SparkSQL

ha_lydms

发布于 2023-11-04 09:28:54

2540

发布于 2023-11-04 09:28:54

文章被收录于专栏：学习内容学习内容

一、概述

1、简介

Hive on Spark：Hive既作为存储元数据又负责SQL的解析优化，语法是HQL语法，执行引擎变成了Spark，Spark负责采用RDD执行。

Spark on Hive：Hive只作为存储元数据，Spark负责SQL解析优化，语法是Spark SQL语法，Spark底层采用优化后的df或者ds执行。

Spark SQL它提供了2个编程抽象，DataFrame、DataSet。（类似Spark Core中的RDD）

2、DataFrame、DataSet

DataFrame是一种类似RDD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，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。

Spark SQL性能上比RDD要高。因为Spark SQL了解数据内部结构，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。

DataSet是分布式数据集。

DataSet是强类型的。比如可以有DataSet[Car]，DataSet[User]。具有类型安全检查
DataFrame是DataSet的特例，type DataFrame = DataSet[Row] ，Row是一个类型，跟Car、User这些的类型一样，所有的表结构信息都用Row来表示。

RDD、DataFrame和DataSet之间关系：

RDD（Spark1.0）=》Dataframe（Spark1.3）=》Dataset（Spark1.6）

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行动算子如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。
三者都会根据Spark的内存情况自动缓存运算。
三者都有分区的概念。

3、SparkSQL特点

易整合
- 使用相同的方式连接不同的数据源。
统一的数据访问方式。
- 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HQL。
标准的数据连接。
- 通过JDBC或者ODBC来连接

二、Spark SQL编程

1、SparkSession新API

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。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，就像我们以前可以自动获取到一个sc来表示SparkContext。

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

class Test05 {

  @Test
  def test1(): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]")
    val sc: SparkContext = new SparkContext(conf)
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
  }
}

2、DataFrame

2.1 创建DataFrame

DataFrame是一种类似于RDD的分布式数据集，类似于传统数据库中的二维表格。

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；

val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
val df = spark.read.json("/opt/module/spark-local/user.json")

从一个存在的RDD进行转换；
还可以从Hive Table进行查询返回。

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。

2.2 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。

视图：对特定表的数据的查询结果重复使用。View只能查询，不能修改和插入。

创建视图、临时视图

//  临时视图
df.createOrReplaceTempView("user")
//  临时视图（全局）(创建新会话也可查询到)
df.createOrReplaceGlobalTempView("gloablUser")

@Test
def test1(): Unit = {
  val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]")
  val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
  val df = spark.read.json("/opt/module/spark-local/user.json")
  //  临时视图
  df.createOrReplaceTempView("user")
  //  临时视图（全局）(创建新会话也可查询到)
  df.createOrReplaceGlobalTempView("gloablUser")
  val sqlResult: DataFrame = spark.sql("select * from user")
  //  展示查询结果
  sqlResult.show
}

2.3 DSL语法

DataFrame提供一个特定领域语言（domain-specific language，DSL）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。

@Test
def test2(): Unit = {
  val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]")
  val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
  val df: DataFrame = spark.read.json("/opt/module/spark-local/user.json")
  //  查看DataFrame的Schema信息
  df.printSchema()
  //  只查看“name”列数据
  //  列名要用双引号引起来，如果是单引号的话，只能在前面加一个单引号。
  df.select("name").show()
  //  查看年龄和姓名，且年龄大于18
  df.select("age", "name").where("age>18").show()
  //  查看所有列
  df.select("*").show()
  //  查看“name”列数据以及“age+1”数据
  //  涉及到运算的时候，每列都必须使用$，或者采用单引号表达式：单引号+字段名
  df.select($"name", $"age" + 1).show
  //  查看“age”大于“19”的数据
  df.filter("age>19").show()
  //  按照“age”分组，查看数据条数
  df.groupBy("age").count().show()
  //  求平均年龄avg(age)
  df.agg(avg("age")).show
  //  求年龄总和sum(age)
  df.agg(max("age")).show
}

