Spark SQL知識點與實戰

Spark SQL概述

1、什麼是Spark SQL

Spark SQL是Spark用於結構化數據(structured data)處理的Spark模塊。
與基本的Spark RDD API不同，Spark SQL的抽象數據類型爲Spark提供了關於數據結構和正在執行的計算的更多信息。
在內部，Spark SQL使用這些額外的信息去做一些額外的優化，有多種方式與Spark SQL進行交互，比如: SQL和DatasetAPI。
當計算結果的時候，使用的是相同的執行引擎，不依賴你正在使用哪種API或者語言。這種統一也就意味着開發者可以很容易在不同的API之間進行切換，這些API提供了最自然的方式來表達給定的轉換。
Hive是將Hive SQL轉換成 MapReduce然後提交到集羣上執行，大大簡化了編寫MapReduce的程序的複雜性，由於MapReduce這種計算模型執行效率比較慢。所以Spark SQL的應運而生，它是將Spark SQL轉換成RDD，然後提交到集羣執行，執行效率非常快！
Spark SQL它提供了2個編程抽象，類似Spark Core中的RDD
（1）DataFrame
（2）Dataset

2、Spark SQL的特點

1）易整合

無縫的整合了SQL查詢和Spark編程

2）統一的數據訪問方式

使用相同的方式連接不同的數據源

3）兼容Hive

在已有的倉庫上直接運行SQL或者HiveQL

4）標準的數據連接

通過JDBC或者ODBC來連接

3、什麼的DataFrame

在Spark中，DataFrame是一種以RDD爲基礎的分佈式數據集，類似於傳統數據庫中的二維表格。DataFrame與RDD的主要區別在於，前者帶有schema元信息，即DataFrame所表示的二維表數據集的每一列都帶有名稱和類型。這使得Spark SQL得以洞察更多的結構信息，從而對藏於DataFrame背後的數據源以及作用於DataFrame之上的變換進行了針對性的優化，最終達到大幅提升運行時效率的目標。反觀RDD，由於無從得知所存數據元素的具體內部結構，Spark Core只能在stage層面進行簡單、通用的流水線優化。
同時，與Hive類似，DataFrame也支持嵌套數據類型（struct、array和map）。從API易用性的角度上看，DataFrame API提供的是一套高層的關係操作，比函數式的RDD API要更加友好，門檻更低。

上圖直觀地體現了DataFrame和RDD的區別。
左側的RDD[Person]雖然以Person爲類型參數，但Spark框架本身不瞭解Person類的內部結構。而右側的DataFrame卻提供了詳細的結構信息，使得 Spark SQL 可以清楚地知道該數據集中包含哪些列，每列的名稱和類型各是什麼。
DataFrame是爲數據提供了Schema的視圖。可以把它當做數據庫中的一張表來對待，DataFrame也是懶執行的，但性能上比RDD要高，主要原因：優化的執行計劃，即查詢計劃通過Spark catalyst optimiser進行優化。比如下面一個例子:

爲了說明查詢優化，我們來看上圖展示的人口數據分析的示例。圖中構造了兩個DataFrame，將它們join之後又做了一次filter操作。
如果原封不動地執行這個執行計劃，最終的執行效率是不高的。因爲join是一個代價較大的操作，也可能會產生一個較大的數據集。如果我們能將filter下推到 join下方，先對DataFrame進行過濾，再join過濾後的較小的結果集，便可以有效縮短執行時間。而Spark SQL的查詢優化器正是這樣做的。簡而言之，邏輯查詢計劃優化就是一個利用基於關係代數的等價變換，將高成本的操作替換爲低成本操作的過程。

4、什麼是DataSet

DataSet是分佈式數據集合。DataSet是Spark 1.6中添加的一個新抽象，是DataFrame的一個擴展。它提供了RDD的優勢（強類型，使用強大的lambda函數的能力）以及Spark SQL優化執行引擎的優點。DataSet也可以使用功能性的轉換（操作map，flatMap，filter等等）。
1）是DataFrame API的一個擴展，是SparkSQL最新的數據抽象；
2）用戶友好的API風格，既具有類型安全檢查也具有DataFrame的查詢優化特性；
3）用樣例類來定義DataSet中數據的結構信息，樣例類中每個屬性的名稱直接映射到DataSet中的字段名稱；
4）DataSet是強類型的。比如可以有DataSet[Car]，DataSet[Person]。
5）DataFrame是DataSet的特列，DataFrame=DataSet[Row] ，所以可以通過as方法將DataFrame轉換爲DataSet。Row是一個類型，跟Car、Person這些的類型一樣，所有的表結構信息都用Row來表示。

