关于spark:第三篇Spark-SQL编程指南

5次阅读

共计 17134 个字符，预计需要花费 43 分钟才能阅读完成。

在《第二篇 |Spark Core 编程指南》一文中，对 Spark 的外围模块进行了解说。本文将探讨 Spark 的另外一个重要模块 –Spark SQL，Spark SQL 是在 Shark 的根底之上构建的，于 2014 年 5 月公布。从名称上能够看出，该模块是 Spark 提供的关系型操作 API，实现了 SQL-on-Spark 的性能。对于一些相熟 SQL 的用户，能够间接应用 SQL 在 Spark 上进行简单的数据处理。通过本文，你能够理解到：

Spark SQL 简介
DataFrame API&DataSet API
Catalyst Optimizer 优化器
Spark SQL 基本操作
Spark SQL 的数据源
RDD 与 DataFrame 互相转换
Thrift server 与 Spark SQL CLI

Spark SQL 是 Spark 的其中一个模块，用于结构化数据处理。与根本的 Spark RDD API 不同，Spark SQL 提供的接口为 Spark 提供了无关数据结构和正在执行的计算的更多信息，Spark SQL 会应用这些额定的信息来执行额定的优化。应用 SparkSQL 的形式有很多种，包含 SQL、DataFrame API 以及 Dataset API。值得注意的是，无论应用何种形式何种语言，其执行引擎都是雷同的。实现这种对立，意味着开发人员能够轻松地在不同的 API 之间来回切换，从而使数据处理更加地灵便。

DataFrame 代表一个不可变的分布式数据汇合，其外围目标是让开发者面对数据处理时，只关怀要做什么，而不必关怀怎么去做，将一些优化的工作交由 Spark 框架自身去解决。DataFrame 是具备 Schema 信息的，也就是说能够被看做具备字段名称和类型的数据，相似于关系型数据库中的表，然而底层做了很多的优化。创立了 DataFrame 之后，就能够应用 SQL 进行数据处理。

用户能够从多种数据源中结构 DataFrame，例如：结构化数据文件，Hive 中的表，内部数据库或现有 RDD。DataFrame API 反对 Scala，Java，Python 和 R，在 Scala 和 Java 中，row 类型的 DataSet 代表 DataFrame，即 Dataset[Row] 等同于 DataFrame。

DataSet 是 Spark 1.6 中增加的新接口，是 DataFrame 的扩大，它具备 RDD 的长处（强类型输出，反对弱小的 lambda 函数）以及 Spark SQL 的优化执行引擎的长处。能够通过 JVM 对象构建 DataSet，而后应用函数转换（map，flatMap，filter)。值得注意的是，Dataset API 在 Scala 和 Java 中可用，Python 不反对 Dataset API。

另外，DataSet API 能够缩小内存的应用，因为 Spark 框架晓得 DataSet 的数据结构，因而在长久化 DataSet 时能够节俭很多的内存空间。

在 Catalyst 中，存在两种类型的打算：

逻辑打算（Logical Plan）：定义数据集上的计算，尚未定义如何去执行计算。每个逻辑打算定义了一系列的用户代码所须要的属性 (查问字段) 和束缚(where 条件)，然而不定义该如何执行。具体如下图所示：

物理打算(Physical Plan): 物理打算是从逻辑打算生成的，定义了如何执行计算，是可执行的。举个栗子：逻辑打算中的 JOIN 会被转换为物理打算中的 sort merge JOIN。须要留神，Spark 会生成多个物理打算，而后抉择老本最低的物理打算。具体如下图所示：

在 Spark SQL 中，所有的算子操作会被转换成 AST(abstract syntax tree, 形象语法树)，而后将其传递给 Catalyst 优化器。该优化器是在 Scala 的函数式编程根底会上构建的，Catalyst 反对基于规定的 (rule-based) 和基于老本的 (cost-based) 优化策略。

Spark SQL 的查问打算包含 4 个阶段(见下图)：

1. 剖析
2. 逻辑优化
3. 物理打算
4. 生成代码，将查问局部编译成 Java 字节码

留神：在物理打算阶段，Catalyst 会生成多个打算，并且会计算每个打算的老本，而后比拟这些打算的老本的大小，即基于老本的策略。在其余阶段，都是基于规定的的优化策略。