3、DataSet

DataSet是具有强类型的数据集合，需要提供对应的类型信息。

注意：在实际开发的时候，很少会把序列转换成DataSet，更多是通过RDD和DataFrame转换来得到DataSet

创建DataSet（基本类型序列）

//	创建DataSet（基本类型序列）
val ds = Seq(1,2,3,4,5,6).toDS
//	创建DataSet（样例类序列）
case class User(name: String, age: Long)
val caseClassDS = Seq(User("wangyuyan",18)).toDS()
caseClassDS.show

4、RDD、DataFrame、DataSet相互转换

4.1 RDD <=> DataFrame

//	RDD => DataFrame
rdd01.toDF("name", "age")
//	DataFrame => RDD
df.rdd

RDD转换为DataFrame

手动转换：RDD.toDF(“列名1”, “列名2”)
通过样例类反射转换：UserRDD.map{ x=>User(x._1,x._2) }.toDF()

import spark.implicits._
//  RDD=>DF
//  1-1、普通rdd转换成DF：需要手动为每一列补上列名(补充元数据)
val df: DataFrame = rdd01.toDF("name", "age")
df.show()


val value: RDD[User] = rdd01.map(t => {
  User(t._1, t._2)
})
//  1-2、样例类RDD转换DF：直接toDF转换即可,不需要补充元数据
val df02: DataFrame = value.toDF()

DataFrame转换为RDD

//  DF =>RDD
//  但是要注意转换出来的rdd数据类型会变成Row
val rdd1: RDD[Row] = df.rdd

4.2 RDD <=> DataSet

//  RDD => DS
rdd.toDS()
//  DS => RDD
ds.rdd

RDD转换为DataSet

RDD.map { x => User(x._1, x._2) }.toDS()
SparkSQL能够自动将包含有样例类的RDD转换成DataSet，样例类定义了table的结构，样例类属性通过反射变成了表的列名。样例类可以包含诸如Seq或者Array等复杂的结构。

//  RDD=>DS
val rdd01: RDD[(String, Int)] = spark.sparkContext.makeRDD(Array(("张三", 18), ("李四", 49)))
import spark.implicits._
val value: Dataset[(String, Int)] = rdd01.toDS()
//  1-1、普通RDD转为DS，没有办法补充元数据，一般不用
//  1-2、样例类RDD转换DS,直接toDS转换即可,不需要补充元数据,因此转DS一定要用样例类RDD
val rdd: RDD[User] = spark.sparkContext.makeRDD(List(User("张三", 12), User("张三", 12)))
val ds: Dataset[User] = rdd.toDS()

DataSet转换为RDD

//  DS => RDD
//  ds转成rdd,直接.rdd即可,并且ds不会改变rdd里面的数据类型
val rdd1: RDD[User] = ds.rdd

4.3 DataFrame <=> DataSet

//  DataFrame => DataSet
df.as[User]
//   DataSet => DataFrame
ds.toDF()

案例：

val df: DataFrame = spark.read.json("input/user.json")
//  DataFrame => DataSet
import spark.implicits._
val ds: Dataset[User] = df.as[User]

//   DataSet => DataFrame
val dataFrame: DataFrame = ds.toDF()

5、自定义函数

5.1 UDF

一行进入，一行出

数据源文件

{"age":20,"name":"qiaofeng"}
{"age":19,"name":"xuzhu"}
{"age":18,"name":"duanyu"}

代码

import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}
import org.junit.Test

class Test11 {

  Logger.getLogger("org").setLevel(Level.ERROR)

  @Test
  def Test(): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("SparkCore").setMaster("local[*]")

    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
    // 3 读取数据
    val df: DataFrame = spark.read.json("input/user.json")
    // 4 创建DataFrame临时视图
    df.createOrReplaceTempView("user")

    // 5 注册UDF函数。功能：在数据前添加字符串“Name:”
    spark.udf.register("addName", (x: String) => "Name:" + x)
    // 6 调用自定义UDF函数
    spark.sql("select addName(name),age from user").show()

    spark.stop()
  }
}

打印结果

+-------------+---+
|addName(name)|age|
+-------------+---+
|Name:qiaofeng| 20|
|   Name:xuzhu| 19|
|  Name:duanyu| 18|
+-------------+---+