Spark SQL編程

1、Spark Session新的起始點

在老的版本中，SparkSQL提供兩種SQL查詢起始點：一個叫SQLContext，用於Spark自己提供的SQL查詢；一個叫HiveContext，用於連接Hive的查詢。
SparkSession是Spark最新的SQL查詢起始點，實質上是SQLContext和HiveContext的組合，所以在SQLContex和HiveContext上可用的API在SparkSession上同樣是可以使用的。SparkSession內部封裝了sparkContext，所以計算實際上是由sparkContext完成的。當我們使用 spark-shell 的時候, spark 會自動的創建一個叫做spark的SparkSession, 就像我們以前可以自動獲取到一個sc來表示SparkContext

2、DataFrame

Spark SQL的DataFrame API 允許我們使用 DataFrame 而不用必須去註冊臨時表或者生成SQL表達式。DataFrame API 既有transformation操作也有action操作，DataFrame的轉換從本質上來說更具有關係， 而 DataSet API 提供了更加函數式的 API。

2.1 創建DataFrame

在Spark SQL中SparkSession是創建DataFrame和執行SQL的入口，創建DataFrame有三種方式：通過Spark的數據源進行創建；從一個存在的RDD進行轉換；還可以從Hive Table進行查詢返回。

2.2 SQL風格語法

SQL語法風格是指我們查詢數據的時候使用SQL語句來查詢，這種風格的查詢必須要有臨時視圖或者全局視圖來輔助
1）創建一個DataFrame

scala> val df = spark.read.json("/opt/module/spark-local/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

2）對DataFrame創建一個臨時表

scala> df.createOrReplaceTempView("people")

3）通過SQL語句實現查詢全表

scala> val sqlDF = spark.sql("SELECT * FROM people")
sqlDF: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

4）結果展示

scala> sqlDF.show
+---+--------+
|age|    name|
+---+--------+
| 18|qiaofeng|
| 19|  duanyu|
| 20|   xuzhu|
+---+--------+

 注意：普通臨時表是Session範圍內的，如果想應用範圍內有效，可以使用全局臨時表。使用全局臨時表時需要全路徑訪問，如：global_temp.people

5）對於DataFrame創建一個全局表

scala> df.createGlobalTempView("people")

6）通過SQL語句實現查詢全表

scala> spark.sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|    name|
+---+--------+
| 18|qiaofeng|
| 19|  duanyu|
| 20|   xuzhu|
+---+--------+

scala> spark.newSession().sql("SELECT * FROM global_temp.people").show()
+---+--------+
|age|    name|
+---+--------+
| 18|qiaofeng|
| 19|  duanyu|
| 20|   xuzhu|
+---+--------+

2.3 DSL風格語法

DataFrame提供一個特定領域語言(domain-specific language, DSL)去管理結構化的數據，可以在Scala, Java, Python和R中使用DSL，使用DSL語法風格不必去創建臨時視圖了。
1）創建一個DataFrame

scala> val df = spark.read.json("/opt/module/spark-local /people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

2）查看DataFrame的Schema信息

scala> df.printSchema
root
 |-- age: Long (nullable = true)
 |-- name: string (nullable = true)

3）只查看”name”列數據

scala> df.select("name").show()
+--------+
|    name|
+--------+
|qiaofeng|
|  duanyu|
|   xuzhu|
+--------+

4）查看所有列

scala> df.select("*").show
+--------+---------+
|    name |age|
+--------+---------+
|qiaofeng|       18|
|  duanyu|       19|
|   xuzhu|       20|
+--------+---------+

5）查看”name”列數據以及”age+1”數據
注意:涉及到運算的時候, 每列都必須使用$

scala> df.select($"name",$"age" + 1).show
+--------+---------+
|    name|(age + 1)|
+--------+---------+
|qiaofeng|       19|
|  duanyu|       20|
|   xuzhu|       21|
+--------+---------+

6）查看”age”大於”19”的數據

scala> df.filter($"age">19).show
+---+-----+
|age| name|
+---+-----+
| 20|xuzhu|
+---+-----+

7）按照”age”分組，查看數據條數

scala> df.groupBy("age").count.show
+---+-----+
|age|count|
+---+-----+
| 19|    1|
| 18|    1|
| 20|    1|
+---+-----+

2.4 RDD轉換爲DataFrame

在 IDEA 中開發程序時，如果需要RDD 與DF 或者DS 之間互相操作，那麼需要引入import spark.implicits._。
這裏的spark不是Scala中的包名，而是創建的sparkSession 對象的變量名稱，所以必須先創建 SparkSession 對象再導入。這裏的 spark 對象不能使用var 聲明，因爲 Scala 只支持val 修飾的對象的引入。
spark-shell 中無需導入，自動完成此操作。

scala> val idRDD = sc.textFile("data/id.txt") scala> idRDD.toDF("id").show
+---+
| id|
+---+
| 1|
| 2|
| 3|
| 4|
+---+

