Spark SQL基本概念與基本用法

1. Spark SQL概述

1.1 什么是Spark SQL

Spark SQL是Spark用來處理結構化數據的一個模塊，它提供了兩個編程抽象分別叫做DataFrame和DataSet，它們用於作為分布式SQL查詢引擎。從下圖可以查看RDD、DataFrames與DataSet的關系。

1.2 為什么要學習Spark SQL

Hive，它是將Hive SQL轉換成MapReduce，然后提交到集群上執行的，大大簡化了編寫MapReduce程序的復雜性，而且MapReduce這種計算模型執行效率比較慢。類比Hive，Spark SQL，它時將Spark SQL轉換成RDD，然后提交到集群上執行，執行效率非常快！

2. DataFrames

2.1 什么是DataFrames

與RDD類似，DataFrame也是一個分布式數據容器。然而DataFrame更像傳統數據庫的二維表格，除了數據以外，還記錄數據的結構信息，即schema。同時，與Hive類似，DataFrame也支持嵌套數據類型（struct、array和map）。從API易用性的角度上看，DataFrame API提供的是一套高層的關系操作，比函數式的RDD API要更加友好，門檻更低。由於與R和Pandas的DataFrame類似，Spark DataFrame很好地繼承了傳統單機數據分析的開發體驗。

2.2 創建DataFrames

在Spark SQL中SQLContext是創建DataFrames和執行SQL的入口，在spark中已經內置了一個sqlContext。

創建DataFrames的步驟：

1) 在本地創建一個文件，有三列，分別是id、name、age，用空格分隔，然后上傳到hdfs上

hdfs dfs -put person.txt /

2) 在spark shell執行下面命令，讀取數據，將每一行的數據使用列分隔符分割

val lineRDD = sc.textFile("hdfs://hadoop1:9000/person.txt").map(_.split(" "))

3) 定義case class(相當於表的schema)

case class Person(id:int, name:string, age:int)

4) 將RDD和case class關聯

val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))

5) 將RDD轉換成DataFrame

val personDF = personRDD.toDF

6) 對DataFrame進行處理

personDF.show

2.3 DataFrame常用操作

2.3.1 DSL風格語法

查看DataFrame中的內容

personDF.show

查看DataFrame部分列中的內容

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

查詢所有的name和age，並將age+1

personDF.select(col("id"),col("name"),col("age")+1).show
personDF.select(personDF("id"), personDF("name"), personDF("age")+1).show

過濾age大於等於18的

personDF.filter(col("age") >= 18 ).show

按年齡進行分組並統計相同年齡的人數

personDF.groupBy("age").count().show

2.3.2 SQL風格語法

如果想使用SQL風格的語法，需要將DataFrame注冊成表

personDF.createOrReplaceTempView("t_person") //spark2.x以上寫法
personDF.registerTempTable("t_person")   //spark1.6以下寫法

查詢年齡最大的前兩名

sqlContext.sql("select * from t_person order by age desc limit 2").show

顯示表的Schema信息

sqlContext.sql("desc t_person").show

3. DataSet

3.1 什么是DataSet

DataSet是從Spark 1.6開始引入的一個新的抽象。DataSet是特定域對象中的強類型集合，它可以使用函數或者相關操作並行地進行轉換等操作。每個DataSet都有一個稱為DataFrame的非類型化的視圖，這個視圖是行的數據集。為了有效地支持特定域對象，DataSet引入了Encoder（編碼器）。例如，給出一個Person的類，有兩個字段：name(string)和age(int)，通過一個encoder來告訴spark在運行的時候產生代碼把Person對象轉換成一個二進制結構。這種二進制結構通常有更低的內存占用，以及優化的數據處理效率（例如在一個柱狀格式）。若要了解數據的內部二進制表示，請使用schema(表結構)函數。

在DataSet上的操作，分為transformations和actions。transformations會產生新的DataSet，而actions則是觸發計算並產生結果。transformations包括：map，filter，select和aggregate等操作。而actions包括：count，show或把數據寫入到文件系統中。

RDD也是可以並行化的操作，DataSet和RDD主要的區別是：DataSet是特定域的對象集合；然而RDD是任何對象的集合。DataSet的API總是強類型的；而且可以利用這些模式進行優化，然而RDD卻不行。

DataFrame是特殊的DataSet，它在編譯時不會對模式進行檢測。

3.2 創建DataSet

1) 直接通過Seq創建

case class Data(a: Int， b: String)
val ds = Seq(Data(1, "one"), Data(2, "two")).toDS()
ds.collect()
ds.show()

2) 通過sqlContext創建

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._
#創建DataSet
val ds = sqlContext.read.text("hdfs://node-1.itcast.cn: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) 對hdfs上的json文件進行分析

樣例schools.json：

{"name": "UC Berkeley", "yearFounded": 1868, "numStudents": 37581}
{"name": "MIT", "yearFounded": 1860, "numStudents": 11318}

把schools.json上傳到hdfs上：

hdfs dfs -put schools.json /

編寫代碼：

#定義case class
case class University(name: String, numStudents: Long, yearFounded: Long)

#創建DataSet
val schools = sqlContext.read.json("hdfs://hadoop1:9000/schools.json").as[University]

#操作DataSet
schools.map(sc => s"${sc.name} is ${2015 - sc.yearFounded} years old").show

3) 對person.json進行分析

把json轉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轉DataSet

#DataFrame -> Dataset
case class Person(age: Long, name: String)

val ds = df.as[Person]
ds.filter(_.age >= 20).show

DataSet轉DataFrame

# Dataset -> DataFrame
val df2 = ds.toDF

DataFrame和DataSet操作對比

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) 對student.json進行分析

把json轉DataFrame

val df = sqlContext.read.json("hdfs://hadoop1:9000/student.json")

