Spark SQL, DataFrames 以及 Datasets 編程指南
概要
Spark SQL是Spark中處理結構化數據的模塊。與基礎的Spark RDD API不同,Spark SQL的接口提供了更多關於數據的結構信息和計算任務的運行時信息。在Spark內部,Spark SQL會能夠用於做優化的信息比RDD API更多一些。Spark SQL如今有了三種不同的API:SQL語句、DataFrame API和最新的Dataset API。不過真正運行計算的時候,無論你使用哪種API或語言,Spark SQL使用的執行引擎都是同一個。這種底層的統一,使開發者可以在不同的API之間來回切換,你可以選擇一種最自然的方式,來表達你的需求。
本文中所有的示例都使用Spark發佈版本中自帶的示例數據,並且可以在spark-shell、pyspark shell以及sparkR shell中運行。
SQL
Spark SQL的一種用法是直接執行SQL查詢語句,你可使用最基本的SQL語法,也可以選擇HiveQL語法。Spark SQL可以從已有的Hive中讀取數據。更詳細的請參考Hive Tables 這一節。如果用其他編程語言運行SQL,Spark SQL將以DataFrame返回結果。你還可以通過命令行command-line 或者 JDBC/ODBC 使用Spark SQL。
DataFrames
DataFrame是一種分佈式數據集合,每一條數據都由幾個命名字段組成。概念上來說,她和關係型數據庫的表 或者 R和Python中的data frame等價,只不過在底層,DataFrame採用了更多優化。DataFrame可以從很多數據源(sources)加載數據並構造得到,如:結構化數據文件,Hive中的表,外部數據庫,或者已有的RDD。
Datasets
Dataset是Spark-1.6新增的一種API,目前還是實驗性的。Dataset想要把RDD的優勢(強類型,可以使用lambda表達式函數)和Spark SQL的優化執行引擎的優勢結合到一起。Dataset可以由JVM對象構建(constructed )得到,而後Dataset上可以使用各種transformation算子(map,flatMap,filter 等)。
Dataset API 對 Scala 和 Java的支持接口是一致的,但目前還不支持Python,不過Python自身就有語言動態特性優勢(例如,你可以使用字段名來訪問數據,row.columnName)。對Python的完整支持在未來的版本會增加進來。
入門
入口:SQLContext
Spark SQL所有的功能入口都是SQLContext
類,及其子類。不過要創建一個SQLContext對象,首先需要有一個SparkContext對象。
val sc: SparkContext // 假設已經有一個 SparkContext 對象
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
// 用於包含RDD到DataFrame隱式轉換操作
import sqlContext.implicits._
除了SQLContext之外,你也可以創建HiveContext,HiveContext是SQLContext 的超集。
除了SQLContext的功能之外,HiveContext還提供了完整的HiveQL語法,UDF使用,以及對Hive表中數據的訪問。要使用HiveContext,你並不需要安裝Hive,而且SQLContext能用的數據源,HiveContext也一樣能用。HiveContext是單獨打包的,從而避免了在默認的Spark發佈版本中包含所有的Hive依賴。如果這些依賴對你來說不是問題(不會造成依賴衝突等),建議你在Spark-1.3之前使用HiveContext。而後續的Spark版本,將會逐漸把SQLContext升級到和HiveContext功能差不多的狀態。
spark.sql.dialect選項可以指定不同的SQL變種(或者叫SQL方言)。這個參數可以在SparkContext.setConf裏指定,也可以通過 SQL語句的SET key=value命令指定。對於SQLContext,該配置目前唯一的可選值就是”sql”,這個變種使用一個Spark SQL自帶的簡易SQL解析器。而對於HiveContext,spark.sql.dialect 默認值爲”hiveql”,當然你也可以將其值設回”sql”。僅就目前而言,HiveSQL解析器支持更加完整的SQL語法,所以大部分情況下,推薦使用HiveContext。
創建DataFrame
Spark應用可以用SparkContext創建DataFrame,所需的數據來源可以是已有的RDD(existing RDD
),或者Hive表,或者其他數據源(data
sources.)
以下是一個從JSON文件創建DataFrame的小栗子:
val sc: SparkContext // 已有的 SparkContext.
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
val df = sqlContext.read.json("examples/src/main/resources/people.json")
// 將DataFrame內容打印到stdout
df.show()
DataFrame操作
DataFrame提供了結構化數據的領域專用語言支持,包括Scala, Java, Python and R.
這裏我們給出一個結構化數據處理的基本示例:
val sc: SparkContext // 已有的 SparkContext.
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
// 創建一個 DataFrame
val df = sqlContext.read.json("examples/src/main/resources/people.json")
// 展示 DataFrame 的內容
df.show()
// age name
// null Michael
// 30 Andy
// 19 Justin
// 打印數據樹形結構
df.printSchema()
// root
// |-- age: long (nullable = true)
// |-- name: string (nullable = true)
// select "name" 字段
df.select("name").show()
// name
// Michael
// Andy
// Justin
// 展示所有人,但所有人的 age 都加1
df.select(df("name"), df("age") + 1).show()
// name (age + 1)
// Michael null
// Andy 31
// Justin 20
// 篩選出年齡大於21的人
df.filter(df("age") > 21).show()
// age name
// 30 Andy
// 計算各個年齡的人數
df.groupBy("age").count().show()
// age count
// null 1
// 19 1
// 30 1
DataFrame的完整API列表請參考這裏:API Documentation
除了簡單的字段引用和表達式支持之外,DataFrame還提供了豐富的工具函數庫,包括字符串組裝,日期處理,常見的數學函數等。完整列表見這裏:DataFrame Function Reference.
