本文共 8051 字，大约阅读时间需要 26 分钟。
Spark SQL简介
Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象结构叫做DataFrame的数据模型（即带有Schema信息的RDD），Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrames API和Datasets API三种方式实现对结构化数据的处理。
Spark SQL主要提供了以下三个功能：
- Spark SQL可从各种结构化数据源中读取数据，进行数据分析。
- Spark SQL包含行业标准的JDBC和ODBC连接方式，因此它不局限于在Spark程序内使用SQL语句进行查询。
- Spark SQL可以无缝地将SQL查询与Spark程序进行结合，它能够将结构化数据作为Spark中的分布式数据集（RDD）进行查询。
Spark SQL架构
Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。
Spark要想很好地支持SQL，需要完成解析（Parser）、优化（Optimizer）、执行（Execution）三大过程。 
Catalyst优化器在执行计划生成和优化的工作时，离不开内部的五大组件。 - SqlParse：完成SQL语法解析功能，目前只提供了一个简单的SQL解析器。
- Analyze：主要完成绑定工作，将不同来源的Unresolved LogicalPlan和元数据进行绑定，生成Resolved LogicalPlan。
- Optimizer：对Resolved Lo;gicalPlan进行优化，生成OptimizedLogicalPlan。
- Planner：将LogicalPlan转换成PhysicalPlan。
- CostModel：主要根据过去的性能统计数据，选择最佳的物理执行计划。
Spark SQL工作流程：
- 下在解析SQL语句之前，会创建SparkSession，涉及到表名、字段名称和字段类型的元数据都将保存在SessionCatalog中；
- 当调用SparkSession的sql()方法时就会使用SparkSqlParser进行解析SQL语句，解析过程中使用的ANTLR进行词法解析和语法解析；
- 使用Analyzer分析器绑定逻辑计划，在该阶段，Analyzer会使用Analyzer Rules，并结合SessionCatalog，对未绑定的逻辑计划进行解析，生成已绑定的逻辑计划；
- 使用Optimizer优化器优化逻辑计划，该优化器同样定义了一套规则（Rules），利用这些规则对逻辑计划和语句进行迭代处理；
- 使用SparkPlanner对优化后的逻辑计划进行转换，生成可以执行的物理计划SparkPlan；
- 使用QueryExecution执行物理计划，此时则调用SparkPlan的execute()方法，返回RDDs。
DataFrame简介
Spark SQL使用的数据抽象并非是RDD，而是DataFrame。在Spark 1.3.0版本之前，DataFrame被称为SchemaRDD。DataFrame使Spark具备处理大规模结构化数据的能力。在Spark中，DataFrame是一种以RDD为基础的分布式数据集。DataFrame的结构类似传统数据库的二维表格，可以从很多数据源中创建，如结构化文件、外部数据库、Hive表等数据源。
DataFrame可以看作是分布式的Row对象的集合，在二维表数据集的每一列都带有名称和类型，这就是Schema元信息，这使得Spark框架可获取更多数据结构信息，从而对在DataFrame背后的数据源以及作用于DataFrame之上数据变换进行针对性的优化，最终达到提升计算效率。
DataFrame创建
创建DataFrame的两种基本方式：
- 已存在的RDD调用toDF()方法转换得到DataFrame。
- 通过Spark读取数据源直接创建DataFrame。
直接创建DataFarme对象
若使用SparkSession方式创建DataFrame，可以使用spark.read从不同类型的文件中加载数据创建DataFrame。spark.read的具体操作，如下所示。
| 方法名 | 描述 |
|---|---|
| spark.read.text(“people.txt”) | 读取txt格式文件，创建DataFrame |
| spark.read.csv (“people.csv”) | 读取csv格式文件，创建DataFrame |
| spark.read.text(“people.json”) | 读取json格式文件，创建DataFrame |
| spark.read.text(“people.parquet”) | 读取parquet格式文件，创建DataFrame |
在本地创建一个txt文本文档，用于读取：运行spark-shell：
使用以下代码进行读取：val PDF = spark.read.text("f:/person.txt") 
依旧在spark-shell脚本下运行：
//读取文本文档，这时第一个RDD的数据类型，按空格分割开来 val lineRDD = sc.textFile("f:/person.txt").map(_.split(" ")) //使用一个样式类 case class Person(id:Int,name:String,age:Int) //按照样式类对RDD数据进行分割成map val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt)) //把RDD数据类型转成DataFarme val personDF = personRDD.toDF() 相同的：最后的personDF是一个DataFarme的数据类型
DataFrame的常用操作 DataFrame提供了两种语法风格，即DSL风格语法和SQL风格语法。二者在功能上并无区别，仅仅是根据用户习惯，自定义选择操作方式。