實際開發中，一般通過樣例類將RDD轉換爲DataFrame。

scala> case class User(name:String, age:Int) defined class User
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, t._2)).toDF.show
+--------+---+
|	name|age|
+--------+---+

2.5 DataFrame轉換爲RDD

DataFrame其實就是對RDD的封裝，所以可以直接獲取內部的RDD

scala> val df = sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, t._2)).toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[46] at rdd at <console>:25

scala> val array = rdd.collect
array: Array[org.apache.spark.sql.Row] = Array([zhangsan,30], [lisi,40])

注意：此時得到的RDD存儲類型爲Row

scala> array(0)
res28: org.apache.spark.sql.Row = [zhangsan,30] scala> array(0)(0)
res29: Any = zhangsan
scala> array(0).getAs[String]("name") res30: String = zhangsan

3、DataSet

DataSet是具有強類型的數據集合，需要提供對應的類型信息。

3.1 創建DataSet

1）使用樣例類序列創建DataSet

scala> case class Person(name: String, age: Long)
defined class Person

scala> val caseClassDS = Seq(Person("wangyuyan",2)).toDS()

caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: Long]

scala> caseClassDS.show
+---------+---+
|     name|age|
+---------+---+
|wangyuyan|  2|
+---------+---+

2）使用基本類型的序列創建DataSet

scala> val ds = Seq(1,2,3,4,5,6).toDS
ds: org.apache.spark.sql.Dataset[Int] = [value: int]

scala> ds.show
+-----+
|value|
+-----+
|    1|
|    2|
|    3|
|    4|
|    5|
|    6|
+-----+

注意:在實際使用的時候，很少用到把序列轉換成DataSet，更多是通過RDD來得到DataSet。

3.2 RDD轉換爲DataSet

SparkSQL能夠自動將包含有樣例類的RDD轉換成DataSet，樣例類定義了table的結構，樣例類屬性通過反射變成了表的列名。樣例類可以包含諸如Seq或者Array等複雜的結構。

1)創建一個RDD

scala> val peopleRDD = sc.textFile("/opt/module/spark-local/people.txt")

peopleRDD: org.apache.spark.rdd.RDD[String] = /opt/module/spark-local/people.txt MapPartitionsRDD[19] at textFile at <console>:24

2)創建一個樣例類

scala> case class Person(name:String,age:Int)
defined class Person
3)將RDD轉化爲DataSet  
scala> peopleRDD.map(line => {val fields = line.split(",");Person(fields(0),fields(1). toInt)}).toDS

res0: org.apache.spark.sql.Dataset[Person] = [name: string, age: Long]

3.3DataSet轉換爲RDD

調用rdd方法即可。
1)創建一個DataSet

scala> val DS = Seq(Person("zhangcuishan", 32)).toDS()

DS: org.apache.spark.sql.Dataset[Person] = [name: string, age: Long]

2)將DataSet轉換爲RDD

scala> DS.rdd

res1: org.apache.spark.rdd.RDD[Person] = MapPartitionsRDD[6] at rdd at <console>:28

4、DataFrame與DataSet的互操作

4.1 DataFrame轉爲DataSet

1）創建一個DateFrame

scala> val df = spark.read.json("/opt/module/spark-local/people.json")

df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

2)創建一個樣例類

scala> case class Person(name: String,age: Long)
defined class Person

3)將DataFrame轉化爲DataSet

scala> df.as[Person]

res5: org.apache.spark.sql.Dataset[Person] = [age: bigint, name: string]

這種方法就是在給出每一列的類型後，使用as方法，轉成Dataset，這在數據類型是DataFrame又需要針對各個字段處理時極爲方便。在使用一些特殊的操作時，一定要加上 import spark.implicits._ 不然toDF、toDS無法使用。

4.2Dataset轉爲DataFrame

1)創建一個樣例類

scala> case class Person(name: String,age: Long)
defined class Person

2)創建DataSet

scala> val ds = Seq(Person("zhangwuji",32)).toDS()

ds: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

3)將DataSet轉化爲DataFrame

scala> var df = ds.toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: bigint]

4)展示

scala> df.show
+---------+---+
|     name|age|
+---------+---+
|zhangwuji| 32|
+---------+---+

5、IDEA實踐

1）Maven工程添加依賴

<dependency>
	<groupId>org.apache.spark</groupId>
	<artifactId>spark-sql_2.11</artifactId>
	<version>2.1.1</version>
</dependency>

