【注】該系列文章以及使用到安裝包/測試數據 可以在《傾情大奉送--Spark入門實戰系列》獲取
1、SparkSQL的發展歷程
1.1 Hive and Shark
SparkSQL的前身是Shark，給熟悉RDBMS但又不理解MapReduce的技術人員提供快速上手的工具，Hive應運而生，它是當時唯一運行在Hadoop上的SQL-on-Hadoop工具。但是MapReduce計算過程中大量的中間磁盤落地過程消耗了大量的I/O，降低的運行效率，為了提高SQL-on-Hadoop的效率，大量的SQL-on-Hadoop工具開始產生，其中表現較為突出的是：
l MapR的Drill
l Cloudera的Impala
l Shark
其中Shark是伯克利實驗室Spark生態環境的組件之一，它修改了下圖所示的右下角的內存管理、物理計划、執行三個模塊，並使之能運行在Spark引擎上，從而使得SQL查詢的速度得到10-100倍的提升。
1.2 Shark和SparkSQL
但是，隨着Spark的發展，對於野心勃勃的Spark團隊來說，Shark對於Hive的太多依賴（如采用Hive的語法解析器、查詢優化器等等），制約了Spark的One Stack Rule Them All的既定方針，制約了Spark各個組件的相互集成，所以提出了SparkSQL項目。SparkSQL拋棄原有Shark的代碼，汲取了Shark的一些優點，如內存列存儲（In-Memory Columnar Storage）、Hive兼容性等，重新開發了SparkSQL代碼；由於擺脫了對Hive的依賴性，SparkSQL無論在數據兼容、性能優化、組件擴展方面都得到了極大的方便，真可謂“退一步，海闊天空”。
l數據兼容方面 不但兼容Hive，還可以從RDD、parquet文件、JSON文件中獲取數據，未來版本甚至支持獲取RDBMS數據以及cassandra等NOSQL數據；
l性能優化方面 除了采取In-Memory Columnar Storage、byte-code generation等優化技術外、將會引進Cost Model對查詢進行動態評估、獲取最佳物理計划等等；
l組件擴展方面 無論是SQL的語法解析器、分析器還是優化器都可以重新定義，進行擴展。
2014年6月1日Shark項目和SparkSQL項目的主持人Reynold Xin宣布：停止對Shark的開發，團隊將所有資源放SparkSQL項目上，至此，Shark的發展畫上了句話，但也因此發展出兩個直線：SparkSQL和Hive on Spark。
其中SparkSQL作為Spark生態的一員繼續發展，而不再受限於Hive，只是兼容Hive；而Hive on Spark是一個Hive的發展計划，該計划將Spark作為Hive的底層引擎之一，也就是說，Hive將不再受限於一個引擎，可以采用Map-Reduce、Tez、Spark等引擎。
1.3 SparkSQL的性能
Shark的出現，使得SQL-on-Hadoop的性能比Hive有了10-100倍的提高：
那么，擺脫了Hive的限制，SparkSQL的性能又有怎么樣的表現呢？雖然沒有Shark相對於Hive那樣矚目地性能提升，但也表現得非常優異：
為什么SparkSQL的性能會得到怎么大的提升呢？主要SparkSQL在下面幾點做了優化：
A：內存列存儲（In-Memory Columnar Storage）
SparkSQL的表數據在內存中存儲不是采用原生態的JVM對象存儲方式，而是采用內存列存儲，如下圖所示。
該存儲方式無論在空間占用量和讀取吞吐率上都占有很大優勢。
對於原生態的JVM對象存儲方式，每個對象通常要增加12-16字節的額外開銷，對於一個270MB的TPC-H lineitem table數據，使用這種方式讀入內存，要使用970MB左右的內存空間（通常是2～5倍於原生數據空間）；另外，使用這種方式，每個數據記錄產生一個JVM對象，如果是大小為200B的數據記錄，32G的堆棧將產生1.6億個對象，這么多的對象，對於GC來說，可能要消耗幾分鍾的時間來處理（JVM的垃圾收集時間與堆棧中的對象數量呈線性相關）。顯然這種內存存儲方式對於基於內存計算的Spark來說，很昂貴也負擔不起。
對於內存列存儲來說，將所有原生數據類型的列采用原生數組來存儲，將Hive支持的復雜數據類型（如array、map等）先序化后並接成一個字節數組來存儲。這樣，每個列創建一個JVM對象，從而導致可以快速的GC和緊湊的數據存儲；額外的，還可以使用低廉CPU開銷的高效壓縮方法（如字典編碼、行長度編碼等壓縮方法）降低內存開銷；更有趣的是，對於分析查詢中頻繁使用的聚合特定列，性能會得到很大的提高，原因就是這些列的數據放在一起，更容易讀入內存進行計算。
B：字節碼生成技術（bytecode generation，即CG）
在數據庫查詢中有一個昂貴的操作是查詢語句中的表達式，主要是由於JVM的內存模型引起的。比如如下一個查詢：
SELECT a + b FROM table
在這個查詢里，如果采用通用的SQL語法途徑去處理，會先生成一個表達式樹（有兩個節點的Add樹，參考后面章節），在物理處理這個表達式樹的時候，將會如圖所示的7個步驟：
1. 調用虛函數Add.eval()，需要確認Add兩邊的數據類型
2. 調用虛函數a.eval()，需要確認a的數據類型