5.2 UDAF

输入多行，返回一行

自定义函数
Spark3.x推荐使用extends Aggregator自定义UDAF，属于强类型的Dataset方式。
Spark2.x使用extends UserDefinedAggregateFunction，属于弱类型的DataFrame。

import org.apache.log4j.{Level, Logger}
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql._

object Test12 {
  Logger.getLogger("org").setLevel(Level.ERROR)

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

    // 1 创建上下文环境配置对象
    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQLTest")

    // 2 创建SparkSession对象
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()

    // 3 读取数据
    val df: DataFrame = spark.read.json("input/user.json")

    // 4 创建DataFrame临时视图
    df.createOrReplaceTempView("user")

    // 5 注册UDAF
    spark.udf.register("myAvg", functions.udaf(new MyAvgUDAF()))

    // 6 调用自定义UDAF函数
    spark.sql("select myAvg(age) from user").show()

    // 7 释放资源
    spark.stop()
  }
}

//输入数据类型
case class Buff(var sum: Long, var count: Long)

/**
 * 1,20岁； 2,19岁； 3,18岁
 * IN:聚合函数的输入类型：Long
 * Buff : sum = (18+19+20)  count = 1+1+1
 * OUT:聚合函数的输出类型：Double  (18+19+20) / 3
 */
class MyAvgUDAF extends Aggregator[Long, Buff, Double] {

  // 初始化缓冲区
  override def zero: Buff = Buff(0L, 0L)

  // 将输入的年龄和缓冲区的数据进行聚合
  override def reduce(buff: Buff, age: Long): Buff = {
    buff.sum = buff.sum + age
    buff.count = buff.count + 1
    buff
  }

  // 多个缓冲区数据合并
  override def merge(buff1: Buff, buff2: Buff): Buff = {
    buff1.sum = buff1.sum + buff2.sum
    buff1.count = buff1.count + buff2.count
    buff1
  }

  // 完成聚合操作，获取最终结果
  override def finish(buff: Buff): Double = {
    buff.sum.toDouble / buff.count
  }

  // SparkSQL对传递的对象的序列化操作（编码）
  // 自定义类型就是product   自带类型根据类型选择
  override def bufferEncoder: Encoder[Buff] = Encoders.product

  override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
}

输出结果：

+--------------+
|myavgudaf(age)|
+--------------+
|          19.0|
+--------------+

5.3 UDTF（没有）

输入一行，返回多行（Hive）

SparkSQL中没有UDTF，Spark中用flatMap即可实现该功能。

三、SparkSQL数据加载和保存

1、加载数据

spark.read.load是加载数据的通用方法。

//  spark.read直接读取数据：csv   format   jdbc   json   load   option
//  options   orc   parquet   schema   table   text   textFile
spark.read.json("input/user.json").show()

// spark.read.format("…")[.option("…")].load("…")
// format("…")：指定加载的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"text"
// load("…")：在"csv"、"jdbc"、"json"、"orc"、"parquet"和"text"格式下需要传入加载数据路径
// option("…")：在"jdbc"格式下需要传入JDBC相应参数，url、user、password和dbtable
spark.read.format("json").load("input/user.json").show

案例

val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
//  创建SparkSession对象
val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
//  spark.read直接读取数据
spark.read.json("input/user.json").show()
//  选择指定目录下，指定类型数据
spark.read.format("json").load("input").show()
spark.stop()

2、保存数据

df.write.save是保存数据的通用方法。

// 4.1 df.write.保存数据：csv  jdbc   json  orc   parquet  text
// 注意：保存数据的相关参数需写到上述方法中。如：text需传入加载数据的路径，JDBC需传入JDBC相关参数。
// 默认保存为parquet文件（可以修改conf.set("spark.sql.sources.default","json")）
df.write.save("output")

// 4.2 format指定保存数据类型
// df.write.format("…")[.option("…")].save("…")
// format("…")：指定保存的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"text"。
// save ("…")：在"csv"、"orc"、"parquet"和"text"(单列DF)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
df.write.format("json").dave("output2")

public enum SaveMode {
  Append,
  Overwrite,
  ErrorIfExists,
  Ignore
}
//	model假如文件存在的处理逻辑(append：追加。ignore：忽略。overwrite：覆盖。error：异常)
df.write.mode("append")