Unresolved Logical plan –> Logical plan。Spark SQL 的查问打算首先起始于由 SQL 解析器返回的 AST，或者是由 API 构建的 DataFrame 对象。在这两种状况下，都会存在未解决的属性援用 (某个查问字段可能不存在，或者数据类型谬误)，比方查问语句:SELECT col FROM sales, 对于字段col 的类型，或者该字段是否是一个无效的字段，只有等到查看该 sales 表时才会分明。当不能确定一个属性字段的类型或者没可能与输出表进行匹配时，称之为 未解决的 。Spark SQL 应用 Catalyst 的规定以及 Catalog 对象(可能拜访数据源的表信息) 来解决这些属性。首先会构建一个 Unresolved Logical Plan 树，而后作用一系列的规定，最初生成 Logical Plan。

Logical plan –> Optimized Logical Plan。逻辑优化阶段应用基于规定的优化策略，比方谓词下推、投影裁剪等。通过一些列优化过后，生成优化的逻辑打算 Optimized Logical Plan。

Optimized Logical Plan –>physical Plan。在物理打算阶段，Spark SQL 会将优化的逻辑打算生成多个物理执行打算，而后应用 Cost Model 计算每个物理打算的老本，最终抉择一个物理打算。在这个阶段，如果确定一张表很小(能够长久化到内存)，Spark SQL 会应用 broadcast join。

须要留神的是，物理打算器也会应用基于规定的优化策略，比方将投影、过滤操作管道化一个 Spark 的 map 算子。此外，还会将逻辑打算阶段的操作推到数据源端(反对谓词下推、投影下推)。

查问优化的最终阶段是生成 Java 字节码，应用 Quasi quotes 来实现这项工作的。

通过下面的剖析，对 Catalyst Optimizer 有了初步的理解。对于 Spark 的其余组件是如何与 Catalyst Optimizer 交互的呢？具体如下图所示：

如上图所示：ML Pipelines, Structured streaming 以及 GraphFrames 都应用了 DataFrame/Dataset
APIs，并且都得益于 Catalyst optimiser。

SparkSession 是 Dataset 与 DataFrame API 的编程入口，从 Spark2.0 开始反对。用于对立原来的 HiveContext 和 SQLContext，为了兼容两者，依然保留这两个入口。通过一个 SparkSession 入口，进步了 Spark 的易用性。上面的代码展现了如何创立一个 SparkSession：

import org.apache.spark.sql.SparkSession

val spark = SparkSession
  .builder()
  .appName("Spark SQL basic example")
  .config("spark.some.config.option", "some-value")
  .getOrCreate()
// 导入隐式转换，比方将 RDD 转为 DataFrame
import spark.implicits._

创立完 SparkSession 之后，能够应用 SparkSession 从曾经存在的 RDD、Hive 表或者其余数据源中创立 DataFrame。上面的示例应用的是从一个 JSON 文件数据源中创立 DataFrame：

/**
* {"name":"Michael"}
* {"name":"Andy", "age":30}
* {"name":"Justin", "age":19}
*/
val df = spark.read.json("E://people.json")
// 输入 DataFrame 的内容
df.show()
// +----+-------+
// | age|   name|
// +----+-------+
// |null|Michael|
// |  30|   Andy|
// |  19| Justin|
// +----+-------+

创立完 DataFrame 之后，能够对其进行一些列的操作，具体如上面代码所示：

// 打印该 DataFrame 的信息
df.printSchema()
// root
// |-- age: long (nullable = true)
// |-- name: string (nullable = true)

// 查问 name 字段
df.select("name").show()
// +-------+
// |   name|
// +-------+
// |Michael|
// |   Andy|
// | Justin|
// +-------+

// 将每个人的 age + 1
df.select($"name", $"age" + 1).show()
// +-------+---------+
// |   name|(age + 1)|
// +-------+---------+
// |Michael|     null|
// |   Andy|       31|
// | Justin|       20|
// +-------+---------+

// 查找 age 大于 21 的人员信息
df.filter($"age" > 21).show()
// +---+----+
// |age|name|
// +---+----+
// | 30|Andy|
// +---+----+

