SparkSQL编程入口和模型与SparkSQL基本编程

SparkSQL编程入口和模型

SparkSQL编程模型

主要通过两种方式操作SparkSQL，一种就是SQL，另一种为DataFrame和Dataset。

1)SQL：SQL不用多说，就和Hive操作一样，但是需要清楚一点的是，SQL操作的是表，所以要想用SQL进行操作，就需要将SparkSQL对应的编程模型转化成为一张表才可以。同时支持，通用sql和hivesql。

2)DSL（DataFrame&DataSet）：在支持SQL编程的同时，方便大家使用函数式编程的思想，类似sparkcore的编程模式，sparksql也支持DSL（Domain Specified Language，领域专用语言，或者特定领域语言），即通过DataFrame和Dataset来支持类似RDD的编程。

DataFrame和Dataset是SparkSQL中的编程模型。DataFrame和Dataset我们都可以理解为是一张mysql中的二维表，表有什么？表头，表名，字段，字段类型。RDD其实说白了也是一张二维表，但是这张二维表相比较于DataFrame和Dataset却少了很多东西，比如表头，表名，字段，字段类型，只有数据。

Dataset是在spark1.6.2开始出现的api，DataFrame是1.3的时候出现的，早期的时候DataFrame叫SchemaRDD，SchemaRDD和SparkCore中的RDD相比较，就多了Schema，所谓约束信息，元数据信息。

一般的，将RDD称之为Spark体系中的第一代编程模型；DataFrame比RDD多了一个Schema元数据信息，被称之为Spark体系中的第二代编程模型；Dataset吸收了RDD的优点(强类型推断和强大的函数式编程)和DataFrame中的优化(SQL优化引擎，内存列存储)，成为Spark的最新一代的编程模型。

RDD V.S. DataFrame V.S. Dataset

RDD

弹性分布式数据集，是Spark对数据进行的一种抽象，可以理解为Spark对数据的一种组织方式，更简单些说，RDD就是一种数据结构，里面包含了数据和操作数据的方法。从字面上就能看出的几个特点：

1)弹性：数据可完全放内存或完全放磁盘，也可部分存放在内存，部分存放在磁盘，并可以自动切换。RDD出错后可自动重新计算（通过血缘自动容错）。可checkpoint（设置检查点，用于容错），可persist或cache（缓存），里面的数据是分片的（也叫分区，partition），分片的大小可自由设置和细粒度调整。

2)分布式：RDD中的数据可存放在多个节点上。

3)数据集：即数据的集合，相对于DataFrame和Dataset，RDD是Spark最底层的抽象，目前是开发者用的最多的，但逐步会转向DataFrame和Dataset（当然，这是Spark的发展趋势）调整。

DataFrame

理解了RDD，DataFrame就容易理解些，DataFrame的思想来源于Python的pandas库，RDD是一个数据集，DataFrame在RDD的基础上加了Schema（描述数据的信息，可以认为是元数据，DataFrame曾经就有个名字叫SchemaRDD）。

假设RDD中的两行数据长这样，如图-5所示。

图-5 rdd数据

那么DataFrame中的数据长这样，如图-6所示。

图-6 dataframe数据

从上面两个图可以看出，DataFrame比RDD多了一个表头信息（Schema），像一张表了，DataFrame还配套了新的操作数据的方法，DataFrame API（如df.select())和SQL(select id, name from xx_table where ...)。

有了DataFrame这个高一层的抽象后，我们处理数据更加简单了，甚至可以用SQL来处理数据了，对开发者来说，易用性有了很大的提升。

不仅如此，通过DataFrame API或SQL处理数据，会自动经过Spark 优化器（Catalyst）的优化，即使你写的程序或SQL不高效，也可以运行的很快。

Dataset:相对于RDD，Dataset提供了强类型支持，也是在RDD的每行数据加了类型约束，下图-7是官网对于dataset的表述。

图-7 dataset

假设RDD中的两行数据如同-5所示，那么Dataset中的数据长这样，如图-8所示。

图-8 dataset数据

或者也可以如图-9所示，其中每行数据是个Object。

图-9 dataset数据

使用Dataset API的程序，会经过Spark SQL的优化器进行优化（优化器叫什么还记得吗？）

目前仅支持Scala、Java API，尚未提供Python的API（所以一定要学习Scala），相比DataFrame，Dataset提供了编译时类型检查，对于分布式程序来讲，提交一次作业太费劲了（要编译、打包、上传、运行），到提交到集群运行时才发现错误，实在是不方便，这也是引入Dataset的一个重要原因。

