　　好程式設計師大資料學習路線分享SparkSQl，Spark SQL 是 Spark 用來處理結構化資料的一個模組，它提供了一個程式設計抽象叫做 DataFrame 並且作為分散式 SQL 查詢引擎的作用。 SparkSql 中返回的資料型別是 DataFrame

1.1.1. 為什麼要學習 Spark SQL

我們已經學習了Hive ，它是將 Hive SQL 轉換成 MapReduce 然後提交到叢集上執行，大大簡化了編寫 MapReduce 的程式的複雜性，由於MapReduce這種計算模型執行效率比較慢。所有Spark SQL的應運而生，它是將Spark SQL轉換成RDD，然後提交到叢集執行，執行效率非常快！

HIVE:簡化編寫MapReduce的程式的複雜性

Spark SQL轉換成RDD: 替代 MapReduce, 提高效率

Spark1.0 版本開始就推出了 SparkSQL ，最早是叫 Shark

1 、記憶體列儲存 -- 可以大大最佳化記憶體使用效率，減少了記憶體消耗，避免了 gc 對大量資料的效能開銷

2 、位元組碼生成技術（ byte-code generation ） -- 可以使用動態位元組碼生成技術來最佳化效能

3 、 Scala 程式碼的最佳化

　　結構化資料是指任何有結構資訊的資料。所謂結構資訊，就是每條記錄共用的已知的欄位集合。當資料符合這樣的條件時， Spark SQL 就會使得針對這些資料的讀取和查詢變得更加簡單高效。具體來說， Spark SQL 提供了以下三大功能（見圖 9-1 ）。

(1) Spark SQL 可以從各種結構化資料來源（例如 JSON 、 Hive 、 Parquet 等）中讀取資料。

(2) Spark SQL 不僅支援在 Spark 程式內使用 SQL 語句進行資料查詢，也支援從類似商業智慧軟體 Tableau 這樣的外部工具中透過標準資料庫聯結器（ JDBC/ODBC ）連線 Spark SQL 進行查詢。

(3) 當在 Spark 程式內使用 Spark SQL 時， Spark SQL 支援 SQL 與常規的 Python/Java/Scala 程式碼高度整合，包括連線 RDD 與 SQL 表、公開的自定義 SQL 函式介面等。這樣一來，許多工作都更容易實現了。

為了實現這些功能， Spark SQL 提供了一種特殊的 RDD ，叫作 SchemaRDD 。 SchemaRDD 是存放 Row 物件的 RDD ，每個 Row 物件代表一行記錄。 SchemaRDD 還包含記錄的結構信息（即資料欄位）。 SchemaRDD 看起來和普通的 RDD 很像，但是在內部， SchemaRDD 可以利用結構資訊更加高效地儲存資料。此外， SchemaRDD 還支援 RDD 上所沒有的一些新操作，比如執行 SQL 查詢。 SchemaRDD 可以從外部資料來源建立，也可以從查詢結果或普通 RDD 中建立。

什麼是 DataFrames

( SparkSql 中返回的資料型別 : 它在概念上等同於關聯式資料庫中的表 , 但在查詢上進行了最佳化 )

與 RDD 類似， DataFrame 也是一個分散式資料容器。然而 DataFrame 更像傳統資料庫的二維表格，除了資料以外，還記錄資料的結構資訊，即 schema 。

1.1.1. 建立 DataFrames

在Spark SQL中SQLContext是建立DataFrames和執行SQL的入口，在spark-1.6.1中已經內建了一個 sqlContext

1.在本地建立一個檔案，有三列，分別是id、name、age，用空格分隔，然後上傳到hdfs上

hdfs dfs -put person.txt /

2.在spark shell執行下面命令，讀取資料，將每一行的資料使用列分隔符分割

val lineRDD = sc.textFile("hdfs://node01:9000/person.txt").map(_.split(" "))

3. 定義 case class （相當於表的 schema ）

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

4. 將 RDD 和 case class 關聯

val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))

　　( 裡面的資料是在 Array 中 )

5. 將 RDD 轉換成 DataFrame

val personDF = personRDD.toDF

6.對DataFrame進行處理

personDF.show

val seq1 = Seq(("1","bingbing",35),("2","yuanyuan",34),("3","mimi",33))

val rdd1 =sc.parallelize(seq1)

val df = rdd1.toDF("id","name","age")

df.show

DSL:領域特定語言

////檢視DataFrame中的內容

//檢視DataFrame部分列中的內容

1.