2）代碼實現

object SparkSQL01_Demo {
  def main(args: Array[String]): Unit = {
    //創建上下文環境配置對象
    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQL01_Demo")

    //創建SparkSession對象
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
    //RDD=>DataFrame=>DataSet轉換需要引入隱式轉換規則，否則無法轉換
    //spark不是包名，是上下文環境對象名
    import spark.implicits._

    //讀取json文件 創建DataFrame  {"username": "lisi","age": 18}
    val df: DataFrame = spark.read.json("D:\\dev\\workspace\\spark-bak\\spark-bak-00\\input\\test.json")
    //df.show()

    //SQL風格語法
    df.createOrReplaceTempView("user")
    //spark.sql("select avg(age) from user").show

    //DSL風格語法
    //df.select("username","age").show()

    //*****RDD=>DataFrame=>DataSet*****
    //RDD
    val rdd1: RDD[(Int, String, Int)] = spark.sparkContext.makeRDD(List((1,"qiaofeng",30),(2,"xuzhu",28),(3,"duanyu",20)))

    //DataFrame
    val df1: DataFrame = rdd1.toDF("id","name","age")
    //df1.show()

    //DateSet
    val ds1: Dataset[User] = df1.as[User]
    //ds1.show()

    //*****DataSet=>DataFrame=>RDD*****
    //DataFrame
    val df2: DataFrame = ds1.toDF()

    //RDD  返回的RDD類型爲Row，裏面提供的getXXX方法可以獲取字段值，類似jdbc處理結果集，但是索引從0開始
    val rdd2: RDD[Row] = df2.rdd
    //rdd2.foreach(a=>println(a.getString(1)))

    //*****RDD=>DataSe*****
    rdd1.map{
      case (id,name,age)=>User(id,name,age)
    }.toDS()

    //*****DataSet=>=>RDD*****
    ds1.rdd

    //釋放資源
    spark.stop()
  }
}
case class User(id:Int,name:String,age:Int)

Spark SQL數據的加載與保存

1、通用的加載與保存方式

1）spark.read.load是加載數據的通用方法
2）df.write.save 是保存數據的通用方法

1.1 數據加載

1)read直接加載數據

scala> spark.read.

csv   format   jdbc   json   load   option   options   orc   parquet   schema   table   text   textFile

注意：加載數據的相關參數需寫到上述方法中，如：textFile需傳入加載數據的路徑，jdbc需傳入JDBC相關參數。
例如：直接加載Json數據

scala> spark.read.json("/opt/module/spark-local/people.json").show
+---+--------+
|age|    name|
+---+--------+
| 18|qiaofeng|
| 19|  duanyu|
| 20|   xuzhu|

2)format指定加載數據類型

scala> spark.read.format("…")[.option("…")].load("…")

用法詳解：
（1）format("…")：指定加載的數據類型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"
（2）load("…")：在"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"格式下需要傳入加載數據的路徑
（3）option("…")：在"jdbc"格式下需要傳入JDBC相應參數，url、user、password和dbtable
例如：使用format指定加載Json類型數據

scala> spark.read.format("json").load ("/opt/module/spark-local/people.json").show
+---+--------+
|age|    name|
+---+--------+
| 18|qiaofeng|
| 19|  duanyu|
| 20|   xuzhu|

3)在文件上直接運行SQL
前面的是使用read API先把文件加載到DataFrame然後再查詢，也可以直接在文件上進行查詢。

scala>  spark.sql("select * from json.`/opt/module/spark-local/people.json`").show

+---+--------+
|age|    name|
+---+--------+
| 18|qiaofeng|
| 19|  duanyu|
| 20|   xuzhu|
+---+--------+|

說明:json表示文件的格式. 後面的文件具體路徑需要用反引號括起來。

1.2 保存數據

1)write直接保存數據

scala> df.write.
csv  jdbc   json  orc   parquet textFile… …

注意：保存數據的相關參數需寫到上述方法中。如：textFile需傳入加載數據的路徑，jdbc需傳入JDBC相關參數。
例如：直接將df中數據保存到指定目錄

//默認保存格式爲parquet
scala> df.write.save("/opt/module/spark-local/output")
//可以指定爲保存格式，直接保存，不需要再調用save了
scala> df.write.json("/opt/module/spark-local/output")

2)format指定保存數據類型

scala> df.write.format("…")[.option("…")].save("…")

用法詳解：
（1）format("…")：指定保存的數據類型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"。
（2）save ("…")：在"csv"、"orc"、"parquet"和"textFile"格式下需要傳入保存數據的路徑。
（3）option("…")：在"jdbc"格式下需要傳入JDBC相應參數，url、user、password和dbtable

