toDS()
把studentDS和majors求join
val joined = studentDS.joinWith(majors, $"major" === $"shortName")
joined.map(s => (s._, s._2.fullName)).show()
joined.explain()
4. 以编程⽅式执⾏Spark SQL查询
4.1 编写Spark SQL查询程序
前⾯我们学习了如何在Spark Shell中使⽤SQL完成查询，现在我们来实现在⾃定义的程序中编写Spark SQL查询程序。

⾸先在maven项⽬的pom.xml中添加Spark SQL的依赖
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.1.0</version>
</dependency>
4.1.1 通过反射推断Schema
import org.apache.spark.sql.{SQLContext, SparkSession}
import org.apache.spark.{SparkConf, SparkContext}
/**
* @author y15079
* @create 2018-03-11 14:23
* @desc
**/
object SQLDemo {
def main(args: Array[String]): Unit = {
//本地运⾏
val conf = new SparkConf().setAppName("SQLDemo").setMaster("local[2]")
//val conf = new SparkConf().setAppName("SQLDemo") 要打包到spark集群上运⾏则不需要后⾯的setMaster("local[2]") //SQLContext要依赖SparkContext
val sc = new SparkContext(conf)
//创建SQLContext spark1.6.1以下的写法
//val sqlContext = new SQLContext(sc)
//spark2.0 以上的写法
val sqlContext = SparkSession.builder().config(conf).getOrCreate()
//提交到spark集群上运⾏，需要设置⽤户，否则⽆权限执⾏，本地运⾏则⽆需
//System.setProperty("", "bigdata")
//集群hdfs路径 hdfs://:9000/person.txt
//下⾯由于是本地运⾏，所以采⽤本地路径
//将RDD和case class关联
val personRdd = sc.textFile("D:\\IDEA\\HelloSpark\\src\\main\\files\\day4\\person.txt").map({line =>
val fields = line.split(",")
Person(fields(0).toLong, fields(1), fields(2).toInt)
})
//导⼊隐式转换，如果不导⼊⽆法将RDD转换成DataFrame
//将RDD转换成DataFrame
import sqlContext.implicits._
val personDf = personRdd.toDF()
//采⽤SQL编写风格注册表
//personDf.registerTempTable("person") spark 1.6.1以下的写法
personDf.createOrReplaceTempView("person")
sqlContext.sql("select * from person where age >= 20 order by age desc limit 2").show()
}
}
//case class⼀定要放到外⾯
case class Person(id:Long, name:String, age:Int)
4.1.2 通过StructType直接指定Schema
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.{Row, SQLContext, SparkSession}
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
/**
* @author y15079
* @create 2018-05-12 2:12
* @desc
**/
object SQLSchemaDemo {
def main(args: Array[String]): Unit = {
//本地运⾏
val conf = new SparkConf().setAppName("SQLSchemaDemo").setMaster("local[2]")
//val conf = new SparkConf().setAppName("SQLDemo") 要打包到spark集群上运⾏则不需要后⾯的setMaster("local[2]") //SQLContext要依赖SparkContext
val sc = new SparkContext(conf)
//创建SQLContext spark1.6.1以下的写法
//val sqlContext = new SQLContext(sc)
//spark2.0 以上的写法
val sqlContext = SparkSession.builder().config(conf).getOrCreate()
//提交到spark集群上运⾏，需要设置⽤户，否则⽆权限执⾏，本地运⾏则⽆需
//System.setProperty("", "bigdata")
//集群hdfs路径 hdfs://:9000/person.txt
//下⾯由于是本地运⾏，所以采⽤本地路径
//从指定的地址创建RDD
val personRDD = sc.textFile("D:\\IDEA\\HelloSpark\\src\\main\\files\\day4\\person.txt").map(_.split(","))
//通过StructType直接指定每个字段的schema
val schema = StructType(
List(
StructField("id", IntegerType, true),
StructField("name", StringType, true),
StructField("age", IntegerType, true)
//将schema信息应⽤到rowRDD上
val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)
//注册表
//personDataFrame.registerTempTable("person") spark 1.6.1以下的写法
personDataFrame.createOrReplaceTempView("person")
//执⾏SQL
val df = sqlContext.sql("select * from person where age >= 20 order by age desc limit 2").show()
sc.stop()
}
}
5. 数据源
5.1 JDBC
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。

5.1.1 从Mysql中加载数据库(Spark Shell ⽅式)
1) 启动Spark Shell，必须指定mysql连接驱动jar包
spark-shell --master spark://hadoop1:7077 --jars mysql-connector-java-5.1.35-bin.jar --driver-class-path mysql-connector-java-5.1.35-bin.jar
2) 从mysql中加载数据
val jdbcDF = sqlContext.read.format("jdbc").option(
Map("url"->"jdbc:mysql://hadoop1:3306/bigdata",
"driver"->"com.mysql.jdbc.Driver",
"dbtable"->"person",
"user"->"root",
"password"->"123456")
).load()
3) 执⾏查询
jdbcDF.show()
5.1.2 将数据写⼊到MySQL中(打jar包⽅式)
1) 编写Spark SQL程序
import java.util.Properties
import org.apache.spark.sql.{Row, SQLContext, SparkSession}
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}
/**
* @author y15079
* @create 2018-05-12 2:50
* @desc
**/
object JdbcDFDemo {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("MysqlDemo").setMaster("local[2]")
val sc = new SparkContext(conf)
//创建SQLContext spark1.6.1以下的写法
//val sqlContext = new SQLContext(sc)
//spark2.0 以上的写法
val sqlContext = SparkSession.builder().config(conf).getOrCreate()
//通过并⾏化创建RDD
val personRDD = sc.parallelize(Array("1 tom 5", "2 jerry 3", "3 kitty 6")).map(_.split(" "))
//通过StructType直接指定每个字段的schema
val schema = StructType(
List(
StructField("id", IntegerType, true),
StructField("name", StringType, true),
StructField("age", IntegerType, true)
//将schema信息应⽤到rowRDD上
val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)
//创建Properties存储数据库相关属性
val prop = new Properties()
prop.put("user", "root")
prop.put("password", "123456")
//将数据追加到数据库
personDataFrame.write.mode("append").jdbc("jdbc:mysql://localhost:3306/bigdata","bigdata.person", prop) sc.stop()
}
}
2) ⽤maven-shade-plugin插件将程序打包
3) 将jar包提交到spark集群
spark-submit
--class cn.itcast.spark.sql.jdbcDF
--master spark://hadoop1:7077
--jars mysql-connector-java-5.1.35-bin.jar
--driver-class-path mysql-connector-java-5.1.35-bin.jar
/root/demo.jar。