編程方式執行SQL查詢
SQLContext.sql可以執行一個SQL查詢,並返回DataFrame結果。
val sqlContext = ... // 已有一個 SQLContext 對象
val df = sqlContext.sql("SELECT * FROM table")
創建Dataset
Dataset API和RDD類似,不過Dataset不使用Java序列化或者Kryo,而是使用專用的編碼器(Encoder )來序列化對象和跨網絡傳輸通信。如果這個編碼器和標準序列化都能把對象轉字節,那麼編碼器就可以根據代碼動態生成,並使用一種特殊數據格式,這種格式下的對象不需要反序列化回來,就能允許Spark進行操作,如過濾、排序、哈希等。
// 對普通類型數據的Encoder是由 importing sqlContext.implicits._ 自動提供的
val ds = Seq(1, 2, 3).toDS()
ds.map(_ + 1).collect() // 返回: Array(2, 3, 4)
// 以下這行不僅定義了case class,同時也自動爲其創建了Encoder
case class Person(name: String, age: Long)
val ds = Seq(Person("Andy", 32)).toDS()
// DataFrame 只需提供一個和數據schema對應的class即可轉換爲 Dataset。Spark會根據字段名進行映射。
val path = "examples/src/main/resources/people.json"
val people = sqlContext.read.json(path).as[Person]
和RDD互操作
Spark SQL有兩種方法將RDD轉爲DataFrame。
1. 使用反射機制,推導包含指定類型對象RDD的schema。這種基於反射機制的方法使代碼更簡潔,而且如果你事先知道數據schema,推薦使用這種方式;
2. 編程方式構建一個schema,然後應用到指定RDD上。這種方式更囉嗦,但如果你事先不知道數據有哪些字段,或者數據schema是運行時讀取進來的,那麼你很可能需要用這種方式。
利用反射推導schema
Spark SQL的Scala接口支持自動將包含case class對象的RDD轉爲DataFrame。對應的case class定義了表的schema。case class的參數名通過反射,映射爲表的字段名。case class還可以嵌套一些複雜類型,如Seq和Array。RDD隱式轉換成DataFrame後,可以進一步註冊成表。隨後,你就可以對錶中數據使用SQL語句查詢了。
// sc 是已有的 SparkContext 對象
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
// 爲了支持RDD到DataFrame的隱式轉換
import sqlContext.implicits._
// 定義一個case class.
// 注意:Scala 2.10的case class最多支持22個字段,要繞過這一限制,
// 你可以使用自定義class,並實現Product接口。當然,你也可以改用編程方式定義schema
case class Person(name: String, age: Int)
// 創建一個包含Person對象的RDD,並將其註冊成table
val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()
people.registerTempTable("people")
// sqlContext.sql方法可以直接執行SQL語句
val teenagers = sqlContext.sql("SELECT name, age FROM people WHERE age >= 13 AND age <= 19")
// SQL查詢的返回結果是一個DataFrame,且能夠支持所有常見的RDD算子
// 查詢結果中每行的字段可以按字段索引訪問:
teenagers.map(t => "Name: " + t(0)).collect().foreach(println)
// 或者按字段名訪問:
teenagers.map(t => "Name: " + t.getAs[String]("name")).collect().foreach(println)
// row.getValuesMap[T] 會一次性返回多列,並以Map[String, T]爲返回結果類型
teenagers.map(_.getValuesMap[Any](List("name", "age"))).collect().foreach(println)
// 返回結果: Map("name" -> "Justin", "age" -> 19)
編程方式定義Schema
如果不能事先通過case class定義schema(例如,記錄的字段結構是保存在一個字符串,或者其他文本數據集中,需要先解析,又或者字段對不同用戶有所不同),那麼你可能需要按以下三個步驟,以編程方式的創建一個DataFrame:
- 從已有的RDD創建一個包含Row對象的RDD
- 用StructType創建一個schema,和步驟1中創建的RDD的結構相匹配
- 把得到的schema應用於包含Row對象的RDD,調用這個方法來實現這一步:SQLContext.createDataFrame
For example:
例如:
// sc 是已有的SparkContext對象
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
// 創建一個RDD
val people = sc.textFile("examples/src/main/resources/people.txt")
// 數據的schema被編碼與一個字符串中
val schemaString = "name age"
// Import Row.
import org.apache.spark.sql.Row;
// Import Spark SQL 各個數據類型
import org.apache.spark.sql.types.{StructType,StructField,StringType};
// 基於前面的字符串生成schema
val schema =
StructType(
schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, true)))
// 將RDD[people]的各個記錄轉換爲Rows,即:得到一個包含Row對象的RDD
val rowRDD = people.map(_.split(",")).map(p => Row(p(0), p(1).trim))
// 將schema應用到包含Row對象的RDD上,得到一個DataFrame
val peopleDataFrame = sqlContext.createDataFrame(rowRDD, schema)
// 將DataFrame註冊爲table
peopleDataFrame.registerTempTable("people")
// 執行SQL語句
val results = sqlContext.sql("SELECT name FROM people")
// SQL查詢的結果是DataFrame,且能夠支持所有常見的RDD算子
// 並且其字段可以以索引訪問,也可以用字段名訪問
results.map(t => "Name: " + t(0)).collect().foreach(println)
數據源
Spark SQL支持基於DataFrame操作一系列不同的數據源。DataFrame既可以當成一個普通RDD來操作,也可以將其註冊成一個臨時表來查詢。把DataFrame註冊爲table之後,你就可以基於這個table執行SQL語句了。本節將描述加載和保存數據的一些通用方法,包含了不同的Spark數據源,然後深入介紹一下內建數據源可用選項。
通用加載/保存函數
在最簡單的情況下,所有操作都會以默認類型數據源來加載數據(默認是Parquet,除非修改了spark.sql.sources.default 配置)。