- DSL风格：DataFrame提供了一个领域特定语言（DSL）以方便操作结构化数据。
- SQL风格：在程序中直接使用spark.sql()方式执行SQL查询，结果将作为一个DataFrame返回，使用SQL风格操作的前提是将DataFrame注册成一个临时表。
DSL的风格
DSL风格操作DataFrame的常用方法，具体如下表如示。
| 方法名称 | 方法说明 |
|---|---|
| show() | 查看DataFrame中的具体内容信息 |
| printSchema() | 查看DataFrame的Schema信息 |
| select() | 查看DataFrame中选取部分列的数据及进行重命名 |
| filter() | 实现条件查询，过滤出想要的结果 |
| groupBy() | 对记录进行分组 |
| sort() | 对特定字段进行排序操作 |
演示几种方法：
// 查看这个表personDF.show() //查看Schema数据personDF.printSchema()//查看列personDF.select(personDF.col("name")).show//过滤年龄小于25的personDF.filter(col("age") >= 25).show 
//注册一个临时表personDF.registerTempTable("t_person")//查询信息sparkSession.sql("select * from t_person").show() DataSet简介
Dataset是从Spark1.6 Alpha版本中引入的一个新的数据抽象结构，最终在Spark2.0版本被定义成Spark新特性。Dataset提供了特定域对象中的强类型集合，也就是在RDD的每行数据中添加了类型约束条件，只有约束条件的数据类型才能正常运行。Dataset结合了RDD和DataFrame的优点，并且可以调用封装的方法以并行方式进行转换等操作。
RDD数据的表现形式，此时RDD数据没有数据类型和元数据信息。
DataFrame数据的表现形式，此时DataFrame数据中添加Schema元数据信息（列名和数据类型，如ID：String），DataFrame每行类型固定为Row类型，每列的值无法直接访问，只有通过解析才能获取各个字段的值。 Dataset数据的表现形式，其中前者是在RDD每行数据的基础之上，添加一个数据类型（value：String）作为Schema元数据信息。而后者每行数据添加People强数据类型，在Dataset[Person]中里存放了3个字段和属性，Dataset每行数据类型可自定义，一旦定义后，就具有错误检查机制。
通过SparkSession中的createDataset来创建Dataset val personDS =spark.createDataset(sc.textFile("f:/person.txt"))personDS.show() 如下图所示：
通过“as[ElementType]”方法转换得到Dataset val DS=spark.read.text("f:/person.txt").as[String] DS.toDF() 运行结果如下：获取到DataFarme
RDD转DataFarme Spark官方提供了两种方法实现从RDD转换得到DataFrame。
- 第一种方法是利用反射机制来推断包含特定类型对象的Schema，这种方式适用于对已知数据结构的RDD转换
- 第二种方法通过编程接口构造一个Schema，并将其应用在已知的RDD数据中。
反射机制推断Schema
Windows系统开发Scala代码，可使用本地环境测试（需要先准备本地数据文件）。我们可以很容易的分析出当前数据文件中字段的信息，但计算机无法直观感受字段的实际含义，因此需要通过反射机制来推断包含特定类型对象的Schema信息，实现将RDD转换成DataFrame。
实现思路： 添加Spark SQL依赖。定义case class样例类、字段和属性，样例类的参数名会被利用反射机制作为列名。通过sc对象读取文件生成一个RDD，将RDD 与样例类匹配，调用toDF()方法将RDD转换为DataFrame。
org.apache.spark spark-sql_2.11 2.3.2.3.1.0.0-78
在Maven projects当中进行查看。会有新添加的sql依赖。
编程方式定义Schema 当Case类不能提前定义Schema时，就需要采用编程方式定义Schema信息，实现RDD转换DataFrame的功能。
实现思路： 通过SparkSession提供的createDataFrame()方法来拼接Schema，来实现RDD转换成DataFrame 代码实现如下:package SparkSQLimport org.apache.spark.SparkContextimport org.apache.spark.rdd.RDDimport org.apache.spark.sql.{ Column, DataFrame, Dataset, SparkSession}case class Person(id:Int,name:String,age:Int)object SparkSQL { def main(args: Array[String]): Unit = { //第一步：获取sparkSession对象 val sparkSession: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[2]").getOrCreate() //第二步：获取sparkContext val sparkContext: SparkContext = sparkSession.sparkContext sparkContext.setLogLevel("WARN") //读取文件，生成RDD val rddFile: RDD[String] = sparkContext.textFile("file:///F:\\person.txt") //将每一行的内容按照空格切分，生成一个单词数组 