1.Spark SQL是Spark的一个模块,用于处理海量结构化数据
限定:结构化数据处理
RDD的数据开发中,结构化,非结构化,半结构化数据都能处理。
2.为什么要学习SparkSQL
SparkSQL是非常成熟的海量结构化数据处理框架。
学习SparkSQL主要在2个点:
a.SparkSQL本身十分优秀,支持SQL语言\性能强\可以自动优化\API兼容\兼容HIVE等
b.企业大面积在使用SparkSQL处理业务数据:离线开发,数仓搭建,科学计算,数据分析
3.SparkSQL的特点
a.融合性:SQL可以无缝的集成在代码中,随时用SQL处理数据
b.统一数据访问:一套标准的API可以读写不同的数据源
c.Hive兼容:可以使用SparkSQL直接计算并生成Hive数据表
d.标准化连接:支持标准化JDBC\ODBC连接,方便和各种数据库进行数据交互
4.SparkSQL和Hive的异同点
Hive和SparkSQL都是分布式SQL计算引擎,用于处理大规模结构化数据的。并且Hive和SparkSQL都可以运行在YARN之上。
不同点:
SparkSQL是内存计算,底层运行基于SparkRDD。Hive是基于磁盘迭代的,底层运行基于MapReduce。
SparkSQL不支持元数据管理。Hive有元数据管理服务(Metastore服务)
SparkSQL支持SQL和代码的混合执行。Hive仅能以SQL开发。
5.SparkSQL的数据抽象用的是什么
DataFrame:一个分布式的内部以二维表数据结构存储的数据集合。
6.RDD和DataFrame两种数据抽象的区别:
还有就是DataFrame存储数据时,是类似于mysql数据库一样的形式,按照二维表格存储。DataFrame是严格的按照SQL格式的格式来存储数据,所以DataFrame就更适合处理SQL数据
而RDD是按照数组对象的形式存储。RDD存储数据很随意,很多数据结构的数据都能存储。
7.SparkSession对象
在Spark的RDD阶段中,程序的执行入口是SparkContext对象。
在Spark 2.0之后,推出了SparkSession对象,来作为Spark编码的统一入口对象。
SparkSession对象可以:
a.用于SparkSQL编程作为入口对象
b.用于SparkCore编程,通过SparkSession对象中获取到SparkContext
8.总结
1)SparkSQL和Hive都是用在大规模SQL分布式计算的计算框架,均可以运行在YARN上,在企业中被广泛应用。
2)SparkSQL的数据抽象为:SchemaRDD(废弃),DataFrame(Python,R,Java,Scala),DataSet(Java,Scala)
3)DataFrame同样是分布式数据集,有分区可以并行计算,和RDD不同的是,DataFrame中存储的数据结构是以表格形式组织的,方便进行SQL运算。
4)DataFrame对比DataSet基本相同,不同的是DataSet支持泛型特性,可以让Java,Scala语言更好的利用到。
5)SparkSession是2.0之后推出的新的执行环境的入口对象,可以用于RDD,SQL等编程。
9.DataFrame的组成
二维表结构
在结构层面:structType对象描述整个DataFrame的表结构;structField对象描述一个列的信息。
在数据层面:Row对象记录一行数据;Column对象记录一列数据并包含列的信息。
10.DataFrame的创建
1)基于RDD的方式1
DataFrame对象可以从RDD转换而来,都是分布式数据集合,其实就转换一下内部存储的结构,转换为二维表的结构。
通过SparkSession对象的createDataFrame方法来将RDD转换为DataFrame,这里只传入列名称,类型从RDD中进行推断,是否允许为空默认为允许(True)
2)基于RDD的方式2
通过StructType对象来定义DataFrame的“表结构”转换RDD
3)基于RDD的方式3
使用RDD的toDF方法转换为RDD
4)基于Pandas的DataFrame
将Pandas的DataFrame对象,转变为分布式的SparkSQL DataFrame对象。
11.DataFrame支持两种风格进行编程:
1)DSL风格:称之为领域特定语言,其实就是指DataFrame特有的API,DSL风格就是以调用API的方式来处理Data。比如:df.where().limit()
2)SQL语法功能:就是使用SQL语句处理DataFrame的数据。比如:spark.sql("select * from xxx")
11.总结
1)DataFrame在结构层面上由StructField组成描述,由StructType构造表描述。在数据层面上,Column对象记录列数据,Row对象记录行数据。
2)DataFrame可以从RDD转换,Pandas DF转换,读取文件,读取JDBC等方法构建。
3)spark.read.format()和df.write.format()是DataFrame读取和写出的统一化标准API
4)SparkSQL默认在shuffle(洗牌,理解为数据的整合)阶段200个分区,可以修改参数获得最好性能。
5)dropDuplicates可以去重,dropna可以删除缺失值,fillna可以填充缺失值
6)SparkSQL支持JDBC读写,可以用标准API对数据库进行读写操作。
12.SparkSQL定义UDF函数
无论是Hive还是SparkSQL分析处理数据的时候,往往需要使用函数,SparkSQL模块本身自带了很多实现公共功能的函数,在pyspark.sql.function中。SparkSQL和Hive一样支持定义函数:UDF和UDAF,尤其是UDF函数在实际项目中使用最为广泛。
13.SparkSQL的自动优化
RDD的运行完全会按照开发者的代码执行,如果开发者的水平有限,RDD的执行效率也会受影响。
而SparkSQL会对写完的代码,执行“自动优化”,以提高代码运行的效率,避免开发者水平影响到代码执行效率。
为什么SparkSQL可以优化,RDD不行?
因为RDD内含数据类型不限格式和结构,而DataFrame只有二维表结构,可以被针对。SparkSQL的自动优化,依赖于:Catalyst优化器。
14.Catalyst优化器
为了解决过多依赖Hive的问题,SparkSQL使用了一个新的SQL优化器代替Hive的优化器,这个优化器就是Catalyst,整个SparkSQL的优化架构如下:
1)API层简单地说就是Spark会通过一些API接受SQL语句
2)收到SQL语句后,将其交给Catalyst,Catalyst负责解析SQL,生成执行计划等
3)Catalyst的输出应该是RDD的执行计划
4)最终再交给集群去运行
15.SparkSQL的执行流程
1)提交SparkSQL代码
2)catalyst优化
a.生成原始的AST语法树
b.标记AST元数据
c.进行断言下推和列值裁剪,以及其他方面的优化作用在AST上
d.将最终的AST得到,生成执行计划
e.将执行计划翻译为RDD代码
3)Driver执行环境入口构建(SqlSession)
4)DAG调度规划逻辑任务
5)TASK调度区分配逻辑任务到具体Executor上工作并监控管理任务
6)Worker干活
DataFrame代码再怎么被优化,最终还是被转换为RDD去执行。
15.Spark on Hive
回顾Hive组件:
对于Hive来说,就两样东西:
1)SQL优化翻译器(执行引擎),翻译SQL到MapReduce并提交到YARN执行
2)MetaStore元数据管理中心
那么Spark on Hive是什么呢?请看下面的图:
由上图可知,Spark on Hive不外乎就是SparkSQL借用了Hive的元数据管理中心,也就是说Hive的MetaStore+SparkSQL就构成了Spark on Hive,然后执行的时候走的是SparkRDD代码这条支线,就不再走Hive老旧的MapReduce这条路线。以上就是Spark on Hive的基本原理。
16.ThriftServer服务(就是方便程序员使用,不需要程序员专门会写Spark或者DataFrame的API依然可以操作Spark)
该服务监听10000端口,该服务对外提供功能,使得我们可以用数据库工具或者代码连接上来,直接写SQL便可操作Spark。(底层是翻译成RDD运行的)
17.分布式SQL归纳
分布式SQL执行引擎就是使用Spark提供的ThriftServer服务,以“后台进程”的模式持续运行,对外提供端口。