val df = sqlContext.read.load("examples/src/main/resources/users.parquet")
df.select("name", "favorite_color").write.save("namesAndFavColors.parquet")
手動指定選項
你也可以手動指定數據源,並設置一些額外的選項參數。數據源可由其全名指定(如,org.apache.spark.sql.parquet),而對於內建支持的數據源,可以使用簡寫名(json, parquet, jdbc)。任意類型數據源創建的DataFrame都可以用下面這種語法轉成其他類型數據格式。
val df = sqlContext.read.format("json").load("examples/src/main/resources/people.json")
df.select("name", "age").write.format("parquet").save("namesAndAges.parquet")
直接對文件使用SQL
Spark SQL還支持直接對文件使用SQL查詢,不需要用read方法把文件加載進來。
val df = sqlContext.sql("SELECT * FROM parquet.`examples/src/main/resources/users.parquet`")
保存模式
Save操作有一個可選參數SaveMode,用這個參數可以指定如何處理數據已經存在的情況。很重要的一點是,這些保存模式都沒有加鎖,所以其操作也不是原子性的。另外,如果使用Overwrite模式,實際操作是,先刪除數據,再寫新數據。
僅Scala/Java | 所有支持的語言 | 含義 |
---|---|---|
SaveMode.ErrorIfExists (default) |
"error" (default) |
(默認模式)從DataFrame向數據源保存數據時,如果數據已經存在,則拋異常。 |
SaveMode.Append |
"append" |
如果數據或表已經存在,則將DataFrame的數據追加到已有數據的尾部。 |
SaveMode.Overwrite |
"overwrite" |
如果數據或表已經存在,則用DataFrame數據覆蓋之。 |
SaveMode.Ignore |
"ignore" |
如果數據已經存在,那就放棄保存DataFrame數據。這和SQL裏CREATE TABLE IF NOT EXISTS有點類似。 |
保存到持久化表
在使用HiveContext的時候,DataFrame可以用saveAsTable方法,將數據保存成持久化的表。與registerTempTable不同,saveAsTable會將DataFrame的實際數據內容保存下來,並且在HiveMetastore中創建一個遊標指針。持久化的表會一直保留,即使Spark程序重啓也沒有影響,只要你連接到同一個metastore就可以讀取其數據。讀取持久化表時,只需要用用表名作爲參數,調用SQLContext.table方法即可得到對應DataFrame。
默認情況下,saveAsTable會創建一個”managed table“,也就是說這個表數據的位置是由metastore控制的。同樣,如果刪除表,其數據也會同步刪除。
Parquet文件
Parquet 是一種流行的列式存儲格式。Spark SQL提供對Parquet文件的讀寫支持,而且Parquet文件能夠自動保存原始數據的schema。寫Parquet文件的時候,所有的字段都會自動轉成nullable,以便向後兼容。
編程方式加載數據
仍然使用上面例子中的數據:
// 我們繼續沿用之前例子中的sqlContext對象
// 爲了支持RDD隱式轉成DataFrame
import sqlContext.implicits._
val people: RDD[Person] = ... // 和上面例子中相同,一個包含case class對象的RDD
// 該RDD將隱式轉成DataFrame,然後保存爲parquet文件
people.write.parquet("people.parquet")
// 讀取上面保存的Parquet文件(多個文件 - Parquet保存完其實是很多個文件)。Parquet文件是自描述的,文件中保存了schema信息
// 加載Parquet文件,並返回DataFrame結果
val parquetFile = sqlContext.read.parquet("people.parquet")
// Parquet文件(多個)可以註冊爲臨時表,然後在SQL語句中直接查詢
parquetFile.registerTempTable("parquetFile")
val teenagers = sqlContext.sql("SELECT name FROM parquetFile WHERE age >= 13 AND age <= 19")
teenagers.map(t => "Name: " + t(0)).collect().foreach(println)
分區發現
像Hive這樣的系統,一個很常用的優化手段就是表分區。在一個支持分區的表中,數據是保存在不同的目錄中的,並且將分區鍵以編碼方式保存在各個分區目錄路徑中。Parquet數據源現在也支持自動發現和推導分區信息。例如,我們可以把之前用的人口數據存到一個分區表中,其目錄結構如下所示,其中有2個額外的字段,gender和country,作爲分區鍵:
path
└── to
└── table
├── gender=male
│ ├── ...
│ │
│ ├── country=US
│ │ └── data.parquet
│ ├── country=CN
│ │ └── data.parquet
│ └── ...
└── gender=female
├── ...
│
├── country=US
│ └── data.parquet
├── country=CN
│ └── data.parquet
└── ...
在這個例子中,如果需要讀取Parquet文件數據,我們只需要把 path/to/table 作爲參數傳給 SQLContext.read.parquet 或者 SQLContext.read.load。Spark SQL能夠自動的從路徑中提取出分區信息,隨後返回的DataFrame的schema如下:
root
|-- name: string (nullable = true)
|-- age: long (nullable = true)
|-- gender: string (nullable = true)
|-- country: string (nullable = true)
注意,分區鍵的數據類型將是自動推導出來的。目前,只支持數值類型和字符串類型數據作爲分區鍵。
有的用戶可能不想要自動推導出來的分區鍵數據類型。這種情況下,你可以通過 spark.sql.sources.partitionColumnTypeInference.enabled (默認是true)來禁用分區鍵類型推導。禁用之後,分區鍵總是被當成字符串類型。
從Spark-1.6.0開始,分區發現默認只在指定目錄的子目錄中進行。以上面的例子來說,如果用戶把 path/to/table/gender=male 作爲參數傳給 SQLContext.read.parquet 或者 SQLContext.read.load,那麼gender就不會被作爲分區鍵。如果用戶想要指定分區發現的基礎目錄,可以通過basePath選項指定。例如,如果把 path/to/table/gender=male作爲數據目錄,並且將basePath設爲 path/to/table,那麼gender仍然會最爲分區鍵。
Schema合併
像ProtoBuffer、Avro和Thrift一樣,Parquet也支持schema演變。用戶從一個簡單的schema開始,逐漸增加所需的新字段。這樣的話,用戶最終會得到多個schema不同但互相兼容的Parquet文件。目前,Parquet數據源已經支持自動檢測這種情況,併合並所有文件的schema。
因爲schema合併相對代價比較大,並且在多數情況下不是必要的,所以從Spark-1.5.0之後,默認是被禁用的。你可以這樣啓用這一功能:
- 讀取Parquet文件時,將選項mergeSchema設爲true(見下面的示例代碼)
- 或者,將全局選項spark.sql.parquet.mergeSchema設爲true
// 繼續沿用之前的sqlContext對象
// 爲了支持RDD隱式轉換爲DataFrame
import sqlContext.implicits._
// 創建一個簡單的DataFrame,存到一個分區目錄中
val df1 = sc.makeRDD(1 to 5).map(i => (i, i * 2)).toDF("single", "double")
df1.write.parquet("data/test_table/key=1")
// 創建另一個DataFrame放到新的分區目錄中,
// 並增加一個新字段,丟棄一個老字段
val df2 = sc.makeRDD(6 to 10).map(i => (i, i * 3)).toDF("single", "triple")
df2.write.parquet("data/test_table/key=2")
// 讀取分區表
val df3 = sqlContext.read.option("mergeSchema", "true").parquet("data/test_table")
df3.printSchema()
// 最終的schema將由3個字段組成(single,double,triple)
// 並且分區鍵出現在目錄路徑中
// root
// |-- single: int (nullable = true)
// |-- double: int (nullable = true)
// |-- triple: int (nullable = true)
// |-- key : int (nullable = true)
Hive metastore Parquet table轉換
在讀寫Hive metastore Parquet 表時,Spark SQL用的是內部的Parquet支持庫,而不是Hive SerDe,因爲這樣性能更好。這一行爲是由spark.sql.hive.convertMetastoreParquet 配置項來控制的,而且默認是啓用的。
Hive/Parquet schema調和
Hive和Parquet在表結構處理上主要有2個不同點:
- Hive大小寫敏感,而Parquet不是
- Hive所有字段都是nullable的,而Parquet需要顯示設置
由於以上原因,我們必須在Hive metastore Parquet table轉Spark SQL Parquet table的時候,對Hive metastore schema做調整,調整規則如下:
- 兩種schema中字段名和字段類型必須一致(不考慮nullable)。調和後的字段類型必須在Parquet格式中有相對應的數據類型,所以nullable是也是需要考慮的。
- 調和後Spark SQL Parquet table schema將包含以下字段:
- 只出現在Parquet schema中的字段將被丟棄
- 只出現在Hive metastore schema中的字段將被添加進來,並顯式地設爲nullable。
刷新元數據
Spark SQL會緩存Parquet元數據以提高性能。如果Hive metastore Parquet table轉換被啓用的話,那麼轉換過來的schema也會被緩存。這時候,如果這些表由Hive或其他外部工具更新了,你必須手動刷新元數據。
// 注意,這裏sqlContext是一個HiveContext
sqlContext.refreshTable("my_table")
配置
Parquet配置可以通過 SQLContext.setConf 或者 SQL語句中 SET key=value來指定。
屬性名 | 默認值 | 含義 |
---|---|---|
spark.sql.parquet.binaryAsString |
false | 有些老系統,如:特定版本的Impala,Hive,或者老版本的Spark SQL,不區分二進制數據和字符串類型數據。這個標誌的意思是,讓Spark SQL把二進制數據當字符串處理,以兼容老系統。 |
spark.sql.parquet.int96AsTimestamp |
true | 有些老系統,如:特定版本的Impala,Hive,把時間戳存成INT96。這個配置的作用是,讓Spark SQL把這些INT96解釋爲timestamp,以兼容老系統。 |
spark.sql.parquet.cacheMetadata |
true | 緩存Parquet schema元數據。可以提升查詢靜態數據的速度。 |
spark.sql.parquet.compression.codec |
gzip | 設置Parquet文件的壓縮編碼格式。可接受的值有:uncompressed, snappy, gzip(默認), lzo |
spark.sql.parquet.filterPushdown |
true | 啓用過濾器下推優化,可以講過濾條件儘量推導最下層,已取得性能提升 |
spark.sql.hive.convertMetastoreParquet |
true | 如果禁用,Spark SQL將使用Hive SerDe,而不是內建的對Parquet tables的支持 |
spark.sql.parquet.output.committer.class |
org.apache.parquet.hadoop. |
Parquet使用的數據輸出類。這個類必須是 org.apache.hadoop.mapreduce.OutputCommitter的子類。一般來說,它也應該是 org.apache.parquet.hadoop.ParquetOutputCommitter的子類。注意:1. 如果啓用spark.speculation, 這個選項將被自動忽略
2. 這個選項必須用hadoop configuration設置,而不是Spark SQLConf 3. 這個選項會覆蓋 spark.sql.sources.outputCommitterClass Spark SQL有一個內建的org.apache.spark.sql.parquet.DirectParquetOutputCommitter, 這個類的在輸出到S3的時候比默認的ParquetOutputCommitter類效率高。 |
spark.sql.parquet.mergeSchema |
false |
如果設爲true,那麼Parquet數據源將會merge 所有數據文件的schema,否則,schema是從summary file獲取的(如果summary file沒有設置,則隨機選一個) |
JSON數據集
Spark SQL在加載JSON數據的時候,可以自動推導其schema並返回DataFrame。用SQLContext.read.json讀取一個包含String的RDD或者JSON文件,即可實現這一轉換。
注意,通常所說的json文件只是包含一些json數據的文件,而不是我們所需要的JSON格式文件。JSON格式文件必須每一行是一個獨立、完整的的JSON對象。因此,一個常規的多行json文件經常會加載失敗。
// sc是已有的SparkContext對象
val sqlContext = new org.apache.spark.sql.SQLContext(sc)
// 數據集是由路徑指定的
// 路徑既可以是單個文件,也可以還是存儲文本文件的目錄
val path = "examples/src/main/resources/people.json"
val people = sqlContext.read.json(path)
// 推導出來的schema,可由printSchema打印出來
people.printSchema()
// root
// |-- age: integer (nullable = true)
// |-- name: string (nullable = true)
// 將DataFrame註冊爲table
people.registerTempTable("people")
// 跑SQL語句吧!
