Spark SQL 结构化数据文件处理

Spark SQL的基础知识🎈🎈

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个叫作DataFrame的编程模型（带有Schema信息的RDD）。SparkSQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrameAPI和DatasetAPI三种方法实现对结构化数据的处理。

一、Spark SQL的简介

Spurk SQL****的前身是Shark，Shark最初是美国加州大学伯克利分校的实验室开发的Spark生态系统的组件之一。

Shark过于依赖Hive,因此在版本这代时很难添加新的优化策略。

Spark SQL主要提供三个功能

1.Spark SQL可以从各个结构数字化数据源（如JSON，Hive，Parquet等）中读取数据，进行缝隙

2.SparkSQL包含行业标准JDBC和ODBC连接方式，因此他不限于在Spark程序中使用SQL语句进行查询。

3.Spark SQL可以无缝的将SQL查询与Spark程序进行结合，他能将结构化数据作为Spark中的分布式数据集（RDD）进行查询，再Python，Scala和Java中均继承了相关的API。

总结：SparkSQL支持多种数据源的查询和加载，兼容Hive,可以使用JDBC/ODBC的连接方式来执行SQL语句，它为Spark框架在结构化数据分析方面提供重要的技术支持。

二．Spark SQL 架构

1 .Spark SQL****兼容Hive,Spark SQL 架构与Hive底层结构相似，Spark SQL复用Hive提供的元数据仓库（Metastore）、HiveQL、用户自定义函数（UDF）以及序列化和反序列工具（SerDes）。

Spark SQL****快速的计算效率得益于 Catalyst优化器。(HiveQL 被解析成语法抽象树起，执行计划生成和优化的工作全部交 给(Spark sQD的Catalyst优化器负责和管理。

Spark的三大过程：解析（Parser）、优化（optimizer）、执行(execution)

Catalyst优化器执行生产和优化的五大组件：

*Parse***组件:**该组件根据一定的语义规则(即第三方类库ANTLR)将SparkSql字符串解析为一个抽象语法树AST。

*Analyze***组件:**该组件会遍历整个AST,并对AST上的每个节点进行数据类型的绑定以及函数绑定，然后根据元数据信息Catalog对数据表中的字段进行解析。

*Optimizer***组件:**该组件是Catalyst的核心，主要分为RBO和CBO两种优化策略，其中RBO是基于规则优化,CBO是基于代价优化。

SparkPlanner****组件:优化后的逻辑执行计划OptimizedLogicalPlan依然是逻辑的， 并不能被Spark系统理解，此时需要将OptimizedLogicalPlan转换成physical plan(物理计划)。

CostModel****组件:主要根据过去的性能统计数据，选择最佳的物理执行计划。

Spark SQL工作流程:

(1)在解析SQL语句之前会创建SparSession,涉及表名、字段名称和字段类型的元数据都将保存在Catalog中;

(2)当调用SparkSession的sq|(O方法时就会使用SparkSqlParser进行解析SQL语 句,解析过程中使用的ANTLR进行词法解析和语法解析:

(3)使用Analyzer分析器绑定逻辑计划，在该阶段Analyer会使用Analyzer Rules,并结合Catalog,对未绑定的逻辑计划进行解析,生成已绑定的逻辑计划;

(4) Optimizer根据预先定义好的规则(RBO)对Resolved Logical Plan 进行优化并生 成Optimized Logical Plan(最优逻辑计划);

(5)使用SparkPlanner对优化后的逻辑计划进行转换，生成多个可以执行的物理计划 Physical Plan;

(6) CBO优化策略会根据Cost Model算出每个Physical Plan的代价，并选取代价最 小的Physical Plan作为最终的Physical Plan;

(7)使用QueryExecuion执行物理计划，此时则调用SparkPlan的execute()方法,返回RDD.