可以通过客户端工具或者代码,以JDBC协议连接使用。
SQL提交后,底层运行的就是Spark任务。
分布式SQL大白话总结:相当于构建了一个以MetaStore服务为元数据,Spark为执行引擎的数据库服务,****像操作数据库那样方便的操作SparkSQL进行分布式的SQL计算。
18.Spark层次关系概念图
19.Spark核心概念思维导图
------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Kafka在大数据的应用场景
20.MQ消息队列
消息队列-----用于存放消息的组件
程序员可以将消息放入到队列中,也可以从消息队列中获取消息
很多时候消息队列并不是一个永久性存储,而是作为一个临时存在的(设定一个期限:例如消息在MQ中保存10天)
21.消息队列(主要记录Kafka)的应用场景
1)异步处理:
电商网站新用户注册时,需要将用户的信息保存到数据库中,同时还要额外的发送注册的邮件通知,以及短信注册码给用户。但因为发送邮件,发送短信注册码需要连接外部的服务器,需要额外等待一段时间,此时,就可以使用消息队列来进行异步处理,从而实现快速响应。(**其实就是不用及时处理的请求,就堆起来等会处理罢了**)
** {可以将一些比较耗时的操作放在其他系统中,通过消息队列将需要进行处理的消息进行存储,其它系统可以消息队列中的数据,例如发送短信验证码,发送邮件}**。
2)系统解耦:
比如如果订单系统和库存系统耦合着。如果库存系统出现问题,会导致订单系统下单失败,而且如果库存系统接口修改了,会导致订单系统也无法工作。
使用消息队列可以实现系统和系统之间的解耦,订单系统不再调用库存系统接口,而是把订单消息写入到消息队列,库存系统从消息队列中拉取消息,然后再减库存,从而实现系统的解耦。
**{原来一个微服务是通过接口(HTTP)调用另一个微服务,这时候耦合严重,只要接口发生变化j就会导致系统不可用。使用消息队列可以将系统进行解耦,现在一个微服务可以将消息放入到消息队列中,另一个微服务可以从消息队列中取出来进行处理。进行系统解耦}**。
3)流量削峰:
有大规模用户请求过来,在某个瞬间流量达到顶峰,如果在顶峰没有打下巨大的请求流量,可能会瞬间压垮数据库(而且响应越慢用户越疯狂,用户会疯狂的刷新,不断地发送请求过来)。这个时候可以利用消息队列的大吞吐量先存储大量的用户请求,并可以快速地响应用户:你先等着,然后业务处理程序再去从消息队列中拉去请求来处理。
**{因为消息队列是低延迟,高可靠,高吞吐的,可以应对大量并发}**。
4)日志处理(大数据领域常见):
大型的电商网站(淘宝京东抖音拼多多),APP(滴滴,抖音,饿了么等)需要分析用户的行为,这要根据用户的访问行为来发现用户的喜好以及活跃情况,需要在页面上收集大量的用户访问信息。
然而他们不会将用户的这些访问信息专门存储到数据库中,而是当用户点击网页的时候,直接将用户的这个访问信息发送到一台服务器中,然后再存储到服务器上的**文件**当中。(可以在扔给服务器的过程当中,先扔给消息队列暂存,因为消息队列的吞吐量大嘛)
**{可以使用消息队列作为临时存储,或者一种管道通信}**。
22.消息队列的两种模型
生产者,消费者模型
23.消息队列的两种模式
1)点对点模式
每个消息只有一个消费者(消费了消息就不在了)
生产者和消费者没有依赖性,生产者发送消息之后,不管有没有消费者在运行,都不会影响生产者下次发送消息。
消费者成功消费消息之后需要向队列应答成功,以便消息队列删除已经被消费的消息。
2)发布订阅模式
每个消息可以有多个订阅者。
发布者和订阅者之间有时间上的依赖性。针对某个主题(Topic)的订阅者,它必须创建一个订阅者之后,才能消费发布者的消息。
为了消费消息,订阅者需要提前订阅该角色主题,并保持在线运行。
24.Kafka概念
Apache Kafka是一个分布式流平台。一个分布式流平台应该包含三个部分的能力:
1)发布订阅流数据流,类似于消息队列或者是企业消息传递系统。
2)以容错的持久化方式存储数据流。
3)处理数据流。
25.Kafka的应用场景
1)建立实时的数据管道,以可靠的在系统或者应用程序之间获取数据。
2)构建实时流应用程序,以转换或者响应数据流。
下图十分直观:
版权归原作者 陈xr 所有, 如有侵权,请联系我们删除。