val teenagers = sqlContext.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")
// 另一種方法是,用一個包含JSON字符串的RDD來創建DataFrame
val anotherPeopleRDD = sc.parallelize(
"""{"name":"Yin","address":{"city":"Columbus","state":"Ohio"}}""" :: Nil)
val anotherPeople = sqlContext.read.json(anotherPeopleRDD)
Hive表
Spark SQL支持從Apache Hive讀寫數據。然而,Hive依賴項太多,所以沒有把Hive包含在默認的Spark發佈包裏。要支持Hive,需要在編譯spark的時候增加-Phive和-Phive-thriftserver標誌。這樣編譯打包的時候將會把Hive也包含進來。注意,hive的jar包也必須出現在所有的worker節點上,訪問Hive數據時候會用到(如:使用hive的序列化和反序列化SerDes時)。
Hive配置在conf/目錄下hive-site.xml,core-site.xml(安全配置),hdfs-site.xml(HDFS配置)文件中。請注意,如果在YARN cluster(yarn-cluster mode)模式下執行一個查詢的話,lib_mananged/jar/下面的datanucleus 的jar包,和conf/下的hive-site.xml必須在驅動器(driver)和所有執行器(executor)都可用。一種簡便的方法是,通過spark-submit命令的–jars和–file選項來提交這些文件。
如果使用Hive,則必須構建一個HiveContext,HiveContext是派生於SQLContext的,添加了在Hive Metastore裏查詢表的支持,以及對HiveQL的支持。用戶沒有現有的Hive部署,也可以創建一個HiveContext。如果沒有在hive-site.xml裏配置,那麼HiveContext將會自動在當前目錄下創建一個metastore_db目錄,再根據HiveConf設置創建一個warehouse目錄(默認/user/hive/warehourse)。所以請注意,你必須把/user/hive/warehouse的寫權限賦予啓動spark應用程序的用戶。
// sc是一個已有的SparkContext對象
val sqlContext = new org.apache.spark.sql.hive.HiveContext(sc)
sqlContext.sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING)")
sqlContext.sql("LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src")
// 這裏用的是HiveQL
sqlContext.sql("FROM src SELECT key, value").collect().foreach(println)
和不同版本的Hive Metastore交互
Spark SQL對Hive最重要的支持之一就是和Hive metastore進行交互,這使得Spark SQL可以訪問Hive表的元數據。從Spark-1.4.0開始,Spark SQL有專門單獨的二進制build版本,可以用來訪問不同版本的Hive metastore,其配置表如下。注意,不管所訪問的hive是什麼版本,Spark SQL內部都是以Hive 1.2.1編譯的,而且內部使用的Hive類也是基於這個版本(serdes,UDFs,UDAFs等)
以下選項可用來配置Hive版本以便訪問其元數據:
屬性名 | 默認值 | 含義 |
---|---|---|
spark.sql.hive.metastore.version |
1.2.1 |
Hive metastore版本,可選的值爲0.12.0 到 1.2.1 |
spark.sql.hive.metastore.jars |
builtin |
初始化HiveMetastoreClient的jar包。這個屬性可以是以下三者之一:
目前內建爲使用Hive-1.2.1,編譯的時候啓用-Phive,則會和spark一起打包。如果沒有-Phive,那麼spark.sql.hive.metastore.version要麼是1.2.1,要就是未定義
使用maven倉庫下載的jar包版本。這個選項建議不要再生產環境中使用
|
spark.sql.hive.metastore.sharedPrefixes |
com.mysql.jdbc, |
一個逗號分隔的類名前綴列表,這些類使用classloader加載,且可以在Spark SQL和特定版本的Hive間共享。例如,用來訪問hive metastore 的JDBC的driver就需要這種共享。其他需要共享的類,是與某些已經共享的類有交互的類。例如,自定義的log4j appender |
spark.sql.hive.metastore.barrierPrefixes |
(empty) |
一個逗號分隔的類名前綴列表,這些類在每個Spark SQL所訪問的Hive版本中都會被顯式的reload。例如,某些在共享前綴列表(spark.sql.hive.metastore.sharedPrefixes)中聲明爲共享的Hive UD函數 |
用JDBC連接其他數據庫
Spark SQL也可以用JDBC訪問其他數據庫。這一功能應該優先於使用JdbcRDD。因爲它返回一個DataFrame,而DataFrame在Spark SQL中操作更簡單,且更容易和來自其他數據源的數據進行交互關聯。JDBC數據源在java和python中用起來也很簡單,不需要用戶提供額外的ClassTag。(注意,這與Spark SQL JDBC server不同,Spark SQL JDBC server允許其他應用執行Spark SQL查詢)
首先,你需要在spark classpath中包含對應數據庫的JDBC driver,下面這行包括了用於訪問postgres的數據庫driver
SPARK_CLASSPATH=postgresql-9.3-1102-jdbc41.jar bin/spark-shell
遠程數據庫的表可以通過Data Sources API,用DataFrame或者SparkSQL 臨時表來裝載。以下是選項列表:
屬性名 | 含義 |
---|---|
url |
需要連接的JDBC URL |
dbtable |
需要讀取的JDBC表。注意,任何可以填在SQL的where子句中的東西,都可以填在這裏。(既可以填完整的表名,也可填括號括起來的子查詢語句) |
driver |
JDBC driver的類名。這個類必須在master和worker節點上都可用,這樣各個節點才能將driver註冊到JDBC的子系統中。 |
partitionColumn, lowerBound, upperBound, numPartitions |
這幾個選項,如果指定其中一個,則必須全部指定。他們描述了多個worker如何並行的讀入數據,並將表分區。partitionColumn必須是所查詢的表中的一個數值字段。注意,lowerBound和upperBound只是用於決定分區跨度的,而不是過濾表中的行。因此,表中所有的行都會被分區然後返回。 |
fetchSize |
JDBC fetch size,決定每次獲取多少行數據。在JDBC驅動上設成較小的值有利於性能優化(如,Oracle上設爲10) |
val jdbcDF = sqlContext.read.format("jdbc").options(
Map("url" -> "jdbc:postgresql:dbserver",
"dbtable" -> "schema.tablename")).load()
疑難解答
