设置共享存储文件路径：

 sc.setCheckpointDir("hdfs://hadoop01:9000/checkpoint0727")

所以一般我们先进行cache然后做checkpoint就会只走一次流程,checkpoint的时候就会从刚cache到内存中取数据写入hdfs中,如下:

  rdd.cache()
  rdd.checkpoint()
  rdd.count

RDD和它依赖的父RDD（s）的关系有两种不同的类型，即窄依赖（narrow dependency）和宽依赖（wide dependency）;

窄依赖： 父RDD把资源只给1个子RDD;

宽依赖： 父RDD把资源给多个子RDD;

大数据之SparkSQL_spark

DAG的生成

DAG叫做有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完成计算。对于宽依赖，由于有Shuffle的存在，只能在parent RDD处理完成后，才能开始接下来的计算，因此宽依赖是划分Stage的依据；

大数据之SparkSQL_spark_02

一、SparkSQL

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叫做DataFrame，并且作为分布式SQL查询引擎的作用。

它可以将Spark SQL转换成RDD，然后提交到集群执行，执行效率非常快！

二、DataFrames

与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。与Hive类似，DataFrame也支持嵌套数据类型（struct、array和map）。从API易用性的角度上 看，DataFrame API提供的是一套高层的关系操作，比函数式的RDD API要更加友好，门槛更低。

Shell中创建DataFrames

SQLContext是创建DataFrames和执行SQL的入口，在spark-1.5.2中已经内置了一个sqlContext；

1.在本地创建一个文件，有三列，分别是id、name、age，用空格分隔，然后上传到hdfs上
hdfs dfs -put person.txt

2.在spark shell执行下面命令，读取数据，将每一行的数据使用列分隔符分割
val lineRDD = sc.textFile("hdfs://node1.itcast.cn:9000/person.txt").map(_.split(" "))

3.定义case class（相当于表的schema）
case class Person(id:Int, name:String, age:Int)

4.将RDD和case class关联
val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))

5.将RDD转换成DataFrame
val personDF = personRDD.toDF

6.对DataFrame进行处理
personDF.show

DataFrame常用操作

1、DSL风格语法

//查看DataFrame中的内容
personDF.show

//查看DataFrame部分列中的内容
personDF.select("name").show

//打印DataFrame的Schema信息
personDF.printSchema

//查询所有的name和age，并将age+1
personDF.select(col("id"), col("name"), col("age") + 1).show

//过滤age大于等于18的
personDF.filter(col("age") >= 18).show

//按年龄进行分组并统计相同年龄的人数
personDF.groupBy("age").count().show()

2、SQL风格语法

如果想使用SQL风格的语法，需要将DataFrame注册成表
personDF.registerTempTable("t_person")

//查询年龄最大的前两名
sqlContext.sql("select * from t_person order by age desc limit 2").show

//显示表的Schema信息
sqlContext.sql("desc t_person").show

使用编程方式执行Spark SQL

方式一：通过反射推断Schema

package cn.itcast.spark.sql
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SQLContext

object SQLDemo{

    def main(args: Array[String]) {

      //创建SparkConf()并设置App名称
      val conf = new SparkConf().setAppName("SQLDemo")
      //SQLContext要依赖SparkContext
      val sc = new SparkContext(conf)
      //创建SQLContext
      val sqlContext = new SQLContext(sc)

      //从指定的地址创建RDD
      val lineRDD = sc.textFile(args(0)).map(_.split(" "))

      //创建case class
      //将RDD和case class关联
      val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
      //导入隐式转换，如果不到人无法将RDD转换成DataFrame
      //将RDD转换成DataFrame
      import sqlContext.implicits._
      val personDF = personRDD.toDF
      //注册表
      personDF.registerTempTable("t_person")
      //传入SQL
      val df = sqlContext.sql("select * from t_person order by age desc limit 2")
      //将结果以JSON的方式存储到指定位置
      df.write.json(args(1))
      //停止Spark Context
      sc.stop()
    }
}
  //case class一定要放到外面
  case class Person(id: Int, name: String, age: Int)

方式二：通过StructType直接指定Schema

package cn.itcast.spark.sql
import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.sql.types._
import org.apache.spark.{SparkContext, SparkConf}

  /**
    * Created by ZX on 2015/12/11.
    */
  object SpecifyingSchema {

    def main(args: Array[String]) {
      //创建SparkConf()并设置App名称
      val conf = new SparkConf().setAppName("SQL-2")
      //SQLContext要依赖SparkContext
      val sc = new SparkContext(conf)
      //创建SQLContext
      val sqlContext = new SQLContext(sc)
      //从指定的地址创建RDD
      val personRDD = sc.textFile(args(0)).map(_.split(" "))
      //通过StructType直接指定每个字段的schema
      val schema = StructType(
        List(
          StructField("id", IntegerType, true),
          StructField("name", StringType, true),
          StructField("age", IntegerType, true)
        )
      )
      //将RDD映射到rowRDD
      val rowRDD = personRDD.map(p => Row(p(0).toInt, p(1).trim, p(2).toInt))
      //将schema信息应用到rowRDD上
      val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)
      //注册表
      personDataFrame.registerTempTable("t_person")
      //执行SQL
      val df = sqlContext.sql("select * from t_person order by age desc limit 4")
      //将结果以JSON的方式存储到指定位置
      df.write.json(args(1))
      //停止Spark Context
      sc.stop()
    }
}