// 依照 age 分组，统计每种 age 的个数
df.groupBy("age").count().show()
// +----+-----+
// | age|count|
// +----+-----+
// |  19|    1|
// |null|    1|
// |  30|    1|
// +----+-----+

下面的操作应用的是 DSL(domain-specific language) 形式，还能够间接应用 SQL 对 DataFrame 进行操作，具体如下所示：

// 将 DataFrame 注册为 SQL 的长期视图
// 该办法创立的是一个本地的长期视图，生命周期与其绑定的 SparkSession 会话相干
// 即如果创立该 view 的 session 完结了，该 view 也就隐没了
df.createOrReplaceTempView("people")
val sqlDF = spark.sql("SELECT * FROM people")
sqlDF.show()
// +----+-------+
// | age|   name|
// +----+-------+
// |null|Michael|
// |  30|   Andy|
// |  19| Justin|
// +----+-------+

下面应用的是 Temporary views 的形式，该形式是 Spark Session 范畴的。如果将创立的 view 能够在所有 session 之间共享，能够应用 Global Temporary View 的形式创立 view，具体如下：

// 将 DataFrame 注册为全局长期视图(global temporary view)
// 该办法创立的是一个全局的长期视图，生命周期与其绑定的 Spark 应用程序相干，// 即如果应用程序完结，会主动被删除
// 全局长期视图是能够跨 Spark Session 的，零碎保留的数据库名为 `global_temp`
// 当查问时，必须要加上全限定名，如 `SELECT * FROM global_temp.view1`
df.createGlobalTempView("people")

// 全局长期视图默认的保留数据库为:`global_temp` 
spark.sql("SELECT * FROM global_temp.people").show()
// +----+-------+
// | age|   name|
// +----+-------+
// |null|Michael|
// |  30|   Andy|
// |  19| Justin|
// +----+-------+

// 全局长期视图反对跨 Spark Session 会话
spark.newSession().sql("SELECT * FROM global_temp.people").show()
// +----+-------+
// | age|   name|
// +----+-------+
// |null|Michael|
// |  30|   Andy|
// |  19| Justin|
// +----+-------+

DataSet 与 RDD 很相似，然而，RDD 应用的 Java 的序列化器或者 Kyro 序列化，而 DataSet 应用的是 Encoder 对在网络间传输的对象进行序列化的。创立 DataSet 的示例如下：

case class Person(name: String, age: Long)
// 创立 DataSet
val caseClassDS = Seq(Person("Andy", 32)).toDS()
caseClassDS.show()
// +----+---+
// |name|age|
// +----+---+
// |Andy| 32|
// +----+---+

// 通过导入 Spark 的隐式转换 spark.implicits._
// 能够自动识别数据类型
val primitiveDS = Seq(1, 2, 3).toDS()
primitiveDS.map(_ + 1).collect() // 返回: Array(2, 3, 4)

// 通过调用 as 办法，DataFrame 能够转为 DataSet，val path = "E://people.json"
val peopleDS = spark.read.json(path).as[Person]
peopleDS.show()
// +----+-------+
// | age|   name|
// +----+-------+
// |null|Michael|
// |  30|   Andy|
// |  19| Justin|
// +----+-------+

Spark SQL 反对两种不同的形式将 RDD 转换为 DataFrame。第一种是应用反射来推断蕴含特定类型对象的 RDD 的模式，这种基于反射的形式能够提供更简洁的代码，如果在编写 Spark 应用程序时，曾经明确了 schema，能够应用这种形式。第二种形式是通过可编程接口来构建 schema，而后将其利用于现有的 RDD。此形式编写的代码更简短，此种形式创立的 DataFrame，直到运行时才晓得该 DataFrame 的列及其类型。