3)文件保存選項
保存操作可以使用 SaveMode, 用來指明如何處理數據，使用mode()方法來設置。有一點很重要: 這些 SaveMode 都是沒有加鎖的, 也不是原子操作。
SaveMode是一個枚舉類，其中的常量包括：

例如：使用指定format指定保存類型進行保存

df.write.mode("append").json("/opt/module/spark-local/output")  

1.3 默認數據源

Spark SQL的默認數據源爲Parquet格式。數據源爲Parquet文件時，Spark SQL可以方便的執行所有的操作，不需要使用format。修改配置項spark.sql.sources.default，可修改默認數據源格式。
1)加載數據

val df = spark.read.load("/opt/module/spark-local/examples/src/main/resources/users.parquet").show

+------+--------------+----------------+
|  name|favorite_color|favorite_numbers|
+------+--------------+----------------+
|Alyssa|          null|  [3, 9, 15, 20]|
|   Ben|           red|              []|
+------+--------------+----------------+

df: Unit = ()

2)保存數據

scala> var df = spark.read.json("/opt/module/spark-local/people.json")
//保存爲parquet格式
scala> df.write.mode("append").save("/opt/module/spark-local/output")

2、JSON文件

Spark SQL能夠自動推測JSON數據集的結構，並將它加載爲一個Dataset[Row]。可以通過SparkSession.read.json()去加載一個一個JSON文件。
注意：這個JSON文件不是一個傳統的JSON文件，每一行都得是一個JSON串。格式如下：

{"name":"Michael"}
{"name":"Andy","age":30}
{"name":"Justin","age":19}

1)導入隱式轉換

import spark.implicits._

2)加載JSON文件

val path = "/opt/module/spark-local/people.json"
val peopleDF = spark.read.json(path)

3)創建臨時表

peopleDF.createOrReplaceTempView("people")

4)數據查詢

val teenagerNamesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13 AND 19")
teenagerNamesDF.show()
+------+
|  name|
+------+
|Justin|
+------+

3、MySQL

Spark SQL可以通過JDBC從關係型數據庫中讀取數據的方式創建DataFrame，通過對DataFrame一系列的計算後，還可以將數據再寫回關係型數據庫中。
**如果使用spark-shell操作，可在啓動shell時指定相關的數據庫驅動路徑或者將相關的數據庫驅動放到spark的類路徑下。 **

bin/spark-shell 
--jars mysql-connector-java-5.1.27-bin.jar

這裏演示在Idea中通過JDBC對Mysql進行操作

3.1 導入依賴

<dependency>
    <groupId>mysql</groupId>
    <artifactId>mysql-connector-java</artifactId>
    <version>5.1.27</version>
</dependency>

3.2 從JDBC讀數據

object SparkSQL02_Datasource {
  def main(args: Array[String]): Unit = {
    //創建上下文環境配置對象
    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQL01_Demo")

    //創建SparkSession對象
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()

    import spark.implicits._

    //方式1：通用的load方法讀取
    spark.read.format("jdbc")
      .option("url", "jdbc:mysql://hadoop202:3306/test")
      .option("driver", "com.mysql.jdbc.Driver")
      .option("user", "root")
      .option("password", "123456")
      .option("dbtable", "user")
      .load().show

    
    //方式2:通用的load方法讀取 參數另一種形式
    spark.read.format("jdbc")
      .options(Map("url"->"jdbc:mysql://hadoop202:3306/test?user=root&password=123456",
        "dbtable"->"user","driver"->"com.mysql.jdbc.Driver")).load().show

    //方式3:使用jdbc方法讀取
    val props: Properties = new Properties()
    props.setProperty("user", "root")
    props.setProperty("password", "123456")
    val df: DataFrame = spark.read.jdbc("jdbc:mysql://hadoop202:3306/test", "user", props)
    df.show

    //釋放資源
    spark.stop()
  }
}

3.3 向JDBC寫數據

object SparkSQL03_Datasource {
  def main(args: Array[String]): Unit = {
    //創建上下文環境配置對象
    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQL01_Demo")

    //創建SparkSession對象
    val spark: SparkSession = SparkSession.builder().config(conf).getOrCreate()
    import spark.implicits._

    val rdd: RDD[User2] = spark.sparkContext.makeRDD(List(User2("lisi", 20), User2("zs", 30)))
    val ds: Dataset[User2] = rdd.toDS
    //方式1：通用的方式  format指定寫出類型
    ds.write
      .format("jdbc")
      .option("url", "jdbc:mysql://hadoop202:3306/test")
      .option("user", "root")
      .option("password", "123456")
      .option("dbtable", "user")
      .mode(SaveMode.Append)
      .save()

