大数据-93 Spark 集群 Spark SQL 概述 基本概念 SparkSQL对比 架构 抽象

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（正在更新！）

章节内容

上节完成的内容如下：

• Standalone提交
• SparkContext相关概念
• Shuffle 概念、历史、V1和V2对比

SparkSQL 概述

简单介绍

SparkSQL 是 Apache Spark 中用于处理结构化数据的模块。它不仅支持 SQL 查询，还允许你将 SQL 查询与 Spark 的其他强大功能结合使用，如数据流处理和机器学习。SparkSQL 提供了对数据的高度优化的访问方式，可以处理大量的结构化和半结构化数据集。

核心功能

• SQL 支持：SparkSQL 允许用户使用标准的 SQL 语句查询数据，类似于传统的关系型数据库。它支持基本的 SQL 操作，如 SELECT、JOIN、GROUP BY 等。
• 数据框 API：数据框（DataFrame）是 SparkSQL 中最重要的概念之一。它是一个分布式的数据集，类似于关系数据库中的表。数据框提供了一个统一的接口来处理不同的数据源，如 Hive、Parquet、JSON、CSV 等。你可以用类似 SQL 的方式对数据框进行操作，如过滤、聚合等。
• 与其他 Spark 组件的集成：SparkSQL 无缝集成了 Spark 的其他组件，如 Spark Streaming 和 Spark MLlib。你可以将结构化数据处理与流数据处理或机器学习算法结合在一起。
• Catalyst 优化器：SparkSQL 使用 Catalyst 优化器来自动优化 SQL 查询。这是一个强大的查询优化器，可以对查询执行计划进行转换和优化，从而提高查询的执行效率。
• 统一的数据访问：SparkSQL 提供了一种统一的数据访问方式，可以处理结构化、半结构化和非结构化数据。它支持多种数据源，如关系数据库（通过 JDBC）、Hive、HDFS、Amazon S3 等。

使用场景

• 数据仓库和商业智能：利用 SparkSQL 可以对大规模数据集进行复杂的查询和分析，非常适合用于数据仓库和商业智能场景。
• 数据集成：SparkSQL 可以集成多个不同的数据源，将它们整合成一个统一的视图进行处理。
• 数据管道：在数据管道中，SparkSQL 常用于数据的清洗、转换和聚合。

Hive

• Hive的诞生，主要是因为MapReduce程序对Java的要求比较高，为了他们能够操作HDFS上的数据，推出了Hive。
• Hive 和 RDBMS 的 SQL模型比较类似，容易掌握。
• Hive 的主要缺陷在于它的底层是基于MapReduce的，执行比较慢。

Spark 0.x: Shark

在Spark 0.x版的时候推出了Shark，Shark与Hive是紧密关联的，Shark底层很多东西还是依赖于Hive，修改了内存管理、物理计划、执行三个模块，底层使用Spark基于内存的计算模型，性能上比Hive提升了很多倍。
Shark更多的是对Hive的改造，替换了Hive的物理执行引擎，提高了执行速度。但Shark继承了大量的Hive代码，因为给优化和维护带来了大量的麻烦。

Spark 1.x: Shark

在Spark1.x版本时Shark被淘汰，在2014年7月1日的SparkSummit上，Databricks宣布终止对于Shark的开发，将重点放到了 SparkSQL 上。
Shark终止后，产生了两个分支：

• Hive On Spark：Hive社区的，源码在Hive中
• Spark SQL （Spark On Hive）：Spark社区的，源码在Spark中

Spark 3.0

Spark3.0 超过3400个Jira问题被解决，下面是各个核心组件中分布情况：

Spark SQL 特点

Spark SQL 从面世以来不仅结果了 Shark 的接力棒，为Spark用户提高高性能的 SQL On Hadoop 的解决方案，换为Spark带来了通用的、高效的、多元一体的结构化的数据处理能力。
Spark SQL 的优势：

• 写更少的代码
• 读更少的数据（Spark SQL的表数据在内存中存储不使用原生态JVM对象存储方式，而是内存列存储）
• 提供更好的性能（字节码生成技术、SQL优化）

Spark SQL 数据抽象

Spark SQL 提供了两个新的抽象，分别是：

• DataFrame
• DataSet

DataFrame

DataFrame 的前身是SchemaRDD，Spark 1.3更名为 DataFrame，不继承RDD，自己实现了RDD的大部分功能。
与RDD类似，DataFrame也是一个分布式的数据集：