- JDBC driver class必須在所有client session或者executor上,對java的原生classloader可見。這是因爲Java的DriverManager在打開一個連接之前,會做安全檢查,並忽略所有對原聲classloader不可見的driver。最簡單的一種方法,就是在所有worker節點上修改compute_classpath.sh,幷包含你所需的driver jar包。
- 一些數據庫,如H2,會把所有的名字轉大寫。對於這些數據庫,在Spark SQL中必須也使用大寫。
性能調整
對於有一定計算量的Spark作業來說,可能的性能改進的方式,不是把數據緩存在內存裏,就是調整一些開銷較大的選項參數。
內存緩存
Spark SQL可以通過調用SQLContext.cacheTable(“tableName”)或者DataFrame.cache()把tables以列存儲格式緩存到內存中。隨後,Spark SQL將會掃描必要的列,並自動調整壓縮比例,以減少內存佔用和GC壓力。你也可以用SQLContext.uncacheTable(“tableName”)來刪除內存中的table。
你還可以使用SQLContext.setConf 或在SQL語句中運行SET key=value命令,來配置內存中的緩存。
屬性名 | 默認值 | 含義 |
---|---|---|
spark.sql.inMemoryColumnarStorage.compressed |
true | 如果設置爲true,Spark SQL將會根據數據統計信息,自動爲每一列選擇單獨的壓縮編碼方式。 |
spark.sql.inMemoryColumnarStorage.batchSize |
10000 | 控制列式緩存批量的大小。增大批量大小可以提高內存利用率和壓縮率,但同時也會帶來OOM(Out Of Memory)的風險。 |
其他配置選項
以下選項同樣也可以用來給查詢任務調性能。不過這些選項在未來可能被放棄,因爲spark將支持越來越多的自動優化。
屬性名 | 默認值 | 含義 |
---|---|---|
spark.sql.autoBroadcastJoinThreshold |
10485760 (10 MB) | 配置join操作時,能夠作爲廣播變量的最大table的大小。設置爲-1,表示禁用廣播。注意,目前的元數據統計僅支持Hive metastore中的表,並且需要運行這個命令:ANALYSE TABLE <tableName> COMPUTE STATISTICS noscan |
spark.sql.tungsten.enabled |
true | 設爲true,則啓用優化的Tungsten物理執行後端。Tungsten會顯式的管理內存,並動態生成表達式求值的字節碼 |
spark.sql.shuffle.partitions |
200 | 配置數據混洗(shuffle)時(join或者聚合操作),使用的分區數。 |
分佈式SQL引擎
Spark SQL可以作爲JDBC/ODBC或者命令行工具的分佈式查詢引擎。在這種模式下,終端用戶或應用程序,無需寫任何代碼,就可以直接在Spark SQL中運行SQL查詢。
運行Thrift JDBC/ODBC server
這裏實現的Thrift JDBC/ODBC server和Hive-1.2.1中的HiveServer2
是相同的。你可以使用beeline腳本來測試Spark或者Hive-1.2.1的JDBC server。
在Spark目錄下運行下面這個命令,啓動一個JDBC/ODBC server
./sbin/start-thriftserver.sh
這個腳本能接受所有 bin/spark-submit 命令支持的選項參數,外加一個 –hiveconf 選項,來指定Hive屬性。運行./sbin/start-thriftserver.sh –help可以查看完整的選項列表。默認情況下,啓動的server將會在localhost:10000端口上監聽。要改變監聽主機名或端口,可以用以下環境變量:
export HIVE_SERVER2_THRIFT_PORT=<listening-port>
export HIVE_SERVER2_THRIFT_BIND_HOST=<listening-host>
./sbin/start-thriftserver.sh \
--master <master-uri> \
...
或者Hive系統屬性 來指定
./sbin/start-thriftserver.sh \
--hiveconf hive.server2.thrift.port=<listening-port> \
--hiveconf hive.server2.thrift.bind.host=<listening-host> \
--master <master-uri>
...
接下來,你就可以開始在beeline中測試這個Thrift JDBC/ODBC server:
./bin/beeline
下面的指令,可以連接到一個JDBC/ODBC server
beeline> !connect jdbc:hive2://localhost:10000
可能需要輸入用戶名和密碼。在非安全模式下,只要輸入你本機的用戶名和一個空密碼即可。對於安全模式,請參考beeline documentation.
Hive的配置是在conf/目錄下的hive-site.xml,core-site.xml,hdfs-site.xml中指定的。
你也可以在beeline的腳本中指定。
Thrift JDBC server也支持通過HTTP傳輸Thrift RPC消息。以下配置(在conf/hive-site.xml中)將啓用HTTP模式:
hive.server2.transport.mode - Set this to value: http
hive.server2.thrift.http.port - HTTP port number fo listen on; default is 10001
hive.server2.http.endpoint - HTTP endpoint; default is cliservice
同樣,在beeline中也可以用HTTP模式連接JDBC/ODBC server:
beeline> !connect jdbc:hive2://<host>:<port>/<database>?hive.server2.transport.mode=http;hive.server2.thrift.http.path=<http_endpoint>
使用Spark SQL命令行工具
Spark SQL CLI是一個很方便的工具,它可以用local mode運行hive metastore service,並且在命令行中執行輸入的查詢。注意Spark SQL CLI目前還不支持和Thrift JDBC server通信。
用如下命令,在spark目錄下啓動一個Spark SQL CLI
./bin/spark-sql
Hive配置在conf目錄下hive-site.xml,core-site.xml,hdfs-site.xml中設置。你可以用這個命令查看完整的選項列表:./bin/spark-sql –help
升級指南
1.5升級到1.6
- 從Spark-1.6.0起,默認Thrift server 將運行於多會話並存模式下(multi-session)。這意味着,每個JDBC/ODBC連接有其獨立的SQL配置和臨時函數註冊表。table的緩存仍然是公用的。如果你更喜歡老的單會話模式,只需設置spark.sql.hive.thriftServer.singleSession爲true即可。當然,你也可在spark-defaults.conf中設置,或者將其值傳給start-thriftserver.sh –conf(如下):
./sbin/start-thriftserver.sh \
--conf spark.sql.hive.thriftServer.singleSession=true \
...