上面案例的数据集如下 people.txt：

Tom, 29
Bob, 30
Jack, 19

Spark SQL 的 Scala 接口反对主动将蕴含样例类的 RDD 转换为 DataFrame。样例类定义表的 schema。通过反射读取样例类的参数名称，并映射成 column 的名称。

object RDD2DF_m1 {
  // 创立样例类
  case class  Person(name: String, age: Int)
  def main(args: Array[String]): Unit = {
    val spark = SparkSession
      .builder()
      .appName("RDD2DF_m1")
      .master("local")
      .getOrCreate()
    Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
    Logger.getLogger("org.apache.hadoop").setLevel(Level.OFF)
    runRDD2DF(spark)
  }

  private def runRDD2DF(spark: SparkSession) = {
    // 导入隐式转换, 用于 RDD 转为 DataFrame
    import spark.implicits._
    // 从文本文件中创立 RDD，并将其转换为 DataFrame
    val peopleDF = spark.sparkContext
      .textFile("file:///E:/people.txt")
      .map(_.split(","))
      .map(attributes => Person(attributes(0), attributes(1).trim.toInt))
      .toDF()
    // 将 DataFrame 注册成长期视图
    peopleDF.createOrReplaceTempView("people")
    // 运行 SQL 语句
    val teenagersDF = spark.sql("SELECT name, age FROM people WHERE age BETWEEN 13 AND 19")
    // 应用字段索引拜访列
    teenagersDF.map(teenager => "Name:" + teenager(0)).show()
    // +----------+
    // |     value|
    // +----------+
    // |Name: Jack|
    // +----------+

    // 通过字段名拜访列
    teenagersDF.map(teenager => "Name:" + teenager.getAs[String]("name")).show()
    // +------------+
    // |       value|
    // +------------+
    // |Name: Jack|
    // +------------+
  }
}

通过构建 schema 的形式创立 DataFrame 次要包含三步：

1. 从原始 RDD 创立 Row 类型的 RDD
2. 应用 StructType，创立 schema
3. 通过 createDataFrame 办法将 schema 利用于 Row 类型的 RDD

object RDD2DF_m2 {def main(args: Array[String]): Unit = {
    val spark = SparkSession
      .builder()
      .appName("RDD2DF_m1")
      .master("local")
      .getOrCreate()
    Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
    Logger.getLogger("org.apache.hadoop").setLevel(Level.OFF)
    runRDD2DF(spark)
  }

  private def runRDD2DF(spark: SparkSession) = {
    // 导入隐式转换, 用于 RDD 转为 DataFrame
    import spark.implicits._
    // 创立原始 RDD
    val peopleRDD = spark.sparkContext.textFile("E:/people.txt")
    //step 1 将原始 RDD 转换为 ROW 类型的 RDD
    val rowRDD = peopleRDD
      .map(_.split(","))
      .map(attributes => Row(attributes(0), attributes(1).trim.toInt))
    //step 2 创立 schema
    val schema = StructType(Array(StructField("name", StringType, true),
      StructField("age", IntegerType, true)
    ))
    //step 3 创立 DF
    val peopleDF = spark.createDataFrame(rowRDD, schema)
    // 将 DataFrame 注册成长期视图
    peopleDF.createOrReplaceTempView("people")
    // 运行 SQL 语句
    val results = spark.sql("SELECT name FROM people")
    // 应用字段索引拜访列
    results.map(attributes => "Name:" + attributes(0)).show()
    // +----------+
    // |     value|
    // +----------+
    // | Name: Tom|
    // | Name: Bob|
    // | Name: Jack|
    // +----------+
  }
}

Spark SQL 反对通过 DataFrame 接口对各种数据源进行操作，能够应用关系转换以及长期视图对 DataFrame 进行操作。常见的数据源包含以下几种：

Parquet 文件
JSON 文件
CSV 文件
ORC 文件

private def runBasicDataSourceExample(spark: SparkSession): Unit = {
    /**
      * 读取 parquet 文件数据源, 并将后果写入到 parquet 文件
      */

    val usersDF = spark
      .read
      .load("E://users.parquet")
    usersDF.show()
    // 将 DF 保留到 parquet 文件
    usersDF
      .select("name", "favorite_color")
      .write
      .mode(SaveMode.Overwrite)
      .save("E://namesAndFavColors.parquet")
    /**
      * 读取 json 文件数据源, 并将后果写入到 parquet 文件
      */

    val peopleDF = spark
      .read
      .format("json")
      .load("E://people.json")
    peopleDF.show()
    // 将 DF 保留到 parquet 文件
    peopleDF
      .select("name", "age")
      .write
      .format("parquet")
      .mode(SaveMode.Overwrite)
      .save("E://namesAndAges.parquet")