    //方式2：通過jdbc方法
    val props: Properties = new Properties()
    props.setProperty("user", "root")
    props.setProperty("password", "123456")
    ds.write.mode(SaveMode.Append).jdbc("jdbc:mysql://hadoop202:3306/test", "user", props)

    //釋放資源
    spark.stop()
  }
}

case class User2(name: String, age: Long)

4、Hive

Apache Hive 是 Hadoop 上的 SQL 引擎，Spark SQL編譯時可以包含 Hive 支持，也可以不包含。
包含 Hive 支持的 Spark SQL 可以支持 Hive 表訪問、UDF (用戶自定義函數)以及 Hive 查詢語言(HiveQL/HQL)等。需要強調的一點是，如果要在 Spark SQL 中包含Hive 的庫，並不需要事先安裝 Hive。一般來說，最好還是在編譯Spark SQL時引入Hive支持，這樣就可以使用這些特性了。如果你下載的是二進制版本的 Spark，它應該已經在編譯時添加了 Hive 支持。
若要把 Spark SQL 連接到一個部署好的 Hive 上，你必須把 hive-site.xml 複製到 Spark的配置文件目錄中($SPARK_HOME/conf)。即使沒有部署好 Hive，Spark SQL 也可以運行，需要注意的是，如果你沒有部署好Hive，Spark SQL 會在當前的工作目錄中創建出自己的 Hive 元數據倉庫，叫作 metastore_db。此外，對於使用部署好的Hive，如果你嘗試使用 HiveQL 中的 CREATE TABLE (並非 CREATE EXTERNAL TABLE)語句來創建表，這些表會被放在你默認的文件系統中的 /user/hive/warehouse 目錄中(如果你的 classpath 中有配好的 hdfs-site.xml，默認的文件系統就是 HDFS，否則就是本地文件系統)。
spark-shell默認是Hive支持的；代碼中是默認不支持的，需要手動指定（加一個參數即可）。

4.1 使用內嵌Hive

如果使用 Spark 內嵌的 Hive, 則什麼都不用做, 直接使用即可。
Hive 的元數據存儲在 derby 中, 倉庫地址:$SPARK_HOME/spark-warehouse。

scala> spark.sql("show tables").show
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
+--------+---------+-----------+

scala> spark.sql("create table aa(id int)")
19/02/09 18:36:10 WARN HiveMetaStore: Location: file:/opt/module/spark-local/spark-warehouse/aa specified for non-external table:aa
res2: org.apache.spark.sql.DataFrame = []

scala> spark.sql("show tables").show
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
| default|       aa|      false|
+--------+---------+-----------+

向表中加載本地數據數據

scala> spark.sql("load data local inpath './ids.txt' into table aa")
res8: org.apache.spark.sql.DataFrame = []

scala> spark.sql("select * from aa").show
+---+
| id|
+---+
|100|
|101|
|102|
|103|
|104|
|105|
|106|
+---+

在實際使用中, 幾乎沒有任何人會使用內置的 Hive。

4.2 外部Hive應用

如果Spark要接管Hive外部已經部署好的Hive，需要通過以下幾個步驟。
(1)確定原有Hive是正常工作的
(2)需要把hive-site.xml拷貝到spark的conf/目錄下
(3)如果以前hive-site.xml文件中，配置過Tez相關信息，註釋掉
(4)把Mysql的驅動copy到Spark的jars/目錄下
(5)需要提前啓動hive服務，hive/bin/hiveservices.sh start
(6)如果訪問不到hdfs，則需把core-site.xml和hdfs-site.xml拷貝到conf/目錄
啓動 spark-shell

scala> spark.sql("show tables").show
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
| default|      emp|      false|
+--------+---------+-----------+

