Spark SQL概述

前言：一些逻辑用spark core 来写，会比较麻烦，如果用sql 来表达，那简直太方便了

一、Spark SQL 是什么

是专门处理结构化数据的 Spark 组件

Spark SQL 提供了两种操作数据的方法：

　　sql 查询

　　DataFrames/Datasets API

Spark SQL = Schema + RDD

二、Spark SQL引入的主要动机

更快地编写和运行Spark程序

编写更少的代码，读取更少的数据，让优化器自动优化程序，释放程序员的工作

三、Spark SQL总体架构

Spark SQL 最底层是 Spark Core，上面的 Catalyst 是一个执行计划的优化器，可以帮助优化查询

在 Catalyst 之上还有两个组件，SQL 和 DataFrame/Dataset ，这两个组件上层对应的接口不一样，SQL 对应的是纯粹的 sql 语句的输入，DataFrame/Dataset 对应的是他们的api产生的输入

SQL 和 DataFrame/Dataset 这两个组件最终的结果都会输入到 Catalyst 这个优化器，等优化后，最终结果会交给 Spark Core 来运行

下面三行是 Spark SQL 的套件，在之上还有一些更高级的 API ，比如机器学习等

四、SQL 与 DataFrame/Dataset

Spark 提供了两种编写 Spark SQL 程序的 API，使用 SQL 查询或者使用 DataFrame/Dataset

使用SQL

　　如果你非常熟悉SQL语法，则使用SQL

使用DataFrame/Dataset

　　DSL(Domain Specific Language)：DSL是一个规范，比如上上个图中的 table，avg，groupby 就是，网上自行搜索 DSL

　　采用更通用的语言（Scala，Python）表达你的查询需求

　　使用DataFrame更快的捕获错误：SQL 是编译时不检查，运行时检查，而 DataFrame 则是在编译时就去检查，比如检查列是否存在，列类型是否正确

五、Spark SQL API演化

1.3后引入了 DataFrame，但之后发现有一些限制，又引入 Dataset，本来他们两个是不同的 API，后来版本中发现 DataFrame 和 Dataset 有互通的地方，于是2.0里面，DataFrame 成了 Dataset 的子集

1、RDD API（2011）

　　JVM对象组成的分布式数据集合

　　不可变且具有容错能力

　　可处理结构化与非结构化数据

　　函数式转换

2、RDD API的局限性

　　无Schema

　　用户自己优化程序

　　从不同的数据源读取数据非常困难

　　合并多个数据源中的数据也非常困难

3、DataFrame API（2013）

　　Row对象组成的分布式数据集合：一个数据集有很多个记录构成，每个记录都是一个 Row 的对象，Row 保存的信息有，包含哪些列，列名是什么，每一列是什么数据类型

　　不可变且具有容错能力

　　处理结构化数据

　　自带优化器Catalyst，可自动优化程序

　　Data source API： DataFrame 比 RDD API 更方便的一点是，有一个 Data source API，它可以让用户非常方便的去读取各种数据源的数据

　　所以 DataFrame 内部是无类型的，即 Row 是无类型的，但是 Row 这一行数据里面是有类型的

　　 DataSet 内部是有类型的，java 对象，需要用户自己去定义

　　DataFrame 是一种特殊类型的 DataSet

4、DataFrame API的局限性

　　运行时类型检查

　　不能直接操作domain对象

　　函数式编程风格

　　举例：

val dataframe = sqlContext.read.json("people.json”)
dataframe.filter("salary > 1000").show()
//局限性 Throws Runtime exception
org.apache.spark.sql.AnalysisException: cannot resolve 'salary' given input columns age,
name;

//Create RDD[Person]
val personRDD = sc.makeRDD(Seq(Person("A",10), Person("B",20)))
//Create dataframe from a RDD[Person]
val personDF = sqlContext.createDataFrame(personRDD)
//We get back RDD[Row] and not RDD[Person]
personDF.rdd
//局限性 RDD 转换为 DF ， DF再转回 RDD 后，会丢失一些信息

注：Spark RDD、DataFrame和DataSet的区别自行网上搜索

5、Dataset

　　Dataset 扩展自 DataFrame API，提供了编译时类型安全，面向对象风格的 API

case class Person(name: String, age: Int)
val dataframe = sqlContext.read.json("people.json")
val ds : Dataset[Person] = dataframe.as[Person]
// Compute histogram of age by name
val hist = ds.groupBy(_.name).mapGroups({
case (name, people) => {
val buckets = new Array[Int](10)
people.map(_.age).foreach { a =>
buckets(a / 10) += 1
}
(name, buckets)
}
})

View Code

　　Dataset API

　　　　类型安全：可直接作用在domain对象上

//Create RDD[Person]
val personRDD = sc.makeRDD(Seq(Person("A",10), Person("B",20)))
//Create Dataset from a RDD
val personDS = sqlContext.createDataset(personRDD)
personDS.rdd
//We get back RDD[Person] and not RDD[Row] in Dataframe

　　　　高效：代码生成编解码器，序列化更高效

　　　　协作：Dataset与Dataframe可相互转换

　　编译时类型检查

case class Person(name: String, age: Long)
val dataframe = sqlContext.read.json("people.json")
val ds : Dataset[Person] = dataframe.as[Person] 
ds.filter(p => p.age > 25)
ds.filter(p => p.salary > 12500)
//error: value salary is not a member of Person