3. 確定a的數據類型是Int，裝箱
4. 調用虛函數b.eval()，需要確認b的數據類型
5. 確定b的數據類型是Int，裝箱
6. 調用Int類型的Add
7. 返回裝箱后的計算結果
其中多次涉及到虛函數的調用，虛函數的調用會打斷CPU的正常流水線處理，減緩執行。
Spark1.1.0在catalyst模塊的expressions增加了codegen模塊，如果使用動態字節碼生成技術（配置spark.sql.codegen參數），SparkSQL在執行物理計划的時候，對匹配的表達式采用特定的代碼，動態編譯，然后運行。如上例子，匹配到Add方法：
然后，通過調用，最終調用：
最終實現效果類似如下偽代碼：
val a: Int = inputRow.getInt(0)
val b: Int = inputRow.getInt(1)
val result: Int = a + b
resultRow.setInt(0, result)
對於Spark1.1.0，對SQL表達式都作了CG優化，具體可以參看codegen模塊。CG優化的實現主要還是依靠scala2.10的運行時放射機制（runtime reflection）。對於SQL查詢的CG優化，可以簡單地用下圖來表示：
C：Scala代碼優化
另外，SparkSQL在使用Scala編寫代碼的時候，盡量避免低效的、容易GC的代碼；盡管增加了編寫代碼的難度，但對於用戶來說，還是使用統一的接口，沒受到使用上的困難。下圖是一個Scala代碼優化的示意圖：
2、 SparkSQL運行架構
類似於關系型數據庫，SparkSQL也是語句也是由Projection（a1，a2，a3）、Data Source（tableA）、Filter（condition）組成，分別對應sql查詢過程中的Result、Data Source、Operation，也就是說SQL語句按Result-->Data Source-->Operation的次序來描述的。
當執行SparkSQL語句的順序為：
1.對讀入的SQL語句進行解析（Parse），分辨出SQL語句中哪些詞是關鍵詞（如SELECT、FROM、WHERE），哪些是表達式、哪些是Projection、哪些是Data Source等，從而判斷SQL語句是否規范；
2.將SQL語句和數據庫的數據字典（列、表、視圖等等）進行綁定（Bind），如果相關的Projection、Data Source等都是存在的話，就表示這個SQL語句是可以執行的；
3.一般的數據庫會提供幾個執行計划，這些計划一般都有運行統計數據，數據庫會在這些計划中選擇一個最優計划（Optimize）；
4.計划執行（Execute），按Operation-->Data Source-->Result的次序來進行的，在執行過程有時候甚至不需要讀取物理表就可以返回結果，比如重新運行剛運行過的SQL語句，可能直接從數據庫的緩沖池中獲取返回結果。
2.1 Tree和Rule
SparkSQL對SQL語句的處理和關系型數據庫對SQL語句的處理采用了類似的方法，首先會將SQL語句進行解析（Parse），然后形成一個Tree，在后續的如綁定、優化等處理過程都是對Tree的操作，而操作的方法是采用Rule，通過模式匹配，對不同類型的節點采用不同的操作。在整個sql語句的處理過程中，Tree和Rule相互配合，完成了解析、綁定（在SparkSQL中稱為Analysis）、優化、物理計划等過程，最終生成可以執行的物理計划。
2.1.1 Tree
l Tree的相關代碼定義在sql/catalyst/src/main/scala/org/apache/spark/sql/catalyst/trees
l Logical Plans、Expressions、Physical Operators都可以使用Tree表示
l Tree的具體操作是通過TreeNode來實現的
Ø SparkSQL定義了catalyst.trees的日志，通過這個日志可以形象的表示出樹的結構
Ø TreeNode可以使用scala的集合操作方法（如foreach, map, flatMap, collect等）進行操作
Ø 有了TreeNode，通過Tree中各個TreeNode之間的關系，可以對Tree進行遍歷操作，如使用transformDown、transformUp將Rule應用到給定的樹段，然后用結果替代舊的樹段；也可以使用transformChildrenDown、transformChildrenUp對一個給定的節點進行操作，通過迭代將Rule應用到該節點以及子節點。
l TreeNode可以細分成三種類型的Node：
Ø UnaryNode 一元節點，即只有一個子節點。如Limit、Filter操作
Ø BinaryNode 二元節點，即有左右子節點的二叉節點。如Jion、Union操作
Ø LeafNode 葉子節點，沒有子節點的節點。主要用戶命令類操作，如SetCommand
2.1.2 Rule
l Rule的相關代碼定義在sql/catalyst/src/main/scala/org/apache/spark/sql/catalyst/rules
l Rule在SparkSQL的Analyzer、Optimizer、SparkPlan等各個組件中都有應用到
