Spark SQL的基础知识

Spark SQL介绍

​ Spark SQL是一个用于结构化数据处理的Spark组件。所谓结构化数据，是指具有Schema信息的数据，例如JSON、Parquet、Avro、CSV格式的数据。与基础的Spark RDD API不同，Spark SQL提供了对结构化数据的查询和计算接口。

Spark SQL的主要特点：

• 将SQL查询与Spark应用程序无缝组合

​ Spark SQL允许使用SQL或熟悉的API在Spark程序中查询结构化数据。与Hive不同的是，Hive是将SQL翻译成MapReduce作业，底层是基于MapReduce的；而Spark SQL底层使用的是Spark RDD。

• 可以连接到多种数据源

​ Spark SQL提供了访问各种数据源的通用方法，数据源包括Hive、Avro、Parquet、ORC、JSON、JDBC等。

• 在现有的数据仓库上运行SQL或HiveQL查询

​ Spark SQL支持HiveQL语法以及Hive SerDes和UDF （用户自定义函数） ，允许访问现有的Hive仓库。

DataFrame和DataSet

• DataFrame的结构

​ DataFrame是Spark SQL提供的一个编程抽象，与RDD类似，也是一个分布式的数据集合。但与RDD不同的是，DataFrame的数据都被组织到有名字的列中，就像关系型数据库中的表一样。

​ DataFrame在RDD的基础上添加了数据描述信息（Schema，即元信息） ，因此看起来更像是一张数据库表。例如，在一个RDD中有3行数据，将该RDD转成DataFrame后，其中的数据可能如图所示：

• DataSet的结构Dataset是一个分布式数据集，是Spark 1.6中添加的一个新的API。相比于RDD， Dataset提供了强类型支持，在RDD的每行数据加了类型约束。 ​ 在Spark中，一个DataFrame代表的是一个元素类型为Row的Dataset，即DataFrame只是Dataset[Row]的一个类型别名。

Spark SQL的基本使用

​ Spark Shell启动时除了默认创建一个名为sc的SparkContext的实例外，还创建了一个名为spark的SparkSession实例，该spark变量可以在Spark Shell中直接使用。

​ SparkSession只是在SparkContext基础上的封装，应用程序的入口仍然是SparkContext。SparkSession允许用户通过它调用DataFrame和Dataset相关API来编写Spark程序，支持从不同的数据源加载数据，并把数据转换成DataFrame，然后使用SQL语句来操作DataFrame数据。

Spark SQL基本使用案例

在HDFS中有一个文件/input/person.txt，文件内容如下：

现需要使用Spark SQL将该文件中的数据按照年龄降序排列，步骤如下：

进入spark-shell环境

• 加载数据为Dataset

val d1 = spark.read.textFile("hdfs://192.168.121.131:9000/input/person.txt")

d1.show()# 查看d1中的数据内容

从上述代码的结果可以看出，Dataset将文件中的每一行看作一个元素，并且所有元素组成了一列，列名默认为value。

• 给Dataset添加元数据信息 ​ 定义一个样例类Person，用于存放数据描述信息，代码如下：

case class Person(id:Int,name:String,age:Int)

注：Scala有一种特殊的类叫做样例类（case class）。默认情况下，样例类一般用于不可变对象（样例类构造参数默认声明为val）。

​ 调用Dataset的map()算子将每一个元素拆分并存入Person类中，代码如下：

val personDataset = d1.map(line=>{
          val fields= line.split(",")
          val id =fields(0).toInt
          val name =fields(1)
          val age =fields(2).toInt
          Person(id,name,age)
          })
          
personDataset.show()# 查看personDataset中的数据内容   

可以看到，personDataset中的数据类似于一张关系型数据库的表。

• 将Dataset转为DataFrame ​ Spark SQL查询的是DataFrame中的数据，因此需要将存有元数据信息的Dataset转为DataFrame。

​ 调用Dataset的toDF()方法，将存有元数据的Dataset转为DataFrame，代码如下：

val pdf = personDataset.toDF()

• 执行SQL查询 ​ 在DataFrame上创建一个临时视图v_person，并使用SparkSession对象执行SQL查询，代码如下：

pdf.createTempView("v_person")
val result = spark.sql("select * from v_person order by age desc")
result.show()