Spark SQL 结构化数据文件处理 详解_spark sql——结构化数据文件处理总结

Spark SQL简介

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象结构叫做DataFrame的数据模型（即带有Schema信息的RDD），Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrames API和Datasets API三种方式实现对结构化数据的处理。

Spark SQL主要提供了以下三个功能：

1. Spark SQL可从各种结构化数据源中读取数据，进行数据分析。
2. Spark SQL包含行业标准的JDBC和ODBC连接方式，因此它不局限于在Spark程序内使用SQL语句进行查询。
3. Spark SQL可以无缝地将SQL查询与Spark程序进行结合，它能够将结构化数据作为Spark中的分布式数据集（RDD）进行查询。

Spark SQL架构

Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从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 SQL的Catalyst优化器进行负责和管理。

Spark要想很好地支持SQL，需要完成解析（Parser）、优化（Optimizer）、执行（Execution）三大过程。

Catalyst优化器在执行计划生成和优化的工作时，离不开内部的五大组件。

• SqlParse：完成SQL语法解析功能，目前只提供了一个简单的SQL解析器。
• Analyze：主要完成绑定工作，将不同来源的Unresolved LogicalPlan和元数据进行绑定，生成Resolved LogicalPlan。
• Optimizer：对Resolved Lo;gicalPlan进行优化，生成OptimizedLogicalPlan。
• Planner：将LogicalPlan转换成PhysicalPlan。
• CostModel：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. 下在解析SQL语句之前，会创建SparkSession，涉及到表名、字段名称和字段类型的元数据都将保存在SessionCatalog中；
2. 当调用SparkSession的sql()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，Analyzer会使用Analyzer Rules，并结合SessionCatalog，对未绑定的逻辑计划进行解析，生成已绑定的逻辑计划；
4. 使用Optimizer优化器优化逻辑计划，该优化器同样定义了一套规则（Rules），利用这些规则对逻辑计划和语句进行迭代处理；
5. 使用SparkPlanner对优化后的逻辑计划进行转换，生成可以执行的物理计划SparkPlan；
6. 使用QueryExecution执行物理计划，此时则调用SparkPlan的execute()方法，返回RDDs。

DataFrame简介

Spark SQL使用的数据抽象并非是RDD，而是DataFrame。在Spark 1.3.0版本之前，DataFrame被称为SchemaRDD。DataFrame使Spark具备处理大规模结构化数据的能力。在Spark中，DataFrame是一种以RDD为基础的分布式数据集。DataFrame的结构类似传统数据库的二维表格，可以从很多数据源中创建，如结构化文件、外部数据库、Hive表等数据源。

DataFrame可以看作是分布式的Row对象的集合，在二维表数据集的每一列都带有名称和类型，这就是Schema元信息，这使得Spark框架可获取更多数据结构信息，从而对在DataFrame背后的数据源以及作用于DataFrame之上数据变换进行针对性的优化，最终达到提升计算效率。

DataFrame创建

创建DataFrame的两种基本方式：

• 已存在的RDD调用toDF()方法转换得到DataFrame。
• 通过Spark读取数据源直接创建DataFrame。

直接创建DataFarme对象

若使用SparkSession方式创建DataFrame，可以使用spark.read从不同类型的文件中加载数据创建DataFrame。spark.read的具体操作，如下所示。

在本地创建一个txt文本文档，用于读取：运行spark-shell：
使用以下代码进行读取：

val PDF = spark.read.text("f:/person.txt")
1

把RDD对象转换成DataFarme对象

依旧在spark-shell脚本下运行：

	//读取文本文档，这时第一个RDD的数据类型，按空格分割开来
    val lineRDD = sc.textFile("f:/person.txt").map(_.split(" "))
    //使用一个样式类
    case class Person(id:Int,name:String,age:Int)
    //按照样式类对RDD数据进行分割成map
    val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
    //把RDD数据类型转成DataFarme
    val personDF = personRDD.toDF()
1
2
3
4
5
6
7
8

