1、Spark SQL
1.1、Spark SQL概述
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。
Hive它是将Hive SQL转换成MapReduce然后提交到集群上执行,大大简化了编写MapReduce的程序的复杂性,由于MapReduce这种计算模型执行效率比较慢。所有Spark SQL的应运而生,它是将Spark SQL转换成RDD,然后提交到集群执行,执行效率非常快!
官方文档:http://spark.apache.org/docs/latest/sql-getting-started.html
1.2、特点
1.2.1、集成
无缝地将SQL查询与Spark程序混合。
Spark SQL允许您使用SQL或熟悉的数据框架API在Spark程序中查询结构化数据。可用于Java、Scala、Python和R。
results = spark.sql(
"SELECT * FROM people")
names = results.map(lambda p: p.name)
Apply functions to results of SQL queries.
1.2.2、统一数据访问
以同样的方式连接到任何数据源。
DataFrames和SQL提供了访问各种数据源的通用方法,包括hive、avro、parquet、orc、json和jdbc。您甚至可以跨这些源连接数据。
spark.read.json("s3n://...")
.registerTempTable("json")
results = spark.sql(
"""SELECT *
FROM people
JOIN json ...""")
Query and join different data sources.
1.2.3、Hive集成
对现有仓库运行SQL或hiveql查询。
spark sql支持hiveql语法以及Hive SerDes和UDF,允许您访问现有的Hive仓库。
1.2.4、标准连接
通过JDBC或ODBC连接。
服务器模式为商务智能工具提供行业标准JDBC和ODBC连接。
2、什么是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。同时,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。由于与R和Pandas的DataFrame类似,Spark DataFrame很好地继承了传统单机数据分析的开发体验。
2.1、创建DataFrames
进入spark-shell
这里的Spark session对象(Spark2新增)是对Spark context对象的进一步封装。也就是说Spark session对象(spark)中的SparkContext就是Spark context对象(sc),从下面输出信息可以验证。
1.在本地创建一个person.txt文件,有三列,分别是id、name、age,用空格分隔。
1 张三 18
2 李四 25
3 王五 36
4 赵六 28
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("file:///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
2.2、DataFrame常用操作
2.2.1、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(personDF.col("name")).show
personDF.select(col("name"), col("age")).show
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
personDF.select(personDF("id"), personDF("name"), personDF("age") + 1).show
//过滤age大于等于20的
personDF.filter(col("age") >= 20).show
//按年龄进行分组并统计相同年龄的人数
personDF.groupBy("age").count().show()
2.2.2、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
spark.sql("select * from t_person order by age desc limit 2").show
//显示表的Schema信息
spark.sql("desc t_person").show
3、以编程方式执行Spark SQL查询
前面我们学习了如何在Spark Shell中使用SQL完成查询,现在我们来实现在自定义的程序中编写Spark SQL查询程序。首先在maven项目的pom.xml中添加Spark SQL的依赖。
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.12</artifactId>
<version>2.4.3</version>
</dependency>
3.1、通过反射推断Schema
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.SQLContext
object InferringSchema {
def main(args: Array[String]) {
//创建SparkConf()并设置App名称
val conf = new SparkConf().setAppName("SQL-1")
//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)
将程序打成jar包,上传到spark集群,提交Spark任务
/usr/local/spark-2.4.3-bin-hadoop2.7/bin/spark-submit \
--class com.learn.spark.sql.InferringSchema \
--master spark://node1.learn.com:7077 \
/root/spark-mvn-1.0-SNAPSHOT.jar \
hdfs://node1.learn.com:9000/person.txt \
hdfs://node1.learn.com:9000/out
查看运行结果
hdfs dfs -cat hdfs://node1.learn.com:9000/out/part-r-*
3.2、通过StructType直接指定Schema
import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.sql.types._
import org.apache.spark.{SparkContext, SparkConf}
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()
}
}
将程序打成jar包,上传到spark集群,提交Spark任务
/usr/local/spark-2.4.3-bin-hadoop2.7/bin/spark-submit \
--class com.learn.spark.sql.InferringSchema \
--master spark://node1.learn.com:7077 \
/root/spark-mvn-1.0-SNAPSHOT.jar \
hdfs://node1.learn.com:9000/person.txt \
hdfs://node1.learn.com:9000/out1
查看结果
hdfs dfs -cat hdfs://node1.learn.com:9000/out1/part-r-*
4、数据源
Spark SQL可以通过JDBC从关系型数据库中读取数据的方式创建DataFrame,通过对DataFrame一系列的计算后,还可以将数据再写回关系型数据库中。
4.1、从MySQL中加载数据(Spark Shell方式)
1.启动Spark Shell,必须指定mysql连接驱动jar包
/usr/local/spark-2.4.3-bin-hadoop2.7/bin/spark-shell \
--master spark://node1.learn.com:7077 \
--jars /usr/local/spark-2.4.3-bin-hadoop2.7/mysql-connector-java-5.1.35-bin.jar \
--driver-class-path /usr/local/spark-2.4.3-bin-hadoop2.7/mysql-connector-java-5.1.35-bin.jar
2.从mysql中加载数据
val jdbcDF = sqlContext.read.format("jdbc").options(Map("url" -> "jdbc:mysql://192.168.10.1:3306/bigdata", "driver" -> "com.mysql.jdbc.Driver", "dbtable" -> "person", "user" -> "root", "password" -> "123456")).load()
3.执行查询
jdbcDF.show()
4.2、将数据写入到MySQL中(打jar包方式)
1.编写Spark SQL程序
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()
}
}
2.用maven将程序打包
3.将Jar包提交到spark集群
/usr/local/spark-2.4.3-bin-hadoop2.7/bin/spark-submit \
--class com.learn.spark.sql.JdbcRDD \
--master spark://node1.learn.com:7077 \
--jars /usr/local/spark-2.4.3-bin-hadoop2.7/mysql-connector-java-5.1.35-bin.jar \
--driver-class-path /usr/local/spark-2.4.3-bin-hadoop2.7/mysql-connector-java-5.1.35-bin.jar \
/root/spark-mvn-1.0-SNAPSHOT.jar