Spark SQL是一個用來處理結構化數據的Spark組件，前身是shark，但是shark過多的依賴於hive如采用hive的語法解析器、查詢優化器等，制約了Spark各個組件之間的相互集成，因此Spark SQL應運而生。
Spark SQL在汲取了shark諸多優勢如內存列存儲、兼容hive等基礎上，做了重新的構造，因此也擺脫了對hive的依賴，但同時兼容hive。除了采取內存列存儲優化性能，還引入了字節碼生成技術、CBO和RBO對查詢等進行動態評估獲取最優邏輯計划、物理計划執行等。基於這些優化，使得Spark SQL相對於原有的SQL on Hadoop技術在性能方面得到有效提升。
同時，Spark SQL支持多種數據源，如JDBC、HDFS、HBase。它的內部組件，如SQL的語法解析器、分析器等支持重定義進行擴展，能更好的滿足不同的業務場景。與Spark Core無縫集成，提供了DataSet/DataFrame的可編程抽象數據模型，並且可被視為一個分布式的SQL查詢引擎。
DataSet/DataFrame
DataSet/DataFrame都是Spark SQL提供的分布式數據集，相對於RDD而言，除了記錄數據以外，還記錄表的schema信息。
DataSet是自Spark1.6開始提供的一個分布式數據集，具有RDD的特性比如強類型、可以使用強大的lambda表達式，並且使用Spark SQL的優化執行引擎。DataSet API支持Scala和Java語言，不支持Python。但是鑒於Python的動態特性，它仍然能夠受益於DataSet API（如，你可以通過一個列名從Row里獲取這個字段 row.columnName），類似的還有R語言。
DataFrame是DataSet以命名列方式組織的分布式數據集，類似於RDBMS中的表，或者R和Python中的 data frame。DataFrame API支持Scala、Java、Python、R。在Scala API中，DataFrame變成類型為Row的Dataset：
type DataFrame = Dataset[Row]。
DataFrame在編譯期不進行數據中字段的類型檢查，在運行期進行檢查。但DataSet則與之相反，因為它是強類型的。此外，二者都是使用catalyst進行sql的解析和優化。為了方便，以下統一使用DataSet統稱。
DataSet創建
DataSet通常通過加載外部數據或通過RDD轉化創建。
1. 加載外部數據
以加載json和mysql為例：
val ds = sparkSession.read.json("/路徑/people.json")
val ds = sparkSession.read.format("jdbc")
.options(Map("url" -> "jdbc:mysql://ip:port/db",
"driver" -> "com.mysql.jdbc.Driver",
"dbtable" -> "tableName", "user" -> "root", "root" -> "123")).load()
2. RDD轉換為DataSet通過RDD轉化創建DataSet，關鍵在於為RDD指定schema，通常有兩種方式（偽代碼）：
1.定義一個case class，利用反射機制來推斷
1) 從HDFS中加載文件為普通RDD
val lineRDD = sparkContext.textFile("hdfs://ip:port/person.txt").map(_.split(" "))
2) 定義case class（相當於表的schema）
case class Person(id:Int, name:String, age:Int)
3) 將RDD和case class關聯
val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
4) 將RDD轉換成DataFrame
val ds= personRDD.toDF
2.手動定義一個schema StructType，直接指定在RDD上
val schemaString ="name age"
val schema = StructType(schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, true)))
val rowRdd = peopleRdd.map(p=>Row(p(0),p(1)))
val ds = sparkSession.createDataFrame(rowRdd,schema)
操作DataSet的兩種風格語法
DSL語法
1. 查詢DataSet部分列中的內容
personDS.select(col("name"))
personDS.select(col("name"), col("age"))
2. 查詢所有的name和age和salary，並將salary加1000
personDS.select(col("name"), col("age"), col("salary") + 1000)
personDS.select(personDS("name"), personDS("age"), personDS("salary") + 1000)
3. 過濾age大於18的personDS.filter(col("age") > 18)
4. 按年齡進行分組並統計相同年齡的人數
personDS.groupBy("age").count()
注意：直接使用col方法需要import org.apache.spark.sql.functions._
SQL語法
如果想使用SQL風格的語法，需要將DataSet注冊成表personDS.registerTempTable("person")
//查詢年齡最大的前兩名
val result = sparkSession.sql("select * from person order by age desc limit 2")/
/保存結果為json文件。注意：如果不指定存儲格式，則默認存儲為parquet
result.write.format("json").save("hdfs://ip:port/res2")
Spark SQL的幾種使用方式
1. sparksql-shell交互式查詢
就是利用Spark提供的shell命令行執行SQL
2. 編程
首先要獲取Spark SQL編程"入口"：SparkSession（當然在早期版本中大家可能更熟悉的是SQLContext，如果是操作hive則為HiveContext）。這里以讀取parquet為例：
val spark = SparkSession.builder()
.appName("example").master("local[*]").getOrCreate();
val df = sparkSession.read.format("parquet").load("/路徑/parquet文件")
然后就可以針對df進行業務處理了。
3. Thriftserverbeeline客戶端連接操作
啟動spark-sql的thrift服務，sbin/start-thriftserver.sh，啟動腳本中配置好Spark集群服務資源、地址等信息。然后通過beeline連接thrift服務進行數據處理。
hive-jdbc驅動包來訪問spark-sql的thrift服務
在項目pom文件中引入相關驅動包，跟訪問mysql等jdbc數據源類似。示例：
Class.forName("org.apache.hive.jdbc.HiveDriver")
val conn = DriverManager.getConnection("jdbc:hive2://ip:port", "root", "123");
try {
val stat = conn.createStatement()
val res = stat.executeQuery("select * from people limit 1")
while (res.next()) {
println(res.getString("name"))
}
} catch {
case e: Exception => e.printStackTrace()
} finally{
if(conn!=null) conn.close()
}
Spark SQL 獲取Hive數據
Spark SQL讀取hive數據的關鍵在於將hive的元數據作為服務暴露給Spark。除了通過上面thriftserver jdbc連接hive的方式，也可以通過下面這種方式：
首先，配置 $HIVE_HOME/conf/hive-site.xml，增加如下內容：
<property> <name>hive.metastore.uris</name> <value>thrift://ip:port</value> </property>
然后，啟動hive metastore
最后，將hive-site.xml復制或者軟鏈到$SPARK_HOME/conf/。如果hive的元數據存儲在mysql中，那么需要將mysql的連接驅動jar包如mysql-connector-java-5.1.12.jar放到$SPARK_HOME/lib/下，啟動spark-sql即可操作hive中的庫和表。而此時使用hive元數據獲取SparkSession的方式為：