l Rule是一個抽象類，具體的Rule實現是通過RuleExecutor完成
l Rule通過定義batch和batchs，可以簡便的、模塊化地對Tree進行transform操作
l Rule通過定義Once和FixedPoint，可以對Tree進行一次操作或多次操作（如對某些Tree進行多次迭代操作的時候，達到FixedPoint次數迭代或達到前后兩次的樹結構沒變化才停止操作，具體參看RuleExecutor.apply）
2.2 sqlContext和hiveContext的運行過程
SparkSQL有兩個分支，sqlContext和hiveContext，sqlContext現在只支持SQL語法解析器（SQL-92語法）；hiveContext現在支持SQL語法解析器和hivesql語法解析器，默認為hiveSQL語法解析器，用戶可以通過配置切換成SQL語法解析器，來運行hiveSQL不支持的語法，
2.2.1 sqlContext的運行過程
sqlContext總的一個過程如下圖所示：
1.SQL語句經過SqlParse解析成UnresolvedLogicalPlan；
2.使用analyzer結合數據數據字典（catalog）進行綁定，生成resolvedLogicalPlan；
3.使用optimizer對resolvedLogicalPlan進行優化，生成optimizedLogicalPlan；
4.使用SparkPlan將LogicalPlan轉換成PhysicalPlan；
5.使用prepareForExecution()將PhysicalPlan轉換成可執行物理計划；
6.使用execute()執行可執行物理計划；
7.生成SchemaRDD。
在整個運行過程中涉及到多個SparkSQL的組件，如SqlParse、analyzer、optimizer、SparkPlan等等
2.2.2hiveContext的運行過程
hiveContext總的一個過程如下圖所示：
1.SQL語句經過HiveQl.parseSql解析成Unresolved LogicalPlan，在這個解析過程中對hiveql語句使用getAst()獲取AST樹，然后再進行解析；
2.使用analyzer結合數據hive源數據Metastore（新的catalog）進行綁定，生成resolved LogicalPlan；
3.使用optimizer對resolved LogicalPlan進行優化，生成optimized LogicalPlan，優化前使用了ExtractPythonUdfs(catalog.PreInsertionCasts(catalog.CreateTables(analyzed)))進行預處理；
4.使用hivePlanner將LogicalPlan轉換成PhysicalPlan；
5.使用prepareForExecution()將PhysicalPlan轉換成可執行物理計划；
6.使用execute()執行可執行物理計划；
7.執行后，使用map(_.copy)將結果導入SchemaRDD。
2.3 catalyst優化器
SparkSQL1.1總體上由四個模塊組成：core、catalyst、hive、hive-Thriftserver：
l core處理數據的輸入輸出，從不同的數據源獲取數據（RDD、Parquet、json等），將查詢結果輸出成schemaRDD；
l catalyst處理查詢語句的整個處理過程，包括解析、綁定、優化、物理計划等，說其是優化器，還不如說是查詢引擎；
l hive對hive數據的處理
l hive-ThriftServer提供CLI和JDBC/ODBC接口
在這四個模塊中，catalyst處於最核心的部分，其性能優劣將影響整體的性能。由於發展時間尚短，還有很多不足的地方，但其插件式的設計，為未來的發展留下了很大的空間。下面是catalyst的一個設計圖：
其中虛線部分是以后版本要實現的功能，實線部分是已經實現的功能。從上圖看，catalyst主要的實現組件有：
lsqlParse，完成sql語句的語法解析功能，目前只提供了一個簡單的sql解析器；
lAnalyzer，主要完成綁定工作，將不同來源的Unresolved LogicalPlan和數據元數據（如hive metastore、Schema catalog）進行綁定，生成resolved LogicalPlan；
loptimizer對resolved LogicalPlan進行優化，生成optimized LogicalPlan；
l Planner將LogicalPlan轉換成PhysicalPlan；
l CostModel，主要根據過去的性能統計數據，選擇最佳的物理執行計划
這些組件的基本實現方法：
l 先將sql語句通過解析生成Tree，然后在不同階段使用不同的Rule應用到Tree上，通過轉換完成各個組件的功能。
l Analyzer使用Analysis Rules，配合數據元數據（如hive metastore、Schema catalog），完善Unresolved LogicalPlan的屬性而轉換成resolved LogicalPlan；
l optimizer使用Optimization Rules，對resolved LogicalPlan進行合並、列裁剪、過濾器下推等優化作業而轉換成optimized LogicalPlan；