2.

3.

//列印DataFrame的Schema資訊

//查詢所有的name和age，並將age+1

1.df.select(col("id"),col("name"),col("age")+1).show

2.df.select(df("id"), df("name"), df("age") + 1).show

//過濾age大於等於18的

df.filter(col("age") >= 35).show

//按年齡進行分組並統計相同年齡的人數

df.groupBy("age").count().show()

SQL 風格語法

//查詢年齡最大的前兩名

1.如果想使用SQL風格的語法，需要將DataFrame註冊成表

df.registerTempTable("t_person")

2.sqlContext.sql("select * from t_person order by age desc limit 2").show

//顯示錶的Schema資訊

以程式設計方式執行 Spark SQL 查詢

1. 編寫 Spark SQL 查詢程式

1. 透過反射推斷 Schema

=======================================================

package com.qf.gp1708.day06

//透過反射獲取使用者資訊

import org.apache.spark.rdd.RDD

import org.apache.spark.sql.{DataFrame, SQLContext}

import org.apache.spark.{SparkConf, SparkContext}

object InferSchema {

def main(args: Array[String]): Unit = {

val conf = new SparkConf()

.setMaster( "local" )

.setAppName( "inferschema" )

val sc = new SparkContext(conf)

val sqlContext:SQLContext = new SQLContext(sc)

1. //獲取資料並切分

val line = sc.textFile( "C://Users/Song/Desktop/person.txt" ).map(_.split( "," ))

3 //將獲取的資料和Person樣例類進行關聯

val personRdd: RDD[Godness] = line.map(arr=> Godness (arr(0).toLong,arr(1),arr(2).toInt,arr(3).toInt))

//引入隱式轉換函式,這樣才可以呼叫到toDF方法

import sqlContext.implicits._

4 //將personRDD轉換成DataFrame

val dF: DataFrame = personRdd.toDF

5. //註冊一張臨時表

dF.registerTempTable( "t_person" )

val sql = "select * from t_person where fv > 70 order by age"

//查詢

val res: DataFrame = sqlContext.sql(sql)

res.show()

sc.stop()

}

2// 建立樣例類

case class Godness(id:Long,name:String,age:Int,fv:Int)

=========================================================

2. 透過 StructType 直接指定 Schema

===========================================

package com.qf.gp1708.day06

import org.apache.spark.rdd.RDD

import org.apache.spark.sql.{DataFrame, Row, SQLContext}

import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}

import org.apache.spark.{SparkConf, SparkContext}

/**

* 透過StructType型別直接指定Schema

*/

object StructTypeSchema {

def main(args: Array[String]): Unit = {

val conf = new SparkConf()

.setAppName( "str" )

.setMaster( "local" )

val sc = new SparkContext(conf)

val sqlContext = new SQLContext(sc)

//獲取資料並切分

val lines = sc.textFile( "hdfs://..." ).map(_.split( "," ))

//指定schema資訊

StructType {

List (

StructField ( "id" ,IntegerType, false ),

StructField ( "name" ,StringType, true ),

StructField ( "age" ,IntegerType, true ),

StructField ( "fv" ,IntegerType, true ),

)

}

//開始對映

val rowRDD: RDD[Row] = lines.map(arr => Row (arr(0).toInt,arr(1),arr(2).toInt,arr(3).toInt))

//把RDD轉換為DataFrame

val personDF: DataFrame = sqlContext.createDataFrame(rowRDD,schema)