val spark = SparkSession.builder()
.config(sparkConf).enableHiveSupport().getOrCreate()
UDF、UDAF、Aggregator
UDF
UDF是最基礎的用戶自定義函數，以自定義一個求字符串長度的udf為例：
val udf_str_length = udf{(str:String) => str.length}
spark.udf.register("str_length",udf_str_length)
val ds =sparkSession.read.json("路徑/people.json")
ds.createOrReplaceTempView("people")
sparkSession.sql("select str_length(address) from people")
UDAF
定義UDAF，需要繼承抽象類UserDefinedAggregateFunction，它是弱類型的，下面的aggregator是強類型的。以求平均數為例：
import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.expressions.MutableAggregationBuffer
import org.apache.spark.sql.expressions.UserDefinedAggregateFunction
import org.apache.spark.sql.types._
object MyAverage extends UserDefinedAggregateFunction {
// Data types of input arguments of this aggregate function
def inputSchema: StructType = StructType(StructField("inputColumn", LongType) :: Nil)
// Data types of values in the aggregation buffer
def bufferSchema: StructType = {
StructType(StructField("sum", LongType) :: StructField("count", LongType) :: Nil)
}
// The data type of the returned value
def dataType: DataType = DoubleType
// Whether this function always returns the same output on the identical input
def deterministic: Boolean = true
// Initializes the given aggregation buffer. The buffer itself is a `Row` that in addition to
// standard methods like retrieving a value at an index (e.g., get(), getBoolean()), provides
// the opportunity to update its values. Note that arrays and maps inside the buffer are still
// immutable.
def initialize(buffer: MutableAggregationBuffer): Unit = {
buffer(0) = 0L
buffer(1) = 0L
}
// Updates the given aggregation buffer `buffer` with new input data from `input`
def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
if (!input.isNullAt(0)) {
buffer(0) = buffer.getLong(0) + input.getLong(0)
buffer(1) = buffer.getLong(1) + 1
}
}
// Merges two aggregation buffers and stores the updated buffer values back to `buffer1`
def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0)
buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
}
// Calculates the final result
def evaluate(buffer: Row): Double = buffer.getLong(0).toDouble / buffer.getLong(1)
}
// Register the function to access it
spark.udf.register("myAverage", MyAverage)
val df = spark.read.json("examples/src/main/resources/employees.json")
df.createOrReplaceTempView("employees")
df.show()
val result = spark.sql("SELECT myAverage(salary) as average_salary FROM employees")
result.show()
Aggregator
import org.apache.spark.sql.{Encoder, Encoders, SparkSession}
import org.apache.spark.sql.expressions.Aggregator
case class Employee(name: String, salary: Long)
case class Average(var sum: Long, var count: Long)
object MyAverage extends Aggregator[Employee, Average, Double] {
// A zero value for this aggregation. Should satisfy the property that any b + zero = b
def zero: Average = Average(0L, 0L)
// Combine two values to produce a new value. For performance, the function may modify `buffer`
// and return it instead of constructing a new object
def reduce(buffer: Average, employee: Employee): Average = {
buffer.sum += employee.salary
buffer.count += 1
buffer
}
// Merge two intermediate values
def merge(b1: Average, b2: Average): Average = {
b1.sum += b2.sum
b1.count += b2.count
b1
}
// Transform the output of the reduction
def finish(reduction: Average): Double = reduction.sum.toDouble / reduction.count
// Specifies the Encoder for the intermediate value type
def bufferEncoder: Encoder[Average] = Encoders.product
// Specifies the Encoder for the final output value type
def outputEncoder: Encoder[Double] = Encoders.scalaDouble
}
val ds = spark.read.json("examples/src/main/resources/employees.json").as[Employee]
ds.show()
// Convert the function to a `TypedColumn` and give it a name
val averageSalary = MyAverage.toColumn.name("average_salary")
val result = ds.select(averageSalary)
result.show()
Spark SQL與Hive的對比
關注微信公眾號：大數據學習與分享，獲取更對技術干貨