1.4升級到1.5
- Tungsten引擎現在默認是啓用的,Tungsten是通過手動管理內存優化執行計劃,同時也優化了表達式求值的代碼生成。這兩個特性都可以通過把spark.sql.tungsten.enabled設爲false來禁用。
- Parquet schema merging默認不啓用。需要啓用的話,設置spark.sql.parquet.mergeSchema爲true即可
- Python接口支持用點(.)來訪問字段內嵌值,例如df[‘table.column.nestedField’]。但這也意味着,如果你的字段名包含點號(.)的話,你就必須用重音符來轉義,如:table.`column.with.dots`.nested。
- 列式存儲內存分區剪枝默認是啓用的。要禁用,設置spark.sql.inMemoryColumarStorage.partitionPruning爲false即可
- 不再支持無精度限制的decimal。Spark SQL現在強制最大精度爲38位。對於BigDecimal對象,類型推導將會使用(38,18)精度的decimal類型。如果DDL中沒有指明精度,默認使用的精度是(10,0)
- 時間戳精確到1us(微秒),而不是1ns(納秒)
- 在“sql”這個SQL變種設置中,浮點數將被解析爲decimal。HiveQL解析保持不變。
- 標準SQL/DataFrame函數均爲小寫,例如:sum vs SUM。
- 當推測任務被啓用是,使用DirectOutputCommitter是不安全的,因此,DirectOutputCommitter在推測任務啓用時,將被自動禁用,且忽略相關配置。
- JSON數據源不再自動加載其他程序產生的新文件(例如,不是Spark SQL插入到dataset中的文件)。對於一個JSON的持久化表(如:Hive metastore中保存的表),用戶可以使用REFRESH TABLE這個SQL命令或者HiveContext.refreshTable來把新文件包括進來。
1.3升級到1.4
DataFrame數據讀寫接口
根據用戶的反饋,我們提供了一個新的,更加流暢的API,用於數據讀(SQLContext.read)寫(DataFrame.write),同時老的API(如:SQLCOntext.parquetFile, SQLContext.jsonFile)將被廢棄。
有關SQLContext.read和DataFrame.write的更詳細信息,請參考API文檔。
DataFrame.groupBy保留分組字段
根據用戶的反饋,我們改變了DataFrame.groupBy().agg()的默認行爲,在返回的DataFrame結果中保留了分組字段。如果你想保持1.3中的行爲,設置spark.sql.retainGroupColumns爲false即可。
// 在1.3.x中,如果要保留分組字段"department", 你必須顯式的在agg聚合時包含這個字段
df.groupBy("department").agg($"department", max("age"), sum("expense"))
// 而在1.4+,分組字段"department"默認就會包含在返回的DataFrame中
df.groupBy("department").agg(max("age"), sum("expense"))
// 要回滾到1.3的行爲(不包含分組字段),按如下設置即可:
sqlContext.setConf("spark.sql.retainGroupColumns", "false")
1.2升級到1.3
在Spark 1.3中,我們去掉了Spark SQL的”Alpha“標籤,並清理了可用的API。從Spark 1.3起,Spark SQL將對1.x系列二進制兼容。這個兼容性保證不包括顯式的標註爲”unstable(如:DeveloperAPI或Experimental)“的API。
SchemaRDD重命名爲DataFrame
對於用戶來說,Spark SQL 1.3最大的改動就是SchemaRDD改名爲DataFrame。主要原因是,DataFrame不再直接由RDD派生,而是通過自己的實現提供RDD的功能。DataFrame只需要調用其rdd方法就能轉成RDD。
在Scala中仍然有SchemaRDD,只不過這是DataFrame的一個別名,以便兼容一些現有代碼。但仍然建議用戶改用DataFrame。Java和Python用戶就沒這個福利了,他們必須改代碼。
統一Java和Scala API
在Spark 1.3之前,有單獨的java兼容類(JavaSQLContext和JavaSchemaRDD)及其在Scala API中的鏡像。Spark 1.3中將Java API和Scala API統一。兩種語言的用戶都應該使用SQLContext和DataFrame。一般這些類中都會使用兩種語言中都有的類型(如:Array取代各語言獨有的集合)。有些情況下,沒有通用的類型(例如:閉包或者maps),將會使用函數重載來解決這個問題。
另外,java特有的類型API被刪除了。Scala和java用戶都應該用org.apache.spark.sql.types來編程描述一個schema。
隱式轉換隔離,DSL包移除 – 僅針對scala
Spark 1.3之前的很多示例代碼,都在開頭用 import sqlContext._,這行將會導致所有的sqlContext的函數都被引入進來。因此,在Spark 1.3我們把RDDs到DataFrames的隱式轉換隔離出來,單獨放到SQLContext.implicits對象中。用戶現在應該這樣寫:import sqlContext.implicits._
另外,隱式轉換也支持由Product(如:case classes或tuples)組成的RDD,但需要調用一個toDF方法,而不是自動轉換。
如果需要使用DSL(被DataFrame取代的API)中的方法,用戶之前需要導入DSL(import org.apache.spark.sql.catalyst.dsl), 而現在應該要導入 DataFrame API(import org.apache.spark.sql.functions._)
移除org.apache.spark.sql中DataType別名 – 僅針對scala
Spark 1.3刪除了sql包中的DataType類型別名。現在,用戶應該使用 org.apache.spark.sql.types中的類。
UDF註冊挪到sqlContext.udf中 – 針對java和scala
註冊UDF的函數,不管是DataFrame,DSL或者SQL中用到的,都被挪到SQLContext.udf中。
sqlContext.udf.register("strLen", (s: String) => s.length())
Python UDF註冊保持不變。
Python DataTypes不再是單例
在python中使用DataTypes,你需要先構造一個對象(如:StringType()),而不是引用一個單例。
Shark用戶遷移指南
調度
用戶可以通過如下命令,爲JDBC客戶端session設定一個Fair Scheduler pool。
SET spark.sql.thriftserver.scheduler.pool=accounting;
Reducer個數
在Shark中,默認的reducer個數是1,並且由mapred.reduce.tasks設定。Spark SQL廢棄了這個屬性,改爲 spark.sql.shuffle.partitions, 並且默認200,用戶可通過如下SET命令來自定義:
SET spark.sql.shuffle.partitions=10;
SELECT page, count(*) c
FROM logs_last_month_cached
GROUP BY page ORDER BY c DESC LIMIT 10;
你也可以把這個屬性放到hive-site.xml中來覆蓋默認值。
目前,mapred.reduce.tasks屬性仍然能被識別,並且自動轉成spark.sql.shuffle.partitions
緩存
shark.cache表屬性已經不存在了,並且以”_cached”結尾命名的表也不再會自動緩存。取而代之的是,CACHE TABLE和UNCACHE TABLE語句,用以顯式的控制表的緩存:
CACHE TABLE logs_last_month;
UNCACHE TABLE logs_last_month;
注意:CACHE TABLE tbl 現在默認是飢餓模式,而非懶惰模式。再也不需要手動調用其他action來觸發cache了!
從Spark-1.2.0開始,Spark SQL新提供了一個語句,讓用戶自己控制表緩存是否是懶惰模式
CACHE [LAZY] TABLE [AS SELECT] ...