    /**
      * 读取 CSV 文件数据源
      */
    val peopleDFCsv = spark.read.format("csv")
      .option("sep", ";")
      .option("inferSchema", "true")
      .option("header", "true")
      .load("E://people.csv")

    /**
      * 将 usersDF 写入到 ORC 文件
      */
    usersDF.write.format("orc")
      .option("orc.bloom.filter.columns", "favorite_color")
      .option("orc.dictionary.key.threshold", "1.0")
      .option("orc.column.encoding.direct", "name")
      .mode(SaveMode.Overwrite)
      .save("E://users_with_options.orc")

    /**
      * 将 peopleDF 保留为长久化表，个别保留为 Hive 中
      */
    peopleDF
      .write
      .option("path","E://warehouse/people_bucketed") // 保留门路
      .bucketBy(42, "name")           // 依照 name 字段分桶
      .sortBy("age")                  // 依照 age 字段排序
      .saveAsTable("people_bucketed")

    /**
      * 将 userDF 保留为分区文件，相似于 Hive 分区表
      */
    usersDF
      .write
      .partitionBy("favorite_color")  // 分区字段
      .format("parquet")        // 文件格式
      .mode(SaveMode.Overwrite) // 保留模式
      .save("E://namesPartByColor.parquet")

    /**
      *
      */
    usersDF
      .write
      .option("path","E://warehouse/users_partitioned_bucketed") // 保留门路
      .partitionBy("favorite_color")  // 分区
      .bucketBy(42, "name")           // 分桶
      .saveAsTable("users_partitioned_bucketed")

    spark.sql("DROP TABLE IF EXISTS people_bucketed")
    spark.sql("DROP TABLE IF EXISTS users_partitioned_bucketed")
  }

保留模式

Scala/Java	Meaning
`SaveMode.ErrorIfExists`(default)	如果指标文件曾经存在，则报异样
`SaveMode.Append`	如果指标文件或表曾经存在，则将后果追加进去
`SaveMode.Overwrite`	如果指标文件或表曾经存在，则笼罩原有的内容
`SaveMode.Ignore`	相似于 SQL 中的 CREATE TABLE IF NOT EXISTS，如果指标文件或表曾经存在，则不做任何操作

保留为长久化表

DataFrame 能够被保留为 Hive 的长久化表，值得注意的是，这种形式并不依赖与 Hive 的部署，也就是说 Spark 会应用 Derby 创立一个默认的本地 Hive metastore，与 createOrReplaceTempView 不同，该形式会间接将后果物化。

对于基于文件的数据源 (text, parquet, json 等)，在保留的时候能够指定一个具体的门路，比方 df.write.option(“path”, “/some/path”).saveAsTable(“t”)(存储在指定门路下的文件格式为 parquet)。 当表被删除时，自定义的表的门路和表数据不会被移除。如果没有指定具体的门路，spark 默认的是 warehouse 的目录(/user/hive/warehouse), 当表被删除时，默认的表门路也会被删除。

见上面大节：Spark SQL 集成 Hive

Spark SQL 还包含一个能够应用 JDBC 从其余数据库读取数据的数据源。与应用 JdbcRDD 相比，应优先应用此性能。这是因为后果作为 DataFrame 返回，它们能够在 Spark SQL 中轻松解决或与其余数据源连贯。JDBC 数据源也更易于应用 Java 或 Python，因为它不须要用户提供 ClassTag。

能够应用 Data Sources API 将近程数据库中的表加载为 DataFrame 或 Spark SQL 长期视图。用户能够在数据源选项中指定 JDBC 连贯属性。user 并且 password 通常作为用于登录数据源的连贯属性提供。除连贯属性外，Spark 还反对以下不辨别大小写的选项：