DataFrame轉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根據major分組求和

studentDS.groupBy(_.major).count().collect()

DataSet根據major分組聚合

import org.apache.spark.sql.functions._

studentDS.groupBy(_.major).agg(avg($"age").as[Double]).collect()

創建Major的分類

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._1.name, s._2.fullName)).show()

joined.explain()

4. 以編程方式執行Spark SQL查詢

4.1 編寫Spark SQL查詢程序

前面我們學習了如何在Spark Shell中使用SQL完成查詢，現在我們來實現在自定義的程序中編寫Spark SQL查詢程序。首先在maven項目的pom.xml中添加Spark SQL的依賴

<dependency>
      <groupId>org.apache.spark</groupId>
      <artifactId>spark-sql_2.11</artifactId>
      <version>2.1.0</version>
    </dependency>

4.1.1 通過反射推斷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 = {
    //本地運行
    val conf = new SparkConf().setAppName("SQLDemo").setMaster("local[2]")
    //val conf = new SparkConf().setAppName("SQLDemo") 要打包到spark集群上運行則不需要后面的setMaster("local[2]")

    //SQLContext要依賴SparkContext
    val sc = new SparkContext(conf)
    //創建SQLContext spark1.6.1以下的寫法
    //val sqlContext = new SQLContext(sc)

    //spark2.0 以上的寫法
    val sqlContext = SparkSession.builder().config(conf).getOrCreate()

    //提交到spark集群上運行，需要設置用戶，否則無權限執行，本地運行則無需
    //System.setProperty("user.name", "bigdata")

    //集群hdfs路徑  hdfs://node-1.itcast.cn:9000/person.txt
    //下面由於是本地運行，所以采用本地路徑
    //將RDD和case class關聯
    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)
    })

    //導入隱式轉換，如果不導入無法將RDD轉換成DataFrame
    //將RDD轉換成DataFrame
    import sqlContext.implicits._
    val personDf = personRdd.toDF()

    //采用SQL編寫風格 注冊表
    //personDf.registerTempTable("person") spark 1.6.1以下的寫法
    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 通過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 = {
    //本地運行
    val conf = new SparkConf().setAppName("SQLSchemaDemo").setMaster("local[2]")
    //val conf = new SparkConf().setAppName("SQLDemo") 要打包到spark集群上運行則不需要后面的setMaster("local[2]")
    //SQLContext要依賴SparkContext
    val sc = new SparkContext(conf)
    //創建SQLContext spark1.6.1以下的寫法
    //val sqlContext = new SQLContext(sc)

    //spark2.0 以上的寫法
    val sqlContext = SparkSession.builder().config(conf).getOrCreate()

    //提交到spark集群上運行，需要設置用戶，否則無權限執行，本地運行則無需
    //System.setProperty("user.name", "bigdata")

    //集群hdfs路徑  hdfs://node-1.itcast.cn:9000/person.txt
    //下面由於是本地運行，所以采用本地路徑
    //從指定的地址創建RDD
    val personRDD = sc.textFile("D:\\IDEA\\HelloSpark\\src\\main\\files\\day4\\person.txt").map(_.split(","))
    //通過StructType直接指定每個字段的schema
    val schema = StructType(
      List(
        StructField("id", IntegerType, true),
        StructField("name", StringType, true),
        StructField("age", IntegerType, true)
      )
    )

    //將RDD映射到rowRDD
    val rowRDD = personRDD.map(p=>Row(p(0).toInt, p(1).trim, p(2).toInt))
    //將schema信息應用到rowRDD上
    val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)

    //注冊表
    //personDataFrame.registerTempTable("person") spark 1.6.1以下的寫法
    personDataFrame.createOrReplaceTempView("person")
    //執行SQL
    val df = sqlContext.sql("select * from person where age >= 20 order by age desc limit 2").show()

    sc.stop()
  }
}

5. 數據源

5.1 JDBC

Spark SQL可以通過JDBC從關系型數據庫中讀取數據的方式創建DataFrame，通過對DataFrame一系列的計算后，還可以將數據再寫回關系型數據庫中。

5.1.1 從Mysql中加載數據庫(Spark Shell 方式)

1) 啟動Spark Shell，必須指定mysql連接驅動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) 從mysql中加載數據

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) 執行查詢

jdbcDF.show()

5.1.2 將數據寫入到MySQL中(打jar包方式)

1) 編寫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)

    //創建SQLContext spark1.6.1以下的寫法
    //val sqlContext = new SQLContext(sc)

    //spark2.0 以上的寫法
    val sqlContext = SparkSession.builder().config(conf).getOrCreate()

    //通過並行化創建RDD
    val personRDD = sc.parallelize(Array("1 tom 5", "2 jerry 3", "3 kitty 6")).map(_.split(" "))
    //通過StructType直接指定每個字段的schema
    val schema = StructType(
      List(
        StructField("id", IntegerType, true),
        StructField("name", StringType, true),
        StructField("age", IntegerType, true)
      )
    )

    //將RDD映射到rowRDD
    val rowRDD = personRDD.map(p=>Row(p(0).toInt, p(1).trim, p(2).toInt))
    //將schema信息應用到rowRDD上
    val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)
    //創建Properties存儲數據庫相關屬性
    val prop = new Properties()
    prop.put("user", "root")
    prop.put("password", "123456")
    //將數據追加到數據庫
    personDataFrame.write.mode("append").jdbc("jdbc:mysql://localhost:3306/bigdata","bigdata.person", prop)

    sc.stop()
  }
}

2) 用maven-shade-plugin插件將程序打包

3) 將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