案例：

@Test
def test1(): Unit = {
  val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
  //  创建SparkSession对象
  val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
  //  spark.read直接读取数据
  val df: DataFrame = spark.read.json("input/user.json")
  
  //  写出到文件(默认保存为parquet文件)
  df.write.save("output01")
  //  写出到文件(指定写出文件类型)
  df.write.format("json").save("output04")
  //  写出到文件(执行保存格式)
  df.write.json("output03")

  //  追加到文件(如文件存在则追加)
  df.write.mode("append").json("output02")
  //  追加到文件(如文件存在则忽略)
  df.write.mode("ignore").json("output02")
  //  追加到文件(如文件存在则覆盖)
  df.write.mode("overwrite").json("output02")
  //  追加到文件(如文件存在则报错。默认报错)
  df.write.mode("error").json("output02")
  spark.stop()
}

3、与MySQL的交互

依赖

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

从MySQL读取数据

@Test
def ttt(): Unit = {
  val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
  //  创建SparkSession对象
  val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
  //	load取MySQL数据
  val df: DataFrame = spark.read.format("jdbc")
    .option("url", "jdbc:mysql://153.512.239.157:3306/test")
    .option("driver", "com.mysql.jdbc.Driver")
    .option("user", "root")
    .option("password", "15131245")
  //	数据表
    .option("dbtable", "user")
    .load()
  //	创建视图
  df.createOrReplaceTempView("user")
  //	执行SQL
  spark.sql("select id,name from user").show()
  //	关闭资源
  spark.stop()
}

执行结果

+---+----+
| id|name|
+---+----+
|  1|张三|
|  2|李四|
|  3|王五|
+---+----+

写出数据到MySQL

@Test
def ttt02(): Unit = {
  val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
  //  创建SparkSession对象
  val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
  //  数据准备
  val rdd: RDD[User01] = spark.sparkContext.makeRDD(List(User01("张三", 29), User01("李四", 59)))
  import spark.implicits._
  val ds: Dataset[User01] = rdd.toDS
  //  向MySQL中写出数据
  ds.write
    .format("jdbc")
    .option("url", "jdbc:mysql://8.131.239.157:3306/casbin")
    .option("driver", "com.mysql.jdbc.Driver")
    .option("user", "root")
    .option("password", "1581145")
    .option("dbtable", "user")
    .mode(SaveMode.Append)
    .save()
  //  释放资源
  spark.stop()
}

4、与Hive交互

SparkSQL可以采用内嵌Hive，也可以采用外部Hive。企业开发中，通常采用外部Hive。

4.1 内嵌Hive应用

内嵌Hive，元数据存储在Derby数据库。

注意：执行完后，发现多了$SPARK_HOME/metastore_db和derby.log，用于存储元数据。

[atguigu@hadoop102 spark-local]$ bin/spark-shell
scala> spark.sql("show tables").show

创建一个表

注意：执行完后，发现多了$SPARK_HOME/spark-warehouse/user，用于存储数据库数据。

spark.sql("create table user(id int, name string)")

查看数据库

spark.sql("show tables").show

向表中插入数据

spark.sql("insert into user values(1,'zs')")

查询数据

spark.sql("select * from user").show

注意：然而在实际使用中，几乎没有任何人会使用内置的Hive，因为元数据存储在derby数据库，不支持多客户端访问。

4.2 链接Hive数据库

<dependencies>
    <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>
</dependencies>

拷贝hive-site.xml到resources目录

代码

@Test
def ttt03(): Unit = {
  System.setProperty("HADOOP_USER_NAME", "atguigu")
  val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
  //  创建SparkSession对象
  val spark: SparkSession = SparkSession.builder().enableHiveSupport().config(conf).getOrCreate()
  //  链接外部Hive，并进行操作
  spark.sql("show table").show()
  spark.sql("create table user(id in ,name string")
  //  释放资源
  spark.stop()
}

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2023-11-03，如有侵权请联系 cloudcommunity@tencent.com 删除

spark