学习目录
- 一、基本概念
- 1.SparkSQL的概述
- 2.DataFrame
- 3.DataSet
- 二、RDD、DataFrame、DataSet 三者的关系
- 1.三者的共性
- 2.三者的区别
- 3.三者的互相转换
- 三、IDEA进行sparkSQL三种类型的转换
一、基本概念
1.SparkSQL的概述
SparkSQL:Spark SQL 是 Spark 用于结构化数据(structured data)处理的 Spark 模块。对于开发人员来讲,SparkSQL 可以简化 RDD 的开发,提高开发效率,且执行效率非常快,所以实际工作中,基本上采用的就是 SparkSQL。Spark SQL 为了简化 RDD 的开发,提高开发效率,提供了 2 个编程抽象,类似 Spark Core 中的 RDD,后面会提到
- DataFrame
- DataSet
SparkSQL的特点
- 易整合:无缝的整合了 SQL 查询和 Spark 编程
- 统一的数据访问:使用相同的方式连接不同的数据源
- 兼容 Hive:在已有的仓库上直接运行 SQL 或者 HiveQL
- 标准数据连接:通过 JDBC 或者 ODBC 来连接
2.DataFrame
DataFrame :在spark中 DataFrame 是一种以 RDD 为基础的分布式数据集,类似于传统数据库中的二维表格。DataFrame 与 RDD 的主要区别在于,前者带有 schema 元信息,即 DataFrame所表示的二维表数据集的每一列都带有名称和类型。这使得 Spark SQL 得以洞察更多的结构信息,从而对藏于 DataFrame 背后的数据源以及作用于 DataFrame 之上的变换进行了针对性的优化,最终达到大幅提升运行时效率的目标。反观 RDD,由于无从得知所存数据元素的具体内部结构,Spark Core 只能在 stage 层面进行简单、通用的流水线优化。
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。
上图更直观地体现了 DataFrame 和 RDD 的区别。
3.DataSet
DataSet 是分布式数据集合。DataSet 是 Spark 1.6 中添加的一个新抽象,是 DataFrame的一个扩展。DataSet 是具有强类型的数据集合,需要提供对应的数据类型。它提供了 RDD 的优势(强类型,使用强大的 lambda 函数的能力)以及Spark SQL 优化执行引擎的优点。DataSet 也可以使用功能性的转换(操作 map,flatMap,filter等等)
- DataSet 是 DataFrame API 的一个扩展,是 SparkSQL 最新的数据抽象
- 用户友好的 API 风格,既具有类型安全检查也具有 DataFrame 的查询优化特性
- 用样例类来对 DataSet 中定义数据的结构信息,样例类中每个属性的名称直接映射到DataSet 中的字段名称
- DataSet 是强类型的。比如可以有 DataSet[Car],DataSet[Person]
- DataFrame 是 DataSet 的特列,DataFrame=DataSet[Row] ,所以可以通过 as 方法将DataFrame 转换为 DataSet。Row 是一个类型,跟 Car、Person 这些的类型一样,所有的表结构信息都用 Row 来表示。获取数据时需要指定顺序
二、RDD、DataFrame、DataSet 三者的关系
在 SparkSQL 中 Spark 为我们提供了两个新的抽象,分别是 DataFrame 和 DataSet。他们和 RDD 有什么区别呢?首先从版本的产生上来看:
- Spark1.0 => RDD
- Spark1.3 => DataFrame
- Spark1.6 => Dataset
如果同样的数据都给到这三个数据结构,他们分别计算之后,都会给出相同的结果。不同是的他们的执行效率和执行方式。在后期的 Spark 版本中,DataSet 有可能会逐步取代 RDD和 DataFrame 成为唯一的 API 接口。
1.三者的共性
- RDD、DataFrame、DataSet 全都是 spark 平台下的分布式弹性数据集,为处理超大型数据提供便利
- 三者都有惰性机制,在进行创建、转换,如 map 方法时,不会立即执行,只有在遇到Action 如 foreach 时,三者才会开始遍历运算
- 三者有许多共同的函数,如 filter,排序等
- 在对 DataFrame 和 Dataset 进行操作许多操作都需要这个包:import spark.implicits._(在创建好 SparkSession 对象后尽量直接导入)
- 三者都会根据 Spark 的内存情况自动缓存运算,这样即使数据量很大,也不用担心会内存溢出
- 三者都有 partition 的概念
- DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型
2.三者的区别
(1)RDD
- RDD 一般和 spark mllib 同时使用
- RDD 不支持 sparksql 操作
(2)DataFrame
- 与 RDD 和 Dataset 不同,DataFrame 每一行的类型固定为 Row,每一列的值没法直接访问,只有通过解析才能获取各个字段的值
- DataFrame 与 DataSet 一般不与 spark mllib 同时使用
- DataFrame 与 DataSet 均支持 SparkSQL 的操作,比如 select,groupby 之类,还能注册临时表/视窗,进行 sql 语句操作
- DataFrame 与 DataSet 支持一些特别方便的保存方式,比如保存成 csv,可以带上表头,这样每一列的字段名一目了然
(3)DataSet
- Dataset 和 DataFrame 拥有完全相同的成员函数,区别只是每一行的数据类型不同。DataFrame 其实就是DataSet 的一个特例 type DataFrame = Dataset[Row]
- DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row,不解析,每一行究竟有哪些字段,各个字段又是什么类型都无从得知,只能用上面提到的 getAS 方法或者共性中的第七条提到的模式匹配拿出特定字段。而Dataset 中,每一行是什么类型是不一定的,在自定义了case class 之后可以很自由的获得每一行的信息
