文章目录
- SparkSQL和集成数据源-及简单优化:
- SparkSQL优化器--Catalyst Optimizer
- 具体流程:
- Spark SQL API :
- 具体优化流程:
- 原流程:
- 优化流程:
- DataSet与DataFrame操作
- Spark SQL操作外部数据源
- Parquet文件:
- Hive数据源集成:
- Mysql数据源集成:
- Spark函数UDF使用:
- Spark性能优化
- 一:序列化:
- 二:使用对象数组
- 三:避免嵌套结构
- 四:尽量使用数字作为Key,而非字符串
- 五:以较大的RDD使用MEMORY_ONLY_SER
- 六:加载CSV、JSON时,仅加载所需字段
- 七:仅在需要时持久化中间结果(RDD/DS/DF)
- 八:避免不必要的中间结果(RDD/DS/DF)的生成
- 九:DF的执行速度比DS快约3倍
SparkSQL和集成数据源-及简单优化:
SparkSQL优化器–Catalyst Optimizer
Catalyst是Spark SQL的核心
Catalyst Optimizer:Catalyst优化器,将逻辑计划转为物理计划
具体流程:
- 代码转化为逻辑计划
- 优化
- 在投影上面查询过滤器
- 检查过滤是否可下压
- 转化为物理计划
Spark SQL API :
- SparkContext
- SQLContext
- Spark SQL编程入口
- HiveContext
- SQLContext的子集,包含更多功能
- SparkSession
具体优化流程:
原流程:
select name from
(
select id,name from people
) p
where p.id = 1
- 先运行子查询
- 开始scan people
- 选择字段id,name
- 运行where,filter掉id字段
- 选择字段name
优化流程:
- 在投影(select)上面查询过滤器
- 检查过滤是否可下压
- 先运行子查询
- 开始scan people
- 运行where,filter掉id字段
- 选择字段name
DataSet与DataFrame操作
- DataSet = RDD + Schema
- 特定域对象中的强类型集合
**createDataset()**的参数可以是:Seq、Array、RDD
case class Point(label:String,x:Double,y:Double)
case class Category(id:Long,name:String)
val pointsRDD=sc.parallelize(List(("bar",3.0,5.6),("foo",-1.0,3.0)))
val categoriesRDD=sc.parallelize(List((1,"foo"),(2,"bar")))
val points=pointsRDD.map(line=>Point(line._1,line._2,line._3)).toDS
val categories=categories.map(line=>Category(line._1,line._2)).toDS
points.join(categories,points("label")===categories("name")).show
- DataFrame = DataSet[Row]
- 类似二维表格
- 在RDD基础上加入了Schema数据结构信息
- DataFrame Schema支持嵌套数据类型
- struct
- map
- array
Spark SQL操作外部数据源
Parquet文件:
是一种流行的列式存储格式,以二进制存储,文件中包含数据与元数据
- 写parquet文件
val schema=StructType(Array(StructField("name",StringType),
StructField("favorite_color",StringType),
StructField("favorite_numbers",ArrayType(IntegerType))))
val rdd=sc.parallelize(List(("Alyssa",null,Array(3,9,15,20)),("Ben","red",null)))
val rowRDD=rdd.map(p=>Row(p._1,p._2,p._3))
val df=spark.createDataFrame(rowRDD,schema)
df.write.parquet("/data/users") //在该目录下生成parquet文件
- 读parquet文件
val df=spark.read.parquet("/data/users") //该目录下存在parquet文件
df.show
df.printSchema
Hive数据源集成:
- Hive在idea配置:
1、hive-site.xml,core-site.xml
hdfs-site.xml拷贝至resource包下2、导porn.xml依赖包
3、自行创建SparkSession,启用Hive支持
<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-hive -->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.11</artifactId>
<version>2.3.4</version>
</dependency>
val spark = SparkSession.builder()
.appName("wyw")
.master("local[*]")
.enableHiveSupport()
.getOrCreate()
Mysql数据源集成:
$spark-shell --jars /opt/spark/ext_jars/mysql-connector-java-5.1.38.jar
val url = "jdbc:mysql://localhost:3306/metastore"
val tableName = "TBLS"
// 设置连接用户、密码、数据库驱动类
val prop = new java.util.Properties
prop.setProperty("user","hive")
prop.setProperty("password","mypassword")
prop.setProperty("driver","com.mysql.jdbc.Driver")
// 取得该表数据
val jdbcDF = spark.read.jdbc(url,tableName,prop)
jdbcDF.show
//DF存为新的表
jdbcDF.write.mode("append").jdbc(url,"t1",prop)
Spark函数UDF使用:
- SparkSession.udf.register():只在sql()中有效
import spark.implicits._
//注册自定义函数,注意是匿名函数
spark.udf.register("hobby_num", (s: String) => s.split(',').size)
spark.sql("select name, hobbies, hobby_num(hobbies) as hobby_num from hobbies").show
- functions.udf():对DataFrame API均有效
val scoreTransaction = udf{score: String => {
score.toInt match {
case x if x > 85 => "A"
case x if x > 70 => "B"
case x if x > 60 => "C"
case _ => "D"
}
}
Spark性能优化
一:序列化:
java序列化,spark默认方式
- kryo序列化,比java序列化快约10倍
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");
//向Kryo注册自定义类型
conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]));
如果没有注册需要序列化的class,Kyro依然可以照常工作,但会存储每个对象的全类名(full class name),这样往往比默认的 Java serialization 更浪费空间
二:使用对象数组
三:避免嵌套结构
四:尽量使用数字作为Key,而非字符串
五:以较大的RDD使用MEMORY_ONLY_SER
六:加载CSV、JSON时,仅加载所需字段
七:仅在需要时持久化中间结果(RDD/DS/DF)
八:避免不必要的中间结果(RDD/DS/DF)的生成
九:DF的执行速度比DS快约3倍