相同的：最后的personDF是一个DataFarme的数据类型

DataFrame的常用操作

DataFrame提供了两种语法风格，即DSL风格语法和SQL风格语法。二者在功能上并无区别，仅仅是根据用户习惯，自定义选择操作方式。

• DSL风格：DataFrame提供了一个领域特定语言（DSL）以方便操作结构化数据。
• SQL风格：在程序中直接使用spark.sql()方式执行SQL查询，结果将作为一个DataFrame返回，使用SQL风格操作的前提是将DataFrame注册成一个临时表。

DSL的风格

DSL风格操作DataFrame的常用方法，具体如下表如示。

演示几种方法：

// 查看这个表
personDF.show()  
//查看Schema数据
personDF.printSchema()
//查看列
personDF.select(personDF.col("name")).show
//过滤年龄小于25的
personDF.filter(col("age") >= 25).show
1
2
3
4
5
6
7
8

SQL的风格

//注册一个临时表
personDF.registerTempTable("t_person")
//查询信息
sparkSession.sql("select * from t_person").show()
1
2
3
4

DataSet简介

Dataset是从Spark1.6 Alpha版本中引入的一个新的数据抽象结构，最终在Spark2.0版本被定义成Spark新特性。Dataset提供了特定域对象中的强类型集合，也就是在RDD的每行数据中添加了类型约束条件，只有约束条件的数据类型才能正常运行。Dataset结合了RDD和DataFrame的优点，并且可以调用封装的方法以并行方式进行转换等操作。

RDD数据的表现形式，此时RDD数据没有数据类型和元数据信息。
DataFrame数据的表现形式，此时DataFrame数据中添加Schema元数据信息（列名和数据类型，如ID：String），DataFrame每行类型固定为Row类型，每列的值无法直接访问，只有通过解析才能获取各个字段的值。
Dataset数据的表现形式，其中前者是在RDD每行数据的基础之上，添加一个数据类型（value：String）作为Schema元数据信息。而后者每行数据添加People强数据类型，在Dataset[Person]中里存放了3个字段和属性，Dataset每行数据类型可自定义，一旦定义后，就具有错误检查机制。

通过SparkSession中的createDataset来创建Dataset

val personDS =spark.createDataset(sc.textFile("f:/person.txt"))
personDS.show()
1
2

如下图所示：

通过“as[ElementType]”方法转换得到Dataset

    val DS=spark.read.text("f:/person.txt").as[String]
    DS.toDF()
1
2

运行结果如下：获取到DataFarme

RDD转DataFarme

Spark官方提供了两种方法实现从RDD转换得到DataFrame。

• 第一种方法是利用反射机制来推断包含特定类型对象的Schema，这种方式适用于对已知数据结构的RDD转换
• 第二种方法通过编程接口构造一个Schema，并将其应用在已知的RDD数据中。

反射机制推断Schema

Windows系统开发Scala代码，可使用本地环境测试（需要先准备本地数据文件）。我们可以很容易的分析出当前数据文件中字段的信息，但计算机无法直观感受字段的实际含义，因此需要通过反射机制来推断包含特定类型对象的Schema信息，实现将RDD转换成DataFrame。

实现思路： 添加Spark SQL依赖。定义case class样例类、字段和属性，样例类的参数名会被利用反射机制作为列名。通过sc对象读取文件生成一个RDD，将RDD 与样例类匹配，调用toDF()方法将RDD转换为DataFrame。

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_2.11</artifactId>
            <version>2.3.2.3.1.0.0-78</version>
        </dependency>
1
2
3
4
5

在Maven projects当中进行查看。会有新添加的sql依赖。

编程方式定义Schema

当Case类不能提前定义Schema时，就需要采用编程方式定义Schema信息，实现RDD转换DataFrame的功能。
实现思路： 通过SparkSession提供的createDataFrame()方法来拼接Schema，来实现RDD转换成DataFrame
代码实现如下:

package SparkSQL

import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{Column, DataFrame, Dataset, SparkSession}