l Planner使用Planning Strategies，對optimized LogicalPlan
3、SparkSQL CLI
CLI（Command-Line Interface，命令行界面）是指可在用戶提示符下鍵入可執行指令的界面，它通常不支持鼠標，用戶通過鍵盤輸入指令，計算機接收到指令后予以執行。Spark CLI指的是使用命令界面直接輸入SQL命令，然后發送到Spark集群進行執行，在界面中顯示運行過程和最終的結果。
Spark1.1相較於Spark1.0最大的差別就在於Spark1.1增加了Spark SQL CLI和ThriftServer，使得Hive用戶還有用慣了命令行的RDBMS數據庫管理員較容易地上手，真正意義上進入了SQL時代。
【注】Spark CLI和Spark Thrift Server實驗環境為第二課《Spark編譯與部署（下）--Spark編譯安裝》所搭建
3.1 運行環境說明
3.1.1 硬軟件環境
l 主機操作系統：Windows 64位，雙核4線程，主頻2.2G，10G內存
l 虛擬軟件：VMware® Workstation 9.0.0 build-812388
l 虛擬機操作系統：CentOS 64位，單核
l 虛擬機運行環境：
Ø JDK：1.7.0_55 64位
Ø Hadoop：2.2.0（需要編譯為64位）
Ø Scala：2.11.4
Ø Spark：1.1.0（需要編譯）
Ø Hive：0.13.1
3.1.2 機器網絡環境
集群包含三個節點，節點之間可以免密碼SSH訪問，節點IP地址和主機名分布如下：
| 序號 |
機器名 |
類型 |
核數/內存 |
用戶名 |
目錄 |
|
| 1 |
192.168.0.61 |
hadoop1 |
NN/DN/RM Master/Worker |
1核/3G |
hadoop |
/app 程序所在路徑 /app/scala-... /app/hadoop /app/complied |
| 2 |
192.168.0.62 |
hadoop2 |
DN/NM/Worker |
1核/2G |
hadoop |
|
| 3 |
192.168.0.63 |
hadoop3 |
DN/NM/Worker |
1核/2G |
hadoop |
3.2 配置並啟動
3.2.1 創建並配置hive-site.xml
在運行Spark SQL CLI中需要使用到Hive Metastore，故需要在Spark中添加其uris。具體方法是在SPARK_HOME/conf目錄下創建hive-site.xml文件，然后在該配置文件中，添加hive.metastore.uris屬性，具體如下：
<configuration>
<property>
<name>hive.metastore.uris</name>
<value>thrift://hadoop1:9083</value>
<description>Thrift URI for the remote metastore. Used by metastore client to connect to remote metastore.</description>
</property>
</configuration>
3.2.2 啟動Hive
在使用Spark SQL CLI之前需要啟動Hive Metastore（如果數據存放在HDFS文件系統，還需要啟動Hadoop的HDFS），使用如下命令可以使Hive Metastore啟動后運行在后台，可以通過jobs查詢：
$nohup hive --service metastore > metastore.log 2>&1 &
3.2.3 啟動Spark集群和Spark SQL CLI
通過如下命令啟動Spark集群和Spark SQL CLI：
$cd /app/hadoop/spark-1.1.0
$sbin/start-all.sh
$bin/spark-sql --master spark://hadoop1:7077 --executor-memory 1g
在集群監控頁面可以看到啟動了SparkSQL應用程序：
這時就可以使用HQL語句對Hive數據進行查詢，另外可以使用COMMAND，如使用set進行設置參數：默認情況下，SparkSQL Shuffle的時候是200個partition，可以使用如下命令修改該參數：
SET spark.sql.shuffle.partitions=20;
運行同一個查詢語句，參數改變后，Task（partition）的數量就由200變成了20。
3.2.4 命令參數
通過bin/spark-sql --help可以查看CLI命令參數：
其中[options] 是CLI啟動一個SparkSQL應用程序的參數，如果不設置--master的話，將在啟動spark-sql的機器以local方式運行，只能通過http://機器名:4040進行監控；這部分參數，可以參照Spark1.0.0 應用程序部署工具spark-submit 的參數。
[cli option]是CLI的參數，通過這些參數CLI可以直接運行SQL文件、進入命令行運行SQL命令等等，類似以前的Shark的用法。需要注意的是CLI不是使用JDBC連接，所以不能連接到ThriftServer；但可以配置conf/hive-site.xml連接到Hive的Metastore，然后對Hive數據進行查詢。