//生成臨時表

personDF.registerTempTable( "t_person" )

val sql = "select name,age,fv from t_person where age >30 order by age desc"

val res = sqlContext.sql(sql)

res.write.mode( "append" ).json( "c://out-20180903-1" )

sc.stop()

}

=================================================================

1. 資料來源

1.1. JDBC

Spark SQL可以透過JDBC從關係型資料庫中讀取資料的方式建立DataFrame，透過對DataFrame一系列的計算後，還可以將資料再寫回關係型資料庫中。

1.1.1. 從 MySQL 中載入資料（ Spark Shell 方式）

1.啟動Spark Shell，必須指定mysql連線驅動jar包

/usr/local/spark-1.6.1-bin-hadoop2.6/bin/spark-shell \

--master spark://node01:7077 \

--jars /usr/local/spark-1.6.1-bin-hadoop2.6/mysql-connector-java-5.1.35-bin.jar \

　　 (指定MySQL包)

--driver-class-path /usr/local/spark-1.6.1-bin-hadoop2.6/mysql-connector-java-5.1.35-bin.jar (指定驅動類)

2.從mysql中載入資料

val jdbcDF = sqlContext.read.format("jdbc").options(Map("url" -> "jdbc:mysql://node03:3306/bigdata", "driver" -> "com.mysql.jdbc.Driver", "dbtable" -> "person", "user" -> "root", "password" -> "root")).load()

3.執行查詢

jdbcDF.show()

1.1.2. 將資料寫入到 MySQL 中（打 jar 包方式）

package com.qf.gp1708.day06

import java.util.Properties

import org.apache.spark.rdd.RDD

import org.apache.spark.sql.{Row, SQLContext}

import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}

import org.apache.spark.{SparkConf, SparkContext}

/**

* 寫入資料到MySQL

*/

object InsertData2MySQLDemo {

def main(args: Array[String]): Unit = {

val conf = new SparkConf().setAppName( "" ).setMaster( "local[2]" )

val sc = new SparkContext(conf)

val sqlContext = new SQLContext(sc)

val lines= sc.textFile( "" ).map(_.split( "," ))

//生成Schema

val schema = StructType {

Array (

StructField ( "name" , StringType, true ),

StructField ( "age" , IntegerType, true ),

StructField ( "fv" , StringType, true ),

)

}

//對映

val personRDD = lines.map(arr => Row (arr(1).toString,arr(2).toInt,arr(3).toInt))

//生成DataFrame

val personDF = sqlContext.createDataFrame(personRDD,schema)

//生成用於寫入MySQL的配置資訊

val prop = new Properties()

prop.put( "user" , "root" )

prop.put( "password" , "root" )

prop.put( "driver" , "com.mysql.jdbc.Driver" )

val jdbcUrl= "jdbc:mysql://hadoop03:3306/bigdata"

val table= "person"

//把資料寫入MySQL

personDF.write.mode( "append" ).jdbc(jdbcUrl,table,prop)

sc.stop()

}

/usr/local/spark-1.6.3-bin-hadoop2.6/spark-submit \

--class com.qf..... \

--master spark://hadoop01:7077 \

--executor-memory 512m \

--total-executor-cores 2 \

--jars /usr/.../mysql-connector-java-5.1.35-bin.jar \

--driver-class-path /usr/.../mysql-connector-java-5.1.35-bin.jar \

/root/1.jar

=======================================================

kafka:訊息中介軟體(快取資料)---解耦

　　為處理實時資料提供一個統一、高吞吐量、低等待的平臺

　　 3 、為什麼需要訊息佇列（重要、瞭解）

　　訊息系統的核心作用就是三點：解耦，非同步和並行

　　Kafka對訊息儲存時根據Topic進行歸類

　　Topic:底層就是佇列,將不同的訊息放在不同的佇列中進行分類

　　釋出 /訂閱模式:1對多

　　JMS:

好程式設計師大資料學習路線分享SparkSQl

相關文章