• DataFrame可以看做分布式Row对象的集合，提供了由列组成的详细模式信息，使其可以得到优化-
• DataFrame不仅有比RDD更多的算子，还可以进行执行计划的优化
• DataFrame更像传统数据的二维表格，除了数据以外，还记录数据的结构信息，即 Schema
• DataFrame支持嵌套数据类型（struct、array、map）
• DataFrame API 提供了一套高层的关系操作，比函数式的RDD API要更加友好，门槛更低。
• DataFrame 的劣势在于编译期间缺少安全检查，导致运行时出错。

下图是RDD存储和DataFrame存储的对比图：

Dataset

Dataset是在Spark1.6中添加的新的接口

• 与RDD相比，保存了更多的描述信息，概念上等同于关系型数据库中的二维表
• 与DataFrame相比，保存了类型信息，是强类型的，提供了编译时类型检查
• 调用Dataset的方法先会生成逻辑计划，然后Spark的优化器进行优化，最终生成物理计划，然后提交到集群中运行
• Dataset包含了DataFrame的功能，在Spark2.0中两者得到了统一，DataFrame表示为Dataset[Row]，即Dataset的子集

Row & Schema

DataFrame = RDD[Row] + Schema。DataFrame的前身是 SchemaRDD
Row是一个泛化、无类型的JVM Object

我们可以启动 spark-shell 进行直观的体验：

spark-shell --master local[*]
1

尝试运行下面的代码：

import org.apache.spark.sql.Row

val row1 = Row(1, "abc", 1.2)

row1(0)
row1(1)
row1(2)

row1.getInt(0)
row1.getString(1)
row1.getDouble(2)

row1.getAs[Int](0)
row1.getAs[String](1)
row1.getAs[Double](2)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

运行过程如下所示：

三者共性

• RDD、DataFrame、Dataset是Spark平台下的分布式弹性数据集，为处理海量数据提供便利
• 三者都有许多相同的概念，如分区、持久化、容错等，有许多共同的函数，如 Map、Filter、SortBy
• 三者都有惰性机制，只有在遇到Action算子时，才会开始真正的计算。
• 对DataFrame和Dataset进行操作许多操作都需要这个包进行支持（import spark.implicits._）

三者区别

DataFrame（DataFrame = RDD[Row] + Schema）

• 与RDD和DataSet不同，DataFrame每一行的类型固定为Row，只有通过解析才能获取各个字段的值
• DataFrame与Dataset均支持SparkSQL的操作

Dataset(Dataset = RDD[case class].toDS)

• Dataset和DataFrame拥有完全相同的成员函数，区别只是每一行的数据类型不同
• DataFrame 定义为 Dataset[Row]，每一行的类型是Row，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用前面的提到的getAs的方式来拿出字段
• Dataset每一行的类型都是一个 case class，在自定义了 case class之后可以很自由的获得每一行的信息

数据类型

SparkSQL 支持多种数据类型，这些数据类型可以表示不同种类的结构化数据。理解这些数据类型有助于你在使用 SparkSQL 进行数据处理时，正确地定义和操作数据。

基本类型

• StringType：表示字符串类型的数据。用于存储文本数据。
• BinaryType：表示二进制数据类型，用于存储字节数组。
• BooleanType：表示布尔类型的数据，只有两个可能的值：true 和 false。
• DateType：表示日期类型的数据，不包含时间部分。格式通常为 YYYY-MM-DD。
• TimestampType：表示时间戳类型的数据，包含日期和时间。格式通常为 YYYY-MM-DD HH:MM:SS.SSSSSS。
• DoubleType：表示双精度浮点数类型的数据。用于存储高精度的数值。
• FloatType：表示单精度浮点数类型的数据。比 DoubleType 占用更少的存储空间，但精度较低。
• ByteType：表示一个 8 位有符号整数的数据类型。取值范围为 -128 到 127。
• ShortType：表示一个 16 位有符号整数的数据类型。取值范围为 -32768 到 32767。
• IntegerType：表示一个 32 位有符号整数的数据类型。取值范围为 -2147483648 到 2147483647。
• LongType：表示一个 64 位有符号整数的数据类型。用于存储长整型数据。
• DecimalType：表示精确的小数类型的数据。通常用于存储货币或需要精确计算的小数。

复杂类型

• ArrayType：表示一个数组类型，可以存储相同数据类型的多个值。它的元素类型可以是任何数据类型（包括嵌套的复杂类型）。
• MapType：表示键值对（key-value pairs）的集合，类似于哈希表或字典。键和值都可以是任意数据类型。
• StructType：表示一个结构体类型，类似于关系数据库中的行。它由一组字段组成，每个字段都有一个名称和类型。StructType 是用来定义表的模式的主要方式。

特殊类型

• NullType：表示空值的类型，通常在处理空数据或缺失数据时使用。
• CalendarIntervalType：表示一个时间间隔，用于存储时间差异，例如几年几个月几天。