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

object SparkSQL {

  def main(args: Array[String]): Unit = {
    //第一步：获取sparkSession对象
    val sparkSession: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[2]").getOrCreate()
    //第二步：获取sparkContext
    val sparkContext: SparkContext = sparkSession.sparkContext
    sparkContext.setLogLevel("WARN")
    //读取文件，生成RDD
    val rddFile: RDD[String] = sparkContext.textFile("file:///F:\\person.txt")
    //将每一行的内容按照空格切分，生成一个单词数组
    val wordArray: RDD[Array[String]] = rddFile.map(_.split(" "))
    val personRDD: RDD[Person] = wordArray.map(x => Person(x(0).toInt,x(1),x(2).toInt))

    //导入隐式转换的类，我们的RDD才可以转换成DataFrame
    import sparkSession.implicits._
    //将我们的RDD转换成DataFrame
    val personDF: DataFrame = personRDD.toDF()
	println("sparkSql DSL风格语法 开始")
    personDF.printSchema()

    personDF.show()

    personDF.show(2)

    println(personDF.head())
    //查询name字段的所有值
    personDF.select("name").show()
    personDF.select($"name").show()
    personDF.select(personDF.col("name")).show()
    personDF.select(new Column("name")).show()
    //将年龄的值进行 + 1
    personDF.select($"id",$"name",$"age",$"age"+1).show()
    //按照年龄进行分组
    personDF.groupBy($"age").count().show()
    println("*************sparkSql DSL风格语法 结束*************")
    println()
    println("*************sparkSql sql风格语法 开始*************")
    val personTable: Unit = personDF.registerTempTable("t_person")
    val personView: Unit = personDF.createTempView("t_person_view")
    //查询表当中所有的数据
    println("查询表中所有信息")
    sparkSession.sql("select * from t_person").show()
    println("查询表中所有信息 => t_person_view")
    sparkSession.sql("select * from t_person_view").show()
    println("查询名字为zhangsan的数据")
    sparkSession.sql("select * from t_person_view where name = 'zhangsan'").show()
    println("***************sparkSql sql风格语法 结束*********************")
    sparkContext.stop()
    sparkSession.close()
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

Spark SQL操作MySQL数据库

在使用连接数据库之前定义一个用于Spark测试的简单数据库

CREATE DATABASE spark

USE spark

CREATE TABLE person(
id INT NOT NULL,
NAME CHAR(10) NOT NULL,
age INT NOT NULL
)ENGINE=INNODB DEFAULT CHARSET=utf8mb4;

INSERT INTO person VALUES(1,"zhangsan",28)
INSERT INTO person VALUES(2,"lisi",38)

SELECT * FROM person
1
2
3
4
5
6
7
8
9
10
11
12
13
14

使用以下语句进行连接数据库

val mysqlDF : DataFrame =spark.read.jdbc ("jdbc:mysql://192.168.121.134:3306/spark","person",properties)
1

完整代码如下：

package SparkSQL
import java.util.Properties
import org.apache.spark.SparkContext
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{Column, DataFrame, Dataset, SparkSession}
object test {
  def main(args: Array[String]): Unit = {
    val sparkSession: SparkSession = SparkSession.builder().appName("SparkSQLmysql").master("local[2]").getOrCreate()
    val sparkContext: SparkContext = sparkSession.sparkContext
    sparkContext.setLogLevel("WARN")
    val properties = new Properties()
    properties.setProperty("user","root")
    properties.setProperty("password","root")
    val mysqlDF  =sparkSession.read.jdbc ("jdbc:mysql://localhost:3306/spark?serverTimezone=UTC","person",properties)

    mysqlDF.printSchema()
    mysqlDF.show()

    sparkContext.stop()
    sparkSession.stop()
  }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

运行项目查看结果：

需要注意的是在连接数据库的时候要加上jdbc的驱动包，添加到环境当中即可