方式三：将数据写入到MySQL中

package cn.itcast.spark.sql
import java.util.Properties
import org.apache.spark.sql.{SQLContext, Row}
import org.apache.spark.sql.types.{StringType, IntegerType, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}

object JdbcRDD {

    def main(args: Array[String]) {

      val conf = new SparkConf().setAppName("MySQL-Demo")
      val sc = new SparkContext(conf)
      val sqlContext = new SQLContext(sc)
      //通过并行化创建RDD
      val personRDD = sc.parallelize(Array("1 tom 5", "2 jerry 3", "3 kitty 6")).map(_.split(" "))
      //通过StructType直接指定每个字段的schema
      val schema = StructType(
        List(
          StructField("id", IntegerType, true),
          StructField("name", StringType, true),
          StructField("age", IntegerType, true)
        )
      )
      //将RDD映射到rowRDD
      val rowRDD = personRDD.map(p => Row(p(0).toInt, p(1).trim, p(2).toInt))
      //将schema信息应用到rowRDD上
      val personDataFrame = sqlContext.createDataFrame(rowRDD, schema)
      //创建Properties存储数据库相关属性
      val prop = new Properties()
      prop.put("user", "root")
      prop.put("password", "123456")
      //将数据追加到数据库
      personDataFrame.write.mode("append").jdbc("jdbc:mysql://192.168.10.1:3306/bigdata", "bigdata.person", prop)
      //停止SparkContext
      sc.stop()
    }
}

三、Spark+Hive

1、安装hive

2、将配置好的hive-site.xml放入$SPARK-HOME/conf目录下

3、启动spark-sql

bin/spark-sql --master spark://hadoop01:7077 --driver-class-path /usr/local/spark-1.3.1-bin-hadoop2.4/lib/mysql-connector-java-5.1.35-bin.jar

4、写sql语句

大数据之SparkSQL_sql_03

四、编译Spark

CentOS6.7-64bit编译spark-1.3.1

cd spark-1.3.1

export MAVEN_OPTS="-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m"

mvn clean package -Phadoop-2.6 -Dhadoop.version=2.6.4 -Phive -Phive-thriftserver -Pyarn -DskipTests

./make-distribution.sh --tgz -Phadoop-2.6 -Dhadoop.version=2.6.4 -Phive -Phive-thriftserver -Pyarn -DskipTests

CentOS6.7-64bit编译spark-1.6.1

tar -zxvf spark-1.6.1.tgz -C /usr/local/src/
cd /usr/local/src/spark-1.6.1/

#设置内存2G
export MAVEN_OPTS="-Xmx2g -XX:MaxPermSize=512M -XX:ReservedCodeCacheSize=512m"

#编译前安装一些压缩解压缩工具
yum install -y snappy snappy-devel bzip2 bzip2-devel lzo lzo-devel lzop openssl openssl-devel

#仅仅是为了编译源码, 编译后可以导入idea中
mvn clean package -Phadoop-2.6 -Dhadoop.version=2.6.4 -Phive -Phive-thriftserver -Pyarn -DskipTests

#编译后并打包, 打包后可以丢到生产环境了
./make-distribution.sh --tgz -Phadoop-2.6 -Dhadoop.version=2.6.4 -Phive -Phive-thriftserver -Pyarn -DskipTests

五、远程调试Spark

1、调试master

在Master端的spark-env.sh文件中添加如下参数

export SPARK_MASTER_OPTS="-Xdebug -Xrunjdwp:transport=dt_socket,server=y,suspend=y,address=10000"

start-master.sh

执行完这个脚本

jps

4828 – main class information unavailable

4860 Jps

通过一个IDEA 建立一个remote application

172.16.0.11 10000

在本地的代码打断点

debug按钮开始调试

2、调试worker

在Worker所在的配置文件中添加一个环境变量

export SPARK_WORKER_OPTS="-Xdebug -Xrunjdwp:transport=dt_socket,server=y,suspend=y,address=10001"

start-slave.sh spark://node-1.itcast.cn:7077

执行jps命令

2891 – main class information unavailable

2923 Jps

用一个IDEA工具连接 建立一个remote application

172.16.0.12 10001

在本地的代码打断点

debug按钮开始调试

更多java、大数据学习面试资料，请扫码关注我的公众号：

大数据之SparkSQL_hive_04