以下幾個緩存相關的特性不再支持:
- 用戶定義分區級別的緩存逐出策略
- RDD 重加載
- 內存緩存直接寫入策略
兼容Apache Hive
Spark SQL設計時考慮了和Hive metastore,SerDes以及UDF的兼容性。目前這些兼容性鬥是基於Hive-1.2.1版本,並且Spark SQL可以連到不同版本的Hive metastore(從0.12.0到1.2.1,參考:http://spark.apache.org/docs/latest/sql-programming-guide.html#interacting-with-different-versions-of-hive-metastore)
部署在已有的Hive倉庫之上
Spark SQL Thrift JDBC server採用了”out of the box”(開箱即用)的設計,使用很方便,併兼容已有的Hive安裝版本。你不需要修改已有的Hive metastore或者改變數據的位置,或者表分區。
支持的Hive功能
Spark SQL 支持絕大部分Hive功能,如:
- Hive查詢語句:
SELECT
GROUP BY
ORDER BY
CLUSTER BY
SORT BY
- 所有的Hive操作符:
- Relational operators (
=
,⇔
,==
,<>
,<
,>
,>=
,<=
, etc) - Arithmetic operators (
+
,-
,*
,/
,%
, etc) - Logical operators (
AND
,&&
,OR
,||
, etc) - Complex type constructors
- Mathematical functions (
sign
,ln
,cos
, etc) - String functions (
instr
,length
,printf
, etc)
- Relational operators (
- 用戶定義函數(UDF)
- 用戶定義聚合函數(UDAF)
- 用戶定義序列化、反序列化(SerDes)
- 窗口函數(Window functions)
- Joins
JOIN
{LEFT|RIGHT|FULL} OUTER JOIN
LEFT SEMI JOIN
CROSS JOIN
- Unions
- 查詢子句
SELECT col FROM ( SELECT a + b AS col from t1) t2
- 採樣
- 執行計劃詳細(Explain)
- 分區表,包括動態分區插入
- 視圖
- 所有Hive DDL(data definition language):
CREATE TABLE
CREATE TABLE AS SELECT
ALTER TABLE
- 絕大部分Hive數據類型:
TINYINT
SMALLINT
INT
BIGINT
BOOLEAN
FLOAT
DOUBLE
STRING
BINARY
TIMESTAMP
DATE
ARRAY<>
MAP<>
STRUCT<>
不支持的Hive功能
以下是目前不支持的Hive特性的列表。多數是不常用的。
不支持的Hive常見功能
- bucket表:butcket是Hive表的一個哈希分區
不支持的Hive高級功能
- UNION類操作
- 去重join
- 字段統計信息收集:Spark SQL不支持同步的字段統計收集
Hive輸入、輸出格式
- CLI文件格式:對於需要回顯到CLI中的結果,Spark SQL僅支持TextOutputFormat。
- Hadoop archive — Hadoop歸檔
Hive優化
一些比較棘手的Hive優化目前還沒有在Spark中提供。有一些(如索引)對應Spark SQL這種內存計算模型來說並不重要。另外一些,在Spark SQL未來的版本中會支持。
- 塊級別位圖索引和虛擬字段(用來建索引)
- 自動計算reducer個數(join和groupBy算子):目前在Spark SQL中你需要這樣控制混洗後(post-shuffle)併發程度:”SET spark.sql.shuffle.partitions=[num_tasks];”
- 元數據查詢:只查詢元數據的請求,Spark SQL仍需要啓動任務來計算結果
- 數據傾斜標誌:Spark SQL不會理會Hive中的數據傾斜標誌
STREAMTABLE
join提示:Spark SQL裏沒有這玩藝兒- 返回結果時合併小文件:如果返回的結果有很多小文件,Hive有個選項設置,來合併小文件,以避免超過HDFS的文件數額度限制。Spark SQL不支持這個。
參考
數據類型
Spark SQL和DataFrames支持如下數據類型:
- Numeric types(數值類型)
ByteType
: 1字節長的有符號整型,範圍:-128
到127
.ShortType
: 2字節長有符號整型,範圍:-32768
到32767
.IntegerType
: 4字節有符號整型,範圍:-2147483648
到2147483647
.LongType
: 8字節有符號整型,範圍:-9223372036854775808
to9223372036854775807
.FloatType
: 4字節單精度浮點數。DoubleType
: 8字節雙精度浮點數DecimalType
: 任意精度有符號帶小數的數值。內部使用java.math.BigDecimal, BigDecimal包含任意精度的不縮放整型,和一個32位的縮放整型
- String type(字符串類型)
StringType
: 字符串
- Binary type(二進制類型)
BinaryType
: 字節序列
- Boolean type(布爾類型)
BooleanType
: 布爾類型
- Datetime type(日期類型)
TimestampType
: 表示包含年月日、時分秒等字段的日期DateType
: 表示包含年月日字段的日期
- Complex types(複雜類型)
ArrayType(elementType, containsNull)
:數組類型,表達一系列的elementType類型的元素組成的序列,containsNull表示數組能否包含null值MapType(keyType, valueType, valueContainsNull)
:映射集合類型,表示一個鍵值對的集合。鍵的類型是keyType,值的類型則由valueType指定。對應MapType來說,鍵是不能爲null的,而值能否爲null則取決於valueContainsNull。StructType(fields):
表示包含StructField序列的結構體。- StructField(name, datatype, nullable): 表示StructType中的一個字段,name是字段名,datatype是數據類型,nullable表示該字段是否可以爲空
所有Spark SQL支持的數據類型都在這個包裏:org.apache.spark.sql.types,你可以這樣導入之:
import org.apache.spark.sql.types._
Data type | Value type in Scala | API to access or create a data type |
---|---|---|
ByteType | Byte | ByteType |
ShortType | Short | ShortType |
IntegerType | Int | IntegerType |
LongType | Long | LongType |
FloatType | Float | FloatType |
DoubleType | Double | DoubleType |
DecimalType | java.math.BigDecimal | DecimalType |
StringType | String | StringType |
BinaryType | Array[Byte] | BinaryType |
BooleanType | Boolean | BooleanType |
TimestampType | java.sql.Timestamp | TimestampType |
DateType | java.sql.Date | DateType |
ArrayType | scala.collection.Seq | ArrayType(elementType, [containsNull])注意:默認containsNull爲true |
MapType | scala.collection.Map | MapType(keyType, valueType, [valueContainsNull])注意:默認valueContainsNull爲true |
StructType | org.apache.spark.sql.Row | StructType(fields)注意:fields是一個StructFields的序列,並且同名的字段是不允許的。 |
StructField | 定義字段的數據對應的Scala類型(例如,如果StructField的dataType爲IntegerType,則其數據對應的scala類型爲Int) | StructField(name, dataType, nullable) |
NaN語義
這是Not-a-Number的縮寫,某些float或double類型不符合標準浮點數語義,需要對其特殊處理:
- NaN == NaN,即:NaN和NaN總是相等
- 在聚合函數中,所有NaN分到同一組
- NaN在join操作中可以當做一個普通的join key
- NaN在升序排序中排到最後,比任何其他數值都大
原創文章,轉載請註明: 轉載自併發編程網 – ifeve.com本文鏈接地址: 《Spark 官方文檔》Spark SQL, DataFrames 以及 Datasets 編程指南