属性名称	解释
`url`	要连贯的 JDBC URL
`dbtable`	读取或写入的 JDBC 表
`query`	指定查问语句
`driver`	用于连贯到该 URL 的 JDBC 驱动类名
`partitionColumn, lowerBound, upperBound`	如果指定了这些选项，则必须全副指定。另外，`numPartitions`必须指定
`numPartitions`	表读写中可用于并行处理的最大分区数。这也确定了并发 JDBC 连贯的最大数量。如果要写入的分区数超过此限度，咱们能够通过 `coalesce(numPartitions)` 在写入之前进行调用将其升高到此限度
`queryTimeout`	默认为`0`，查问超时工夫
`fetchsize`	JDBC 的获取大小，它确定每次要获取多少行。这能够帮忙进步 JDBC 驱动程序的性能
`batchsize`	默认为 1000，JDBC 批处理大小，这能够帮忙进步 JDBC 驱动程序的性能。
`isolationLevel`	事务隔离级别，实用于以后连贯。它能够是一个`NONE`，`READ_COMMITTED`，`READ_UNCOMMITTED`，`REPEATABLE_READ`，或`SERIALIZABLE`，对应于由 JDBC 的连贯对象定义，缺省值为规范事务隔离级别`READ_UNCOMMITTED`。此选项仅实用于写作。
`sessionInitStatement`	在向近程数据库关上每个数据库会话之后，在开始读取数据之前，此选项将执行自定义 SQL 语句，应用它来实现会话初始化代码。
`truncate`	这是与 JDBC writer 相干的选项。当 `SaveMode.Overwrite` 启用时，就会清空指标表的内容，而不是删除和重建其现有的表。默认为`false`
`pushDownPredicate`	用于启用或禁用谓词下推到 JDBC 数据源的选项。默认值为 true，在这种状况下，Spark 将尽可能将过滤器下推到 JDBC 数据源。

object JdbcDatasetExample {def main(args: Array[String]): Unit = {
    val spark = SparkSession
      .builder()
      .appName("JdbcDatasetExample")
      .master("local") // 设置为本地运行
      .getOrCreate()
    Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
    Logger.getLogger("org.apache.hadoop").setLevel(Level.OFF)
    runJdbcDatasetExample(spark)
  }

  private def runJdbcDatasetExample(spark: SparkSession): Unit = {
    // 留神：从 JDBC 源加载数据
    val jdbcPersonDF = spark.read
      .format("jdbc")
      .option("url", "jdbc:mysql://localhost/mydb")
      .option("dbtable", "person")
      .option("user", "root")
      .option("password", "123qwe")
      .load()
    // 打印 jdbcDF 的 schema
    jdbcPersonDF.printSchema()
    // 打印数据
    jdbcPersonDF.show()

    val connectionProperties = new Properties()
    connectionProperties.put("user", "root")
    connectionProperties.put("password", "123qwe")
    // 通过.jdbc 的形式加载数据
    val jdbcStudentDF = spark
      .read
      .jdbc("jdbc:mysql://localhost/mydb", "student", connectionProperties)
    // 打印 jdbcDF 的 schema
    jdbcStudentDF.printSchema()
    // 打印数据
    jdbcStudentDF.show()
    // 保留数据到 JDBC 源
    jdbcStudentDF.write
      .format("jdbc")
      .option("url", "jdbc:mysql://localhost/mydb")
      .option("dbtable", "student2")
      .option("user", "root")
      .option("password", "123qwe")
      .mode(SaveMode.Append)
      .save()

    jdbcStudentDF
      .write
      .mode(SaveMode.Append)
      .jdbc("jdbc:mysql://localhost/mydb", "student2", connectionProperties)

  }
}

Spark SQL 还反对读取和写入存储在 Apache Hive 中的数据。然而，因为 Hive 具备大量依赖项，因而这些依赖项不蕴含在默认的 Spark 公布包中。如果能够在类门路上找到 Hive 依赖项，Spark 将主动加载它们。请留神，这些 Hive 依赖项也必须存在于所有工作节点 (worker nodes) 上，因为它们须要拜访 Hive 序列化和反序列化库（SerDes）能力拜访存储在 Hive 中的数据。