scala> spark.sql("select * from emp").show
19/02/09 19:40:28 WARN LazyStruct: Extra bytes detected at the end of the row! Ignoring similar problems.
+-----+-------+---------+----+----------+------+------+------+
|empno|  ename|      job| mgr|  hiredate|   sal|  comm|deptno|
+-----+-------+---------+----+----------+------+------+------+
| 7369|  SMITH|    CLERK|7902|1980-12-17| 800.0|  null|    20|
| 7499|  ALLEN| SALESMAN|7698| 1981-2-20|1600.0| 300.0|    30|
| 7521|   WARD| SALESMAN|7698| 1981-2-22|1250.0| 500.0|    30|
| 7566|  JONES|  MANAGER|7839|  1981-4-2|2975.0|  null|    20|
| 7654| MARTIN| SALESMAN|7698| 1981-9-28|1250.0|1400.0|    30|
| 7698|  BLAKE|  MANAGER|7839|  1981-5-1|2850.0|  null|    30|
| 7782|  CLARK|  MANAGER|7839|  1981-6-9|2450.0|  null|    10|
| 7788|  SCOTT|  ANALYST|7566| 1987-4-19|3000.0|  null|    20|
| 7839|   KING|PRESIDENT|null|1981-11-17|5000.0|  null|    10|
| 7844| TURNER| SALESMAN|7698|  1981-9-8|1500.0|   0.0|    30|
| 7876|  ADAMS|    CLERK|7788| 1987-5-23|1100.0|  null|    20|
| 7900|  JAMES|    CLERK|7698| 1981-12-3| 950.0|  null|    30|
| 7902|   FORD|  ANALYST|7566| 1981-12-3|3000.0|  null|    20|
| 7934| MILLER|    CLERK|7782| 1982-1-23|1300.0|  null|    10|
| 7944|zhiling|    CLERK|7782| 1982-1-23|1300.0|  null|    50|
+-----+-------+---------+----+----------+------+------+------+

4.3 運行Spark SQL CLI

Spark SQLCLI可以很方便的在本地運行Hive元數據服務以及從命令行執行查詢任務。在Spark目錄下執行如下命令啓動Spark SQ LCLI，直接執行SQL語句，類似Hive窗口。

bin/spark-sql

4.4 代碼中操作Hive

1）添加依賴

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-hive_2.11</artifactId>
    <version>2.1.1</version>
</dependency>
<dependency>
    <groupId>org.apache.hive</groupId>
    <artifactId>hive-exec</artifactId>
    <version>1.2.1</version>
</dependency>

2）拷貝hive-site.xml到resources目錄
3）代碼實現

object SparkSQL08_Hive{
 def main(args: Array[String]): Unit = {
    //創建上下文環境配置對象
    val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("SparkSQL01_Demo")
    val spark: SparkSession = SparkSession
      .builder()
      .enableHiveSupport()
      .master("local[*]")
      .appName("SQLTest")
      .getOrCreate()
    spark.sql("show tables").show()
    //釋放資源
    spark.stop()
  }
}

Spark SQL實戰

1、數據準備

Spark-sql操作所有的數據均來自Hive，首先在Hive中創建表,並導入數據。一共有3張表：1張用戶行爲表，1張城市表，1張產品表。

CREATE TABLE `user_visit_action`(
  `date` string,
  `user_id` bigint,
  `session_id` string,
  `page_id` bigint,
  `action_time` string,
  `search_keyword` string,
  `click_category_id` bigint,
  `click_product_id` bigint,
  `order_category_ids` string,
  `order_product_ids` string,
  `pay_category_ids` string,
  `pay_product_ids` string,
  `city_id` bigint)
row format delimited fields terminated by '\t';
load data local inpath '/opt/module/data/user_visit_action.txt' into table sparkpractice.user_visit_action;

CREATE TABLE `product_info`(
  `product_id` bigint,
  `product_name` string,
  `extend_info` string)
row format delimited fields terminated by '\t';
load data local inpath '/opt/module/data/product_info.txt' into table sparkpractice.product_info;

CREATE TABLE `city_info`(
  `city_id` bigint,
  `city_name` string,
  `area` string)
row format delimited fields terminated by '\t';
load data local inpath '/opt/module/data/city_info.txt' into table sparkpractice.city_info;

2、需求

2.1 需求簡介

這裏的熱門商品是從點擊量的維度來看的，計算各個區域前三大熱門商品，並備註上每個商品在主要城市中的分佈比例，超過兩個城市用其他顯示。
例如：

2.2 思路分析

1）使用sql來完成，碰到複雜的需求，可以使用udf或udaf
2）查詢出來所有的點擊記錄，並與city_info表連接，得到每個城市所在的地區，與Product_info表連接得到產品名稱
3）按照地區和商品名稱分組，統計出每個商品在每個地區的總點擊次數
4）每個地區內按照點擊次數降序排列
5）只取前三名，並把結果保存在數據庫中
6）城市備註需要自定義UDAF函數

2.3 代碼實現

1）UDAF函數定義

class AreaClickUDAF extends UserDefinedAggregateFunction {
  // 輸入數據的類型:  北京  String
  override def inputSchema: StructType = {
    StructType(StructField("city_name", StringType) :: Nil)
    //        StructType(Array(StructField("city_name", StringType)))
  }