3.三者的互相转换
案例说明:代码运行在spark的bin目录文件夹下的spark-shell.cmd中
(1)RDD 转换为 DataFrame
val rdd = sc.makeRDD( List((“zhangsan”,20),(“lisi”,30),(“wangwu”,40)) ) //创建RDD
val df = rdd.toDF( “name”,“age”) //给出数据结构
(2)DataFrame 转换为 RDD
df.rdd
(2)DataFrame 转换为 DataSet
case class People(name:String, age:Int) //需要创建一个样例类 确定结构名称
val ds = df.as[People] //df就转换为ds as表示:作为什么类型,给出什么数据类型
(3)DataSet 转换为 DataFrame
ds.toDF //又转换为DataFrame 类型去掉只留结构 又变成了DataFrame
(4)RDD 转换为 DataSet
case class People(name:String, age:Int) //需要创建一个样例类 确定结构名称
val rdd= sc.makeRDD( List(People(“zhangsan”,20),People(“lisi”,30),People(“wangwu”,40)) ) //里面数据是样例类,既有数据又有类型
val ds = rdd.toDS //转换为 DataSet
(5)DataSet转换为 RDD
ds.rdd
p161、p162
三、IDEA进行sparkSQL三种类型的转换
环境配置
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<parent>
<artifactId>Spark3.0</artifactId>
<groupId>org.example</groupId>
<version>1.0-SNAPSHOT</version>
</parent>
<modelVersion>4.0.0</modelVersion>
<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.12</artifactId>
<version>3.0.0</version>
</dependency>
</dependencies>
<artifactId>spark-core</artifactId>
</project>
案例代码
package com.bigdata.SparkSQL
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}
/**
* @author wangbo
* @version 1.0
*/
object Spark01_SparkSQL_basic {
def main(args: Array[String]): Unit = {
// TODO 创建SparkSQL的运行环境
val sparkConf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("sparkSQL")
val sparkSession: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
//在使用DataFrame时,如果涉及到转换操作,需要引入隐式转换规则
import sparkSession.implicits._
// TODO 执行逻辑操作
/*
DataFrame
*/
val df: DataFrame = sparkSession.read.json("datas/user.json")
//df.show()
//DataFrame SQL的方式
// df.createOrReplaceTempView("user")
// sparkSession.sql("select * from user").show()
//上面两行代码也可以写成如下形式,可以直接在文件上进行查询: 文件格式.`文件路径`
// sparkSession.sql("select * from json.'datas/user.json' ").show()
//DataFrame DSL的方式
// df.select("age","username").show()
// df.select($"age"+1).show()
// df.select('age+1).show()
/*
DataSet
*/
//DataFrame其实是特定泛型的DataSet
// val list = List(1, 2, 3, 4)
// val ds: Dataset[Int] = list.toDS()
// ds.show()
/*
RDD <=> DataFrame
*/
val rdd: RDD[(Int, String, Int)] = sparkSession.sparkContext.makeRDD(List((1, "zhangsan", 30), (2, "lisi", 40)))
val df1: DataFrame = rdd.toDF("id", "name", "age") //RDD => DataFrame
val rowRDD: RDD[Row] = df1.rdd //DataFrame => RDD
/*
DataSet <=> DataFrame
*/
val ds1: Dataset[User] = df1.as[User] //DataFrame => DataSet
val df2: DataFrame = ds1.toDF() //DataSet => DataFrame
/*
RDD <=> DataSet
*/
val ds2: Dataset[User] = rdd.map {
case (id, name, age) => {
User(id, name, age)
}
}.toDS() //RDD => DataSet
val userrRDD: RDD[User] = ds2.rdd //DataSet => RDD
// TODO 关闭环境
sparkSession.close()
}
//准备一个样例类
case class User(id:Int,name:String,age:Int)
}