使用DataFrame的代码中json文件中并没有score字段，但是能编译通过，但是运行时会报异常！如图-10代码所示。

图-10 dataframe编码

而使用Dataset实现，会在IDE中就报错，出错提前到了编译之前，如下图-11所示。

图-11 dataset编码

SparkSession

在SparkSQL中的编程模型，不再是SparkContext，但是创建需要依赖SparkContext。SparkSQL中的编程模型，在spark2.0以前的版本中为SQLContext和HiveContext，HiveContext是SQLContext的一个子类，提供Hive中特有的一些功能，比如row_number开窗函数等等，这是SQLContext所不具备的，在Spark2.0之后将这两个进行了合并——SparkSession。SparkSession的构建需要依赖SparkConf或者SparkContext。使用工厂构建器(Builder方式)模式创建SparkSession。

SparkSQL基本编程

SparkSQL编程初体验

1)SparkSession的构建：

val spark = SparkSession.builder().appName("SparkSQLOps").master("local[*]")//.enableHiveSupport()//支持hive的相关操作.getOrCreate()

2)基本编程：

object SparkSQLOps {def main(args: Array[String]): Unit = {val spark = SparkSession.builder().appName("SparkSQLOps").master("local[*]")//.enableHiveSupport()//支持hive的相关操作.getOrCreate()//加载数据val pdf:DataFrame = spark.read.json("file:///E:/data/spark/sql/people.json")//二维表结构pdf.printSchema()//数据内容 select * from tblpdf.show()//具体的查询 select name, age from tblpdf.select("name", "age").show()//导入sparksession中的隐式转换操作，增强sql的功能import spark.implicits._pdf.select($"name",$"age").show()//列的运算，给每个人的年龄+10 select name, age+10,height-1 from tblpdf.select($"name",$"height" - 1, new Column("age").+(10)).show()//起别名select name, age+10 as age,height-1  as height from tblpdf.select($"name",($"height" -1).as("height")).show()//做聚合统计 统计不同年龄的人数select age, count(1) counts from tbl group by agepdf.select($"age").groupBy($"age").count().show()//条件查询 获取年龄超过18的用户//pdf.select("name", "age", "height").where($"age".>(18)).show()pdf.select("name", "age", "height").where("age > 18").show()//sql风格//pdf.registerTempTable()//在spark2.0之后处于维护状态，使用createOrReplaceTempView/*从使用范围上说，分为global和非globalglobal是当前SparkApplication中可用，非global只在当前SparkSession中可用从创建的角度上说，分为createOrReplace和不ReplacecreateOrReplace会覆盖之前的数据create不Replace，如果视图存在，会报错*/pdf.createOrReplaceTempView("people")spark.sql("""|select| age,| count(1) as countz|from people|group by age""".stripMargin).showspark.stop()}}

SparkSQL编程模型的操作

DataFrame的构建方式

在Spark SQL中SparkSession是创建DataFrames和执行SQL的入口，创建DataFrames有三种方式，一种是可以从一个存在的RDD进行转换，还可以从Hive Table进行查询返回，或者通过Spark的数据源进行创建。

从Spark数据源进行创建：

package chapter1
import org.apache.spark.SparkContext
import org.apache.spark.sql.{DataFrame, SparkSession}
object Create_DataFrame {def main(args: Array[String]): Unit = {//创建程序入口val spark = SparkSession.builder().appName("createDF").master("local[*]").getOrCreate()//调用sparkContextval sc: SparkContext = spark.sparkContext//设置控制台日志输出级别sc.setLogLevel("WARN")//从数据源创建DataFrameval personDF = spark.read.json("resources/people.json")//展示数据personDF.show()}
}

从RDD进行转换：

import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, SparkSession}
object Create_DataFrame1 {def main(args: Array[String]): Unit = {//创建程序入口val spark= SparkSession.builder().appName("createDF").master("local[*]").getOrCreate()//调用sparkContextval sc: SparkContext = spark.sparkContext//设置控制台日志输出级别sc.setLogLevel("WARN")//导包import spark.implicits._//加载数据val file: RDD[String] = sc.textFile("E:\\资料\\data\\person.txt")//按照分隔符进行切分val spliFile: RDD[Array[String]] = file.map(line=>line.split(" "))//指定字段类型val personRDD: RDD[(Int, String, Int)] = spliFile.map(line=>(line(0).toInt,line(1),line(2).toInt))//调用toDF方法指定列名val personDF: DataFrame = personRDD.toDF("id","name","age")//展示数据personDF.show()//释放资源spark.stop()sc.stop()}
}

