Spark SQL重点知识总结

2024-09-06 21:58
文章标签 sql 总结 重点 知识 database spark

本文主要是介绍Spark SQL重点知识总结，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、Spark SQL的概念理解

Spark SQL是spark套件中一个模板，它将数据的计算任务通过SQL的形式转换成了RDD的计算，类似于Hive通过SQL的形式将数据的计算任务转换成了MapReduce。

Spark SQL的特点：
1、和Spark Core的无缝集成，可以在写整个RDD应用的时候，配置Spark SQL来完成逻辑实现。
2、统一的数据访问方式，Spark SQL提供标准化的SQL查询。
3、Hive的继承，Spark SQL通过内嵌的hive或者连接外部已经部署好的hive案例，实现了对hive语法的继承和操作。
4、标准化的连接方式，Spark SQL可以通过启动thrift Server来支持JDBC、ODBC的访问，将自己作为一个BI Server使用

Spark SQL数据抽象：
1、RDD(Spark1.0)->DataFrame(Spark1.3)->DataSet(Spark1.6)
2、Spark SQL提供了DataFrame和DataSet的数据抽象
3、DataFrame就是RDD+Schema，可以认为是一张二维表格，劣势在于编译器不进行表格中的字段的类型检查，在运行期进行检查
4、DataSet是Spark最新的数据抽象，Spark的发展会逐步将DataSet作为主要的数据抽象，弱化RDD和DataFrame.DataSet包含了DataFrame所有的优化机制。除此之外提供了以样例类为Schema模型的强类型
5、DataFrame=DataSet[Row]
6、DataFrame和DataSet都有可控的内存管理机制，所有数据都保存在非堆上，都使用了catalyst进行SQL的优化。

Spark SQL客户端查询：
1、可以通过Spark-shell来操作Spark SQL，spark作为SparkSession的变量名，sc作为SparkContext的变量名
2、可以通过Spark提供的方法读取json文件，将json文件转换成DataFrame
3、可以通过DataFrame提供的API来操作DataFrame里面的数据。
4、可以通过将DataFrame注册成为一个临时表的方式，来通过Spark.sql方法运行标准的SQL语句来查询。

二、Spark SQL查询方式

DataFrame查询方式

1、DataFrame支持两种查询方式：一种是DSL风格，另外一种是SQL风格
(1)、DSL风格：
需要引入import spark.implicit._这个隐式转换，可以将DataFrame隐式转换成RDD
(2)、SQL风格：
a、需要将DataFrame注册成一张表格，如果通过CreateTempView这种方式来创建，那么该表格Session有效，如果通过CreateGlobalTempView来创建，那么该表格跨Session有效，但是SQL语句访问该表格的时候需要加上前缀global_temp
b、需要通过sparkSession.sql方法来运行你的SQL语句


DataSet查询方式

定义一个DataSet，先定义一个Case类


三、DataFrame、Dataset和RDD互操作

1、RDD->DataFrame：

  • 普通方式：例如rdd.map(para(para(0).trim(),para(1).trim().toInt)).toDF("name","age")

  • 通过反射来设置schema，例如：

 
#通过反射设置schema，数据集是spark自带的people.txt,路径在下面的代码中	
case class Person(name:String,age:Int)	
val peopleDF=spark.sparkContext.textFile("file:///root/spark/spark2.4.1/examples/src/main/resources/people.txt").map(_.split(",")).map(para=>Person(para(0).trim,para(1).trim.toInt)).toDF	
peopleDF.show
 
640
 
 
#注册成一张临时表	
peopleDF.createOrReplaceTempView("persons")	
val teen=spark.sql("select name,age from persons where age between 13 and 29")	
teen.show
 
640
 
这时teen是一张表，每一行是一个row对象，如果需要访问Row对象中的每一个元素，可以通过下标 row(0)；你也可以通过列名 row.getAs[String]（"name"）
 
640也可以使用getAs方法：
 
640
 
3、通过编程的方式来设置schema，适用于编译器不能确定列的情况
 
 
val peopleRDD=spark.sparkContext.textFile("file:///root/spark/spark2.4.1/examples/src/main/resources/people.txt")	
val schemaString="name age"	
val filed=schemaString.split(" ").map(filename=> org.apache.spark.sql.types.StructField(filename,org.apache.spark.sql.types.StringType,nullable = true))	
val schema=org.apache.spark.sql.types.StructType(filed)	
peopleRDD.map(_.split(",")).map(para=>org.apache.spark.sql.Row(para(0).trim,para(1).trim))	
val peopleDF=spark.createDataFrame(res6,schema)	
peopleDF.show
 
640
 
640
 
640
 

 
2、DataFrame->RDD：
 
 
dataFrame.rdd
 
3、RDD->DataSet：
 
 
 
rdd.map(para=> Person(para(0).trim(),para(1).trim().toInt)).toDS
 
4、DataSet->DataSet：
 
 
dataSet.rdd
 
5、DataFrame -> DataSet：
 
 
dataFrame.to[Person]
 
6、DataSet -> DataFrame：
 
 
dataSet.toDF
 

 
四、用户自定义函数
 
1、用户自定义UDF函数
 
通过spark.udf功能用户可以自定义函数
自定义udf函数：
1、  通过spark.udf.register(name,func)来注册一个UDF函数，name是UDF调用时的标识符，fun是一个函数，用于处理字段。
2、  需要将一个DF或者DS注册为一个临时表
3、  通过spark.sql去运行一个SQL语句，在SQL语句中可以通过name(列名)方式来应用UDF函数
 
2、用户自定义聚合函数
 

 
弱类型用户自定义聚合函数
 
  • 新建一个Class 继承UserDefinedAggregateFunction  ，然后复写方法：
 
 
override def inputSchema: StructType = ???	
override def bufferSchema: StructType = ???	
override def dataType: DataType = ???	
override def deterministic: Boolean = true	
override def initialize(buffer: MutableAggregationBuffer): Unit = ???	
override def update(buffer: MutableAggregationBuffer, input: Row): Unit = ???	
override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = ???	
override def evaluate(buffer: Row): Any = ???
 
  • 你需要通过spark.udf.resigter去注册你的UDAF函数。
  • 需要通过spark.sql去运行你的SQL语句，可以通过 select UDAF(列名) 来应用你的用户自定义聚合函数。
 

 
强类型用户自定义聚合函数
 
1、新建一个class，继承Aggregator[Employee, Average, Double]，其中Employee是