将 hive-site.xml，core-site.xml 以及 hdfs-site.xml 文件放在 conf/ 下。

在应用 Hive 时，必须实例化一个反对 Hive 的 SparkSession，包含连贯到持久性 Hive Metastore，反对 Hive 的序列化、反序列化（serdes）和 Hive 用户定义函数。没有部署 Hive 的用户仍能够启用 Hive 反对。如果未配置 hive-site.xml，则上下文 (context) 会在当前目录中主动创立 metastore_db，并且会创立一个由 spark.sql.warehouse.dir 配置的目录，其默认目录为 spark-warehouse，位于启动 Spark 应用程序的当前目录中。请留神，自 Spark 2.0.0 以来，该在 hive-site.xml 中的 hive.metastore.warehouse.dir 属性已被标记过期(deprecated)。应用 spark.sql.warehouse.dir 用于指定 warehouse 中的默认地位。可能须要向启动 Spark 应用程序的用户授予写入的权限。

上面的案例为在本地运行(为了不便查看打印的后果)，运行完结之后会发现在我的项目的目录下 E:IdeaProjectsmyspark 创立了 spark-warehouse 和 metastore_db 的文件夹。能够看出没有部署 Hive 的用户仍能够启用 Hive 反对，同时也能够将代码打包，放在集群上运行。

object SparkHiveExample {case class Record(key: Int, value: String)

  def main(args: Array[String]) {


    val spark = SparkSession
      .builder()
      .appName("Spark Hive Example")
      .config("spark.sql.warehouse.dir", "e://warehouseLocation")
      .master("local")// 设置为本地运行
      .enableHiveSupport()
      .getOrCreate()


    Logger.getLogger("org.apache.spark").setLevel(Level.OFF)
    Logger.getLogger("org.apache.hadoop").setLevel(Level.OFF)
    import spark.implicits._
    import spark.sql
    // 应用 Spark SQL 的语法创立 Hive 中的表
    sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING) USING hive")
    sql("LOAD DATA LOCAL INPATH'file:///e:/kv1.txt'INTO TABLE src")

    // 应用 HiveQL 查问
    sql("SELECT * FROM src").show()
    // +---+-------+
    // |key|  value|
    // +---+-------+
    // |238|val_238|
    // | 86| val_86|
    // |311|val_311|
    // ...

    // 反对应用聚合函数
    sql("SELECT COUNT(*) FROM src").show()
    // +--------+
    // |count(1)|
    // +--------+
    // |    500 |
    // +--------+

    // SQL 查问的后果是一个 DataFrame，反对应用所有的惯例的函数
    val sqlDF = sql("SELECT key, value FROM src WHERE key < 10 AND key > 0 ORDER BY key")

    // DataFrames 是 Row 类型的, 容许你按程序拜访列.
    val stringsDS = sqlDF.map {case Row(key: Int, value: String) => s"Key: $key, Value: $value"
    }
    stringsDS.show()
    // +--------------------+
    // |               value|
    // +--------------------+
    // |Key: 0, Value: val_0|
    // |Key: 0, Value: val_0|
    // |Key: 0, Value: val_0|
    // ...

    // 能够通过 SparkSession 应用 DataFrame 创立一个长期视图
    val recordsDF = spark.createDataFrame((1 to 100).map(i => Record(i, s"val_$i")))
    recordsDF.createOrReplaceTempView("records")

    // 能够用 DataFrame 与 Hive 中的表进行 join 查问
    sql("SELECT * FROM records r JOIN src s ON r.key = s.key").show()
    // +---+------+---+------+
    // |key| value|key| value|
    // +---+------+---+------+
    // |  2| val_2|  2| val_2|
    // |  4| val_4|  4| val_4|
    // |  5| val_5|  5| val_5|
    // ...

    // 创立一个 Parquet 格局的 hive 托管表，应用的是 HQL 语法，没有应用 Spark SQL 的语法("USING hive")
    sql("CREATE TABLE IF NOT EXISTS hive_records(key int, value string) STORED AS PARQUET")

    // 读取 Hive 中的表，转换成了 DataFrame
    val df = spark.table("src")
    // 将该 DataFrame 保留为 Hive 中的表，应用的模式 (mode) 为复写模式(Overwrite)
    // 即如果保留的表曾经存在，则会笼罩掉原来表中的内容
    df.write.mode(SaveMode.Overwrite).saveAsTable("hive_records")
    // 查问表中的数据
    sql("SELECT * FROM hive_records").show()
    // +---+-------+
    // |key|  value|
    // +---+-------+
    // |238|val_238|
    // | 86| val_86|
    // |311|val_311|
    // ...

