95.SPARKSQL_简介
网址：
https://spark.apache.org/sql/
Spark SQL
是
Spark
的一个模块，用于处理
结构化的数据
。
SparkSQL
特点
1
易整合
无缝的整合了
SQL
查询和
Spark
编程，随时用
SQL
或
DataFrame API
处理结构化数据。并且支持多语言
Java
、
Scala
、
Python
、
R
。
2
统一的数据访问
使用相同的方式连接不同的数据源或不同的文件格式中的数
据。
3
兼容
Hive
在已有的数据仓库上直接运行
SQL
或者
HiveQL
，也可以使
用
SparkSQL
直接处理数据并生成
Hive
数据表。
1
4
标准的数据连接
支持标准化的
JDBC\ODBC
连接
,
方便和各种数据进行数据交换
实时效果反馈
1.
关于
SparkSQL
特点的描述，错误的是：
A
易整合：无缝的整合了
SQL
查询和
Spark
编程，随时用
SQL
或
DataFrame API
处理结构化数据。并且支持多语言
Java
、
Scala
、
Python
、
R
。
B
统一的数据访问：使用相同的方式连接不同的数据源或不同
的文件格式中的数据。
C
不兼容
Hive
。
D
支持标准化的
JDBC\ODBC
连接
,
方便和各种数据进行数据交
换。
答案：
1=>C
兼容
Hive
96.SPARKSQL_发展史
Hive
是早期唯一运行在
Hadoop
上的
SQL-on-Hadoop
工具。但
是
MapReduce
计算过程中大量的中间磁盘落地过程消耗了大量的
I/O
，降低的运行效率，为了提高
SQL-on-Hadoop
的效率，大量的
SQL-on-Hadoop
工具开始产生，其中表现较为突出的是：
Impala
、
Shark
、
Drill
。
其中
Shark
是伯克利实验室
Spark
生态环境的组件之一，是基于
Hive
所开发的工具。
Shark
对于
Hive
的太多依赖，制约了
Spark
各个
组件的相互集成，所以提出了
SparkSQL
项目。
SparkSQL
抛弃原有
Shark
的代码，汲取了
Shark
的一些优点，
如内存列存储（
In-Memory Columnar Storage
）、
Hive
兼容性
等，重新开发了
SparkSQL
代码；由于摆脱了对
Hive
的依赖性，
SparkSQL
无论在数据兼容、性能优化、组件扩展方面都得到了极大
的方便。
相关时间节点
1
2014
年
1.0
正式发布，
Shark
项目和
SparkSQL
项目的主持人
Reynold Xin
宣布：停止对
Shark
的开发，团队将所有资源放
SparkSQL
项目上，至此，
Shark
的发展画上了句话，但也因
此发展出两个支线：
SparkSQL
和
Hive on Spark
。
3
2
2015
年
1.3
发布
DataFrame
数据结构
,
沿用至今
3
2016
年
1.6
发布
Dataset
数据结构
(
带泛型的
DataFrame),
适
用于支持泛型的语言
Java
、
Scala
4
2016
年
2.0
统一了
Dataset
和
DataFrame,
以后只有
Dataset
了
, Python
用的
DataFrame
就是没有泛型的
Dataset
。
5
2019
年
3.0
发布， 性能大幅度提升，
SparkSQL
变化不大。
6
2021
年
3.2
发布，支持
Java
、
Python
、
Scala
、
R
总结：
SparkSQL
用于处理大规模结构化数据的计算引擎
1
SparkSQL
在企业中广泛使用，并性能极好。
2
SparkSQL
：使用简单、
API
统一、兼容
HIVE
、支持标准化
JDBC
和
ODBC
连接
3
SparkSQL 2014
年正式发布，当下使用最多的
2.3
版
4
Spark
发布于
2016
年，当下使用的最新
3.2.1
办发布于
2022
年
97.SPARKSQL_与HIVE区别
98.SPARKSQL_SPARKSESSION
99.SPARKSQL_数据抽象
100.SPARKSQL_DATAFRAME概述
101.SPARKSQL_DATASET概述
102.SPARKSQL_DATAFRAME构成
103.SPARKSQL_创建项目
104.SPARKSQL_createDataFrame创建DF
package
com
.
itbaizhan
.
sql
import
org
.
apache
.
spark
.
SparkConf
import
org
.
apache
.
spark
.
rdd
.
RDD
import
org
.
apache
.
spark
.
sql
.
types
.
{
IntegerType
,
StringType
,
StructField
,
StructType
}
import
org
.
apache
.
spark
.
sql
.{
DataFrame
,
Row
,
SparkSession
}
1
2
3
4
5
6
7
15
object
CreateDataFrame
{
def
main
(
args
:
Array
[
String
]):
Unit
=
{
//1.
创建上下文配置文件对象
val
conf
=
new
SparkConf
().
setMaster
(
"local[*]"
)
.
setAppName
(
"CreateDataFrame"
)
//2.
创建执行环境入口
SparkSession
对象
val
spark
:
SparkSession
=
SparkSession
.
builder
()
.
config
(
conf
).
getOrCreate
()
//3.
读取文件，映射创建
RDD[Row]
对象
val
rdd
:
RDD
[
Row
]
=
spark
.
sparkContext
.
textFile
(
"data/sql/student.txt"
)
.
map
(
_
.
split
(
","
))
.
map
(
array
=>
Row
(
array
(
0
).
toInt
,
array
(
1
).
trim
,
array
(
2
).
toInt
))
//4.