  // 緩存的數據的類型: 北京->1000, 天津->5000  Map,  總的點擊量  1000/?
  override def bufferSchema: StructType = {
    // MapType(StringType, LongType) 還需要標註 map的key的類型和value的類型
    StructType(StructField("city_count", MapType(StringType, LongType)) :: StructField("total_count", LongType) :: Nil)
  }

  // 輸出的數據類型  "北京21.2%，天津13.2%，其他65.6%"  String
  override def dataType: DataType = StringType

  // 相同的輸入是否應用有相同的輸出.
  override def deterministic: Boolean = true

  // 給存儲數據初始化
  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    //初始化map緩存
    buffer(0) = Map[String, Long]()
    // 初始化總的點擊量
    buffer(1) = 0L
  }

  // 分區內合併 Map[城市名, 點擊量]
  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    // 首先拿到城市名, 然後把城市名作爲key去查看map中是否存在, 如果存在就把對應的值 +1, 如果不存在, 則直接0+1
    val cityName = input.getString(0)
    //        val map: collection.Map[String, Long] = buffer.getMap[String, Long](0)
    val map: Map[String, Long] = buffer.getAs[Map[String, Long]](0)
    buffer(0) = map + (cityName -> (map.getOrElse(cityName, 0L) + 1L))
    // 碰到一個城市, 則總的點擊量要+1
    buffer(1) = buffer.getLong(1) + 1L
  }

  // 分區間的合併
  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    val map1 = buffer1.getAs[Map[String, Long]](0)
    val map2 = buffer2.getAs[Map[String, Long]](0)

    // 把map1的鍵值對與map2中的累積, 最後賦值給buffer1
    buffer1(0) = map1.foldLeft(map2) {
      case (map, (k, v)) =>
        map + (k -> (map.getOrElse(k, 0L) + v))
    }

    buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
  }

  // 最終的輸出. "北京21.2%，天津13.2%，其他65.6%"
  override def evaluate(buffer: Row): Any = {
    val cityCountMap = buffer.getAs[Map[String, Long]](0)
    val totalCount = buffer.getLong(1)

    var citysRatio: List[CityRemark] = cityCountMap.toList.sortBy(-_._2).take(2).map {
      case (cityName, count) => {
        CityRemark(cityName, count.toDouble / totalCount)
      }
    }
    // 如果城市的個數超過2才顯示其他
    if (cityCountMap.size > 2) {
      citysRatio = citysRatio :+ CityRemark("其他", citysRatio.foldLeft(1D)(_ - _.cityRatio))
    }
    citysRatio.mkString(", ")
  }
}


case class CityRemark(cityName: String, cityRatio: Double) {
  val formatter = new DecimalFormat("0.00%")
  override def toString: String = s"$cityName:${formatter.format(cityRatio)}"
}

2)具體實現

object SparkSQL04_TopN {
  def main(args: Array[String]): Unit = {
    val spark: SparkSession = SparkSession
      .builder()
      .master("local[2]")
      .appName("AreaClickApp")
      .enableHiveSupport()
      .getOrCreate()
    spark.sql("use sparkpractice")
    // 0 註冊自定義聚合函數
    spark.udf.register("city_remark", new AreaClickUDAF)
    // 1. 查詢出所有的點擊記錄,並和城市表產品表做內連接
    spark.sql(
      """
        |select
        |    c.*,
        |    v.click_product_id,
        |    p.product_name
        |from user_visit_action v join city_info c join product_info p on v.city_id=c.city_id and v.click_product_id=p.product_id
        |where click_product_id>-1
      """.stripMargin).createOrReplaceTempView("t1")

    // 2. 計算每個區域, 每個產品的點擊量
    spark.sql(
      """
        |select
        |    t1.area,
        |    t1.product_name,
        |    count(*) click_count,
        |    city_remark(t1.city_name)
        |from t1
        |group by t1.area, t1.product_name
      """.stripMargin).createOrReplaceTempView("t2")

    // 3. 對每個區域內產品的點擊量進行倒序排列
    spark.sql(
      """
        |select
        |    *,
        |    rank() over(partition by t2.area order by t2.click_count desc) rank
        |from t2
      """.stripMargin).createOrReplaceTempView("t3")

    // 4. 每個區域取top3

    spark.sql(
      """
        |select
        |    *
        |from t3
        |where rank<=3
      """.stripMargin).show

    //釋放資源
    spark.stop()

  }
}

知識星球

歡迎加入我的知識星球，提供技術答疑，資料分享，模擬面試等服務。

猜你喜歡

Hive計算最大連續登陸天數

Hadoop 數據遷移用法詳解

Hbase修復工具Hbck

數倉建模分層理論

一文搞懂Hive的數據存儲與壓縮

大數據組件重點學習這幾個