    // 设置 Parquet 数据文件门路
    val dataDir = "/tmp/parquet_data"
    //spark.range(10)返回的是 DataSet[Long]
    // 将该 DataSet 间接写入 parquet 文件
    spark.range(10).write.parquet(dataDir)
    // 在 Hive 中创立一个 Parquet 格局的内部表
    sql(s"CREATE EXTERNAL TABLE IF NOT EXISTS hive_ints(key int) STORED AS PARQUET LOCATION'$dataDir'")
    // 查问下面创立的表
    sql("SELECT * FROM hive_ints").show()
    // +---+
    // |key|
    // +---+
    // |  0|
    // |  1|
    // |  2|
    // ...

    // 开启 Hive 动静分区
    spark.sqlContext.setConf("hive.exec.dynamic.partition", "true")
    spark.sqlContext.setConf("hive.exec.dynamic.partition.mode", "nonstrict")
    // 应用 DataFrame API 创立 Hive 的分区表
    df.write.partitionBy("key").format("hive").saveAsTable("hive_part_tbl")

    // 分区键‘key’将会在最终的 schema 中被移除
    sql("SELECT * FROM hive_part_tbl").show()
    // +-------+---+
    // |  value|key|
    // +-------+---+
    // |val_238|238|
    // | val_86| 86|
    // |val_311|311|
    // ...

    spark.stop()}
}

能够应用 JDBC/ODBC 或者命令行拜访 Spark SQL，通过这种形式，用户能够间接应用 SQL 运行查问，而不必编写代码。

Thrift JDBC/ODBC server 与 Hive 的 HiveServer2 向对应，能够应用 Beeline 拜访 JDBC 服务器。在 Spark 的 sbin 目录下存在 start-thriftserver.sh 脚本，应用此脚本启动 JDBC/ODBC 服务器：

./sbin/start-thriftserver.sh

应用 beeline 拜访 JDBC/ODBC 服务器,Beeline 会要求提供用户名和明码, 在非平安模式下，只需输出用户名和空白明码即可

beeline> !connect jdbc:hive2://localhost:10000

Spark SQL CLI 是在本地模式下运行 Hive Metastore 服务并执行从命令行输出的查问的便捷工具。请留神，Spark SQL CLI 无奈与 Thrift JDBC 服务器通信。

要启动 Spark SQL CLI，只须要在 Spark 的 bin 目录中运行以下命令：

./spark-sql

本文次要对 Spark SQL 进行了论述，次要包含 Spark SQL 的介绍、DataFrame&DataSet API 根本应用、Catalyst Optimizer 优化器的基本原理、Spark SQL 编程、Spark SQL 数据源以及与 Hive 集成、Thrift server 与 Spark SQL CLI。下一篇将分享 Spark Streaming 编程指南。

公众号『大数据技术与数仓』，回复『材料』支付大数据资料包

正文完

spark

发表至： spark

2020-08-08

0

关于spark:spark系列2spark-301-AQEAdaptive-Query-Exection分析

关于spark:Livy探究五-解释器的实现

关于spark:Spark的jobstage和task的机制论述

关于spark:BIGO-如何做到夜间同时运行-24K-个工作流实例

关于spark:第二篇Spark-core编程指南

关于spark:第三篇Spark-SQL编程指南

Spark SQL 简介

DataFrame API&DataSet API

DataFrame API

DataSet API

Catalyst Optimizer 优化器

剖析

逻辑优化

物理打算

代码生成

Quick Start

创立 SparkSession

创立 DataFrame

DataFrame 基本操作

在程序中应用 SQL 查问

Global Temporary View

创立 DataSet

RDD 与 DataFrame 互相转换

通过反射的形式

通过构建 schema 的形式

Spark SQL 的数据源

文件数据源

Hive 数据源

JDBC 数据源

Spark SQL 集成 Hive

Thrift server 与 Spark SQL CLI

Thrift JDBC/ODBC server

Spark SQL CLI

总结

站内搜索