定义
StructType
对象，指定所有列名和各自的类
型
val
schema
:
StructType
=
StructType
(
StructField
(
"id"
,
IntegerType
,
false
)
::
StructField
(
"name"
,
StringType
,
false
) ::
StructField
(
"age"
,
IntegerType
,
true
) ::
Nil
)
//5.
基于
rdd
对象转为
DataFrame
val
df
:
DataFrame
=
spark
.
createDataFrame
(
rdd
,
schema
)
//6.
打印
df
的表结构信息
df
.
printSchema
()
//7.
输出
df
中的数据
df
.
show
()
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
16
运行输出：
SparkSQL_toDF创建DF
将
RDD
转换为
DataFrame
：使用
RDD
的
toDF
方法转换
RDD
//
关闭
spark
.
stop
()
}
}
32
33
34
35
#
打印
DataFrame
的表结构
root
|-- id: long (nullable = true)
|-- name: string (nullable = true)
|-- age: long (nullable = true)
#df
中的数据
+---+-----+---+
|id |name |age|
+---+-----+---+
|1 |tom |22 |
|2 |lucy |21 |
|3 |peter|23 |
|4 |john |25 |
+---+-----+---+
105.SPARKSQL_toDF创建DF
在
IDEA
中开发程序时，如果需要
RDD
与
DF
或者
DS
之间互相转
换操作，那么需要引入
import spark.implicits._
package
com
.
itbaizhan
.
sql
import
org
.
apache
.
spark
.
SparkConf
import
org
.
apache
.
spark
.
rdd
.
RDD
import
org
.
apache
.
spark
.
sql
.{
DataFrame
,
SparkSession
}
object
ToDFDemo1
{
def
main
(
args
:
Array
[
String
]):
Unit
=
{
//1.
创建配置文件对象
val
conf
:
SparkConf
=
new
SparkConf
()
.
setMaster
(
"local[*]"
).
setAppName
(
"toDF"
)
//2.
创建
SparkSession
对象
val
spark
:
SparkSession
=
SparkSession
.
builder
().
config
(
conf
).
getOrCre
ate
()
//4.
添加隐式转换
import
spark
.
implicits
.
_
//5.
读取本地文件，并映射创建
RDD
val
rdd
:
RDD
[(
Int
,
String
,
Int
)]
=
spark
.
sparkContext
.
textFile
(
"data/sql/student.txt"
)
//RDD[String]"1,tom,22"-
>RDD[Array[String]]
.
map
(
_
.
split
(
","
))
//RDD[Array[String]]->RDD[(Int,
String, Int)]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
18
运行输出：
.
map
(
arr
=>
(
arr
(
0
).
toInt
,
arr
(
1
).
trim
,
arr
(
2
).
toInt
))
//6.
通过
rdd.toDF(colNames: String*)
//val df: DataFrame = rdd.toDF()//
了解
val
df
:
DataFrame
=
rdd
.
toDF
(
"id"
,
"name"
,
"age"
)
//7.
输出结构信息
df
.
printSchema
()
//8.
输出
df
中的数据
/**show(numRows: Int, truncate: Boolean)
* numRows:
表示输出数据的行数
,
默认是
20
行
.
* truncate:
表示输出时是否对列的值进行截取
* false:
表示不截取
* true:
表示截取，保留
20
个字符
*/
//df.show()
//df.show(2,false)
df
.
show
(
10
,
false
)
//3.
关闭
spark
spark
.
stop
()
}
}
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
19
SparkSQL_toDF
使用样例类创建
DF
实际开发中，一般通过样例类将
RDD
转换为
DataFrame
在
IDEA
中开发程序时，如果需要
RDD
与
DF
或者
DS
之间互相转
换操作，那么需要引入
import spark.implicits._
定义样例类
Student
：
root
|-- id: integer (nullable = false)
|-- name: string (nullable = true)
|-- age: integer (nullable = false)
+---+-----+---+
| id| name|age|
+---+-----+---+
| 1| tom| 22|
| 2| lucy| 21|
| 3|peter| 23|
| 4| john| 25|
+---+-----+---+
106.SPARKSQL_toDF使用样例创建DF
107.SPARKSQL_DataFrame转换RDD
108.SPARKSQL_创建DATASET
109.SPARKSQL_DATASET和RDD转换
110.SPARKSQL_DATASET和DATAFRAME转换
111.SPARKSQL_读写parquet文件
https://spark.apache.org/docs/latest/sql-data-sources.html
112.SPARKSQL_读写parquet文件扩展
113.SPARKSQL_读写text文件
114.SPARKSQL_读写JSON文件
115.SPARKSQL_读写csv文件
116.SPARKSQL_JDBC读写MYSQL
117.SPARKSQL_JDBC写MYSQL
118.SPARKSQL_SPARKONHIVE概述
119.SPARKSQL_SPARKONHIVE配置
120.SPARKSQL_SPARKONHIVE代码开发一
121.SPARKSQL_SPARKONHIVE代码开发二
122.SPARKSQL_SPARKONHIVE代码集群提交
123.SPARKSQL_DSL_API
124.SPARKSQL_数据去重