val wordArray: RDD[Array[String]] = rddFile.map(_.split(" ")) val personRDD: RDD[Person] = wordArray.map(x => Person(x(0).toInt,x(1),x(2).toInt)) //导入隐式转换的类，我们的RDD才可以转换成DataFrame import sparkSession.implicits._ //将我们的RDD转换成DataFrame val personDF: DataFrame = personRDD.toDF() println("sparkSql DSL风格语法 开始") personDF.printSchema() personDF.show() personDF.show(2) println(personDF.head()) //查询name字段的所有值 personDF.select("name").show() personDF.select($"name").show() personDF.select(personDF.col("name")).show() personDF.select(new Column("name")).show() //将年龄的值进行 + 1 personDF.select($"id",$"name",$"age",$"age"+1).show() //按照年龄进行分组 personDF.groupBy($"age").count().show() println("*************sparkSql DSL风格语法 结束*************") println() println("*************sparkSql sql风格语法 开始*************") val personTable: Unit = personDF.registerTempTable("t_person") val personView: Unit = personDF.createTempView("t_person_view") //查询表当中所有的数据 println("查询表中所有信息") sparkSession.sql("select * from t_person").show() println("查询表中所有信息 => t_person_view") sparkSession.sql("select * from t_person_view").show() println("查询名字为zhangsan的数据") sparkSession.sql("select * from t_person_view where name = 'zhangsan'").show() println("***************sparkSql sql风格语法 结束*********************") sparkContext.stop() sparkSession.close() }} Spark SQL操作MySQL数据库
在使用连接数据库之前定义一个用于Spark测试的简单数据库
CREATE DATABASE sparkUSE sparkCREATE TABLE person(id INT NOT NULL,NAME CHAR(10) NOT NULL,age INT NOT NULL)ENGINE=INNODB DEFAULT CHARSET=utf8mb4;INSERT INTO person VALUES(1,"zhangsan",28)INSERT INTO person VALUES(2,"lisi",38)SELECT * FROM person
使用以下语句进行连接数据库
val mysqlDF : DataFrame =spark.read.jdbc ("jdbc:mysql://192.168.121.134:3306/spark","person",properties) 完整代码如下：
package SparkSQLimport java.util.Propertiesimport org.apache.spark.SparkContextimport org.apache.spark.rdd.RDDimport org.apache.spark.sql.{ Column, DataFrame, Dataset, SparkSession}object test { def main(args: Array[String]): Unit = { val sparkSession: SparkSession = SparkSession.builder().appName("SparkSQLmysql").master("local[2]").getOrCreate() val sparkContext: SparkContext = sparkSession.sparkContext sparkContext.setLogLevel("WARN") val properties = new Properties() properties.setProperty("user","root") properties.setProperty("password","root") val mysqlDF =sparkSession.read.jdbc ("jdbc:mysql://localhost:3306/spark?serverTimezone=UTC","person",properties) mysqlDF.printSchema() mysqlDF.show() sparkContext.stop() sparkSession.stop() }} 运行项目查看结果：
需要注意的是在连接数据库的时候要加上jdbc的驱动包，添加到环境当中即可 
转载地址：http://pgmzi.baihongyu.com/