3.3 實戰Spark SQL CLI
3.3.1 獲取訂單每年的銷售單數、銷售總額
第一步 設置任務個數，在這里修改為20個
spark-sql>SET spark.sql.shuffle.partitions=20;
第二步 運行SQL語句
spark-sql>use hive;
spark-sql>select c.theyear,count(distinct a.ordernumber),sum(b.amount) from tbStock a join tbStockDetail b on a.ordernumber=b.ordernumber join tbDate c on a.dateid=c.dateid group by c.theyear order by c.theyear;
第三步 查看運行結果
3.3.2 計算所有訂單每年的總金額
第一步 執行SQL語句
spark-sql>select c.theyear,count(distinct a.ordernumber),sum(b.amount) from tbStock a join tbStockDetail b on a.ordernumber=b.ordernumber join tbDate c on a.dateid=c.dateid group by c.theyear order by c.theyear;
第二步 執行結果
使用CLI執行結果如下：
3.3.3 計算所有訂單每年最大金額訂單的銷售額
spark-sql>select c.theyear,max(d.sumofamount) from tbDate c join (select a.dateid,a.ordernumber,sum(b.amount) as sumofamount from tbStock a join tbStockDetail b on a.ordernumber=b.ordernumber group by a.dateid,a.ordernumber ) d on c.dateid=d.dateid group by c.theyear sort by c.theyear;
使用CLI執行結果如下：
4、Spark Thrift Server
ThriftServer是一個JDBC/ODBC接口，用戶可以通過JDBC/ODBC連接ThriftServer來訪問SparkSQL的數據。ThriftServer在啟動的時候，會啟動了一個SparkSQL的應用程序，而通過JDBC/ODBC連接進來的客戶端共同分享這個SparkSQL應用程序的資源，也就是說不同的用戶之間可以共享數據；ThriftServer啟動時還開啟一個偵聽器，等待JDBC客戶端的連接和提交查詢。所以，在配置ThriftServer的時候，至少要配置ThriftServer的主機名和端口，如果要使用Hive數據的話，還要提供Hive Metastore的uris。
【注】Spark CLI和Spark Thrift Server實驗環境為第二課《Spark編譯與部署（下）--Spark編譯安裝》所搭建
4.1 配置並啟動
4.1.1 創建並配置hive-site.xml
第一步 創建hive-site.xml配置文件
在$SPARK_HOME/conf目錄下修改hive-site.xml配置文件（如果在Spark SQL CLI中已經添加，可以省略）：
$cd /app/hadoop/spark-1.1.0/conf
$sudo vi hive-site.xml
第二步 修改配置文件
設置hadoop1為Metastore服務器，hadoop2為Thrift Server服務器，配置內容如下：
<configuration>
<property>
<name>hive.metastore.uris</name>
<value>thrift://hadoop1:9083</value>
<description>Thrift URI for the remote metastore. Used by metastore client to connect to remote metastore.</description>
</property>
<property>
<name>hive.server2.thrift.min.worker.threads</name>
<value>5</value>
<description>Minimum number of Thrift worker threads</description>
</property>
<property>
<name>hive.server2.thrift.max.worker.threads</name>
<value>500</value>
<description>Maximum number of Thrift worker threads</description>
</property>
<property>
<name>hive.server2.thrift.port</name>
<value>10000</value>
<description>Port number of HiveServer2 Thrift interface. Can be overridden by setting $HIVE_SERVER2_THRIFT_PORT</description>
</property>
<property>
<name>hive.server2.thrift.bind.host</name>
<value>hadoop2</value>
<description>Bind host on which to run the HiveServer2 Thrift interface.Can be overridden by setting$HIVE_SERVER2_THRIFT_BIND_HOST</description>
</property>
</configuration>
4.1.2 啟動Hive
在hadoop1節點中，在后台啟動Hive Metastore（如果數據存放在HDFS文件系統，還需要啟動Hadoop的HDFS）：
$nohup hive --service metastore > metastore.log 2>&1 &
4.1.3 啟動Spark集群和Thrift Server
在hadoop1節點啟動Spark集群
$cd /app/hadoop/spark-1.1.0/sbin
$./start-all.sh
在hadoop2節點上進入SPARK_HOME/sbin目錄，使用如下命令啟動Thrift Server
$cd /app/hadoop/spark-1.1.0/sbin
$./start-thriftserver.sh --master spark://hadoop1:7077 --executor-memory 1g
注意：Thrift Server需要按照配置在hadoop2啟動！
在集群監控頁面可以看到啟動了SparkSQL應用程序：
4.1.4 命令參數
使用sbin/start-thriftserver.sh --help可以查看ThriftServer的命令參數：
$sbin/start-thriftserver.sh --help Usage: ./sbin/start-thriftserver [options] [thrift server options]
Thrift server options: Use value for given property
其中[options] 是Thrift Server啟動一個SparkSQL應用程序的參數，如果不設置--master的話，將在啟動Thrift Server的機器以local方式運行，只能通過http://機器名:4040進行監控；這部分參數，可以參照Spark1.0.0 應用程序部署工具spark-submit 的參數。在集群中提供Thrift Server的話，一定要配置master、executor-memory等參數。
[thrift server options]是Thrift Server的參數，可以使用-dproperty=value的格式來定義；在實際應用上，因為參數比較多，通常使用conf/hive-site.xml配置。
4.2 實戰Thrift Server
4.2.1 遠程客戶端連接
可以在任意節點啟動bin/beeline，用!connect jdbc:hive2://hadoop2:10000連接ThriftServer，因為沒有采用權限管理，所以用戶名用運行bin/beeline的用戶hadoop，密碼為空：
$cd /app/hadoop/spark-1.1.0/bin
$./beeline
beeline>!connect jdbc:hive2://hadoop2:10000
4.2.2 基本操作
第一步 顯示hive數據庫所有表
beeline>show database;
beeline>use hive;
beeline>show tables;
第二步 創建表testThrift
beeline>create table testThrift(field1 String , field2 Int);
beeline>show tables;
第三步 把tbStockDetail表中金額大於3000插入到testThrift表中
beeline>insert into table testThrift select ordernumber,amount from tbStockDetail where amount>3000;
beeline>select * from testThrift;
第四步 重新創建testThrift表中，把年度最大訂單插入該表中
beeline>drop table testThrift;
beeline>create table testThrift (field1 String , field2 Int);