通过反射创建DataFrame：

import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
case class person(id:Int,name:String,age:Int)
object createDataFrame2 {def main(args: Array[String]): Unit = {//创建程序入口val spark = SparkSession.builder().appName("createDF").master("local[*]").getOrCreate()//调用sparkContextval sc: SparkContext = spark.sparkContext//设置控制台日志输出级别sc.setLogLevel("WARN")//导包import spark.implicits._//加载数据val file: RDD[String] = sc.textFile("E:\\资料\\data\\person.txt")//按照分隔符进行切分val spliFile: RDD[Array[String]] = file.map(line=>line.split(" "))//指定字段类型val personRDD: RDD[person] = spliFile.map(line=>person(line(0).toInt,line(1),line(2).toInt))//调用toDF方法指定列名val personDF: DataFrame = personRDD.toDF()//展示数据personDF.show()//释放资源spark.stop()sc.stop()}
}

动态编程：

/*使用动态编程的方式构建DataFrameRow-->行，就代表了二维表中的一行记录，jdbc中的resultset，就是java中的一个对象*/val row:RDD[Row] = spark.sparkContext.parallelize(List(Row(1, "李伟", 1, 180.0),Row(2, "汪松伟", 2, 179.0),Row(3, "常洪浩", 1, 183.0),Row(4, "麻宁娜", 0, 168.0)))//表对应的元数据信息val schema = StructType(List(StructField("id", DataTypes.IntegerType, false),StructField("name", DataTypes.StringType, false),StructField("gender", DataTypes.IntegerType, false),StructField("height", DataTypes.DoubleType, false)))val df = spark.createDataFrame(row, schema)df.printSchema()df.show()

说明，这里学习三个新的类：

1)Row：代表的是二维表中的一行记录，或者就是一个Java对象。

2)StructType：是该二维表的元数据信息，是StructField的集合。

3)StructField：是该二维表中某一个字段/列的元数据信息（主要包括，列名，类型，是否可以为null）。

Dataset的构建方式

Dataset是DataFrame的升级版，创建方式和DataFrame类似，但有不同。

//dataset的构建object SparkSQLDatasetOps {def main(args: Array[String]): Unit = {val spark = SparkSession.builder().appName("SparkSQLDataset").master("local[*]").getOrCreate()//dataset的数据集val list = List(new Student(1, "王盛芃", 1, 19),new Student(2, "李金宝", 1, 49),new Student(3, "张海波", 1, 39),new Student(4, "张文悦", 0, 29))import spark.implicits._val ds = spark.createDataset[Student](list)ds.printSchema()ds.show()spark.stop()}}case class Student(id:Int, name:String, gender:Int, age:Int)

在编码中需要注意的是，如果导入spark.implicits隐式转换或者数据类型不是case class，便会出现如图-12所示的bug。

图-12 dataset编码注意的问题

在创建Dataset的时候，需要注意数据的格式，必须使用case class，或者基本数据类型，同时需要通过import spark.implicts._来完成数据类型的编码，而抽取出对应的元数据信息，否则编译无法通过。

RDD和DataFrame以及DataSet的互相转换

RDD→DataFrame：

def beanRDD2DataFrame(spark:SparkSession): Unit = {val stuRDD:RDD[Student] = spark.sparkContext.parallelize(List(new Student(1, "王盛芃", 1, 19),new Student(2, "李金宝", 1, 49),new Student(3, "张海波", 1, 39),new Student(4, "张文悦", 0, 29)))val sdf =spark.createDataFrame(stuRDD, classOf[Student])sdf.printSchema()sdf.show()}

RDD→Dataset：

Def rdd2Dataset(spark:SparkSession): Unit = {val stuRDD = spark.sparkContext.parallelize(List(Student(1, "王盛芃", 1, 19),Student(2, "李金宝", 1, 49),Student(3, "张海波", 1, 39),Student(4, "张文悦", 0, 29)))import spark.implicits._val ds:Dataset[Student] = spark.createDataset[Student](stuRDD)ds.show()}case class Student(id:Int, name:String, gender:Int, age:Int)

RDD转换为DataFrame和Dataset的时候可以有更加简单的方式，如下：

import spark.implicits._rdd.toDF()rdd.toDS()DataFrame→RDD：val rdd:RDD[Row] = df.rddrdd.foreach(row => {val id = row.getInt(0)val name = row.getString(1)val gender = row.getInt(2)val height = row.getAs[Double]("height")println(s"id=${id},name=$name,gender=$gender,height=$height")})

Dataset→RDD：

val stuDS: Dataset[Student] = list2Dataset(spark)val stuRDD:RDD[Student] = stuDS.rddstuRDD.foreach(println)Dataset→DataFrame：val stuDS: Dataset[Student] = list2Dataset(spark)      //dataset --->dataframeval df:DataFrame = stuDS.toDF()df.show()

DataFrame→Dataset：无法直接将DataFrame转化为Dataset，需要通过as方法添加泛型。