beeline>insert into table testThrift select c.theyear,max(d.sumofamount) from tbDate c join (select a.dateid,a.ordernumber,sum(b.amount) as sumofamount from tbStock a join tbStockDetail b on a.ordernumber=b.ordernumber group by a.dateid,a.ordernumber ) d on c.dateid=d.dateid group by c.theyear sort by c.theyear;
beeline>select * from testThrift;
4.2.3 計算所有訂單每年的訂單數
spark-sql>select c.theyear, count(distinct a.ordernumber) from tbStock a join tbStockDetail b on a.ordernumber=b.ordernumber join tbDate c on a.dateid=c.dateid group by c.theyear order by c.theyear;
Stage監控頁面：
查看Details for Stage 28
4.2.4 計算所有訂單月銷售額前十名
spark-sql>select c.theyear,c.themonth,sum(b.amount) as sumofamount from tbStock a join tbStockDetail b on a.ordernumber=b.ordernumber join tbDate c on a.dateid=c.dateid group by c.theyear,c.themonth order by sumofamount desc limit 10;
Stage監控頁面：
在其第一個Task中，從本地讀入數據
在后面的Task是從內存中獲取數據
4.2.5 緩存表數據
第一步 緩存數據
beeline>cache table tbStock;
beeline>select count(*) from tbStock;
第二步 運行4.2.4中的“計算所有訂單月銷售額前十名”
beeline>select count(*) from tbStock;
本次計算划給11.233秒，查看webUI，數據已經緩存，緩存率為100%：
第三步 在另外節點再次運行
在hadoop3節點啟動bin/beeline，用!connect jdbc:hive2://hadoop2:10000連接ThriftServer，然后直接運行對tbStock計數（注意沒有進行數據庫的切換）：
用時0.343秒，再查看webUI中的stage：
Locality Level是PROCESS，顯然是使用了緩存表。
從上可以看出，ThriftServer可以連接多個JDBC/ODBC客戶端，並相互之間可以共享數據。順便提一句，ThriftServer啟動后處於監聽狀態，用戶可以使用ctrl+c退出ThriftServer；而beeline的退出使用!q命令。
4.2.6 在IDEA中JDBC訪問
有了ThriftServer，開發人員可以非常方便的使用JDBC/ODBC來訪問SparkSQL。下面是一個scala代碼，查詢表tbStockDetail，返回amount>3000的單據號和交易金額：
第一步 在IDEA創建class6包和類JDBCofSparkSQL
參見《Spark編程模型（下）--IDEA搭建及實戰》在IDEA中創建class6包並新建類JDBCofSparkSQL。該類中查詢tbStockDetail金額大於3000的訂單：
package class6
import java.sql.DriverManager
object JDBCofSparkSQL {
def main(args: Array[String]) {
Class.forName("org.apache.hive.jdbc.HiveDriver")
val conn = DriverManager.getConnection("jdbc:hive2://hadoop2:10000/hive", "hadoop", "")
try {
val statement = conn.createStatement
val rs = statement.executeQuery("select ordernumber,amount from tbStockDetail where amount>3000")
while (rs.next) {
val ordernumber = rs.getString("ordernumber")
val amount = rs.getString("amount")
println("ordernumber = %s, amount = %s".format(ordernumber, amount))
}
} catch {
case e: Exception => e.printStackTrace
}
conn.close
}
}
第二步 查看運行結果
在IDEA中可以觀察到，在運行日志窗口中沒有運行過程的日志，只顯示查詢結果
第三步 查看監控結果
從Spark監控界面中觀察到，該Job有一個編號為6的Stage，該Stage有2個Task，分別運行在hadoop1和hadoop2節點，獲取數據為NODE_LOCAL方式。
在hadoop2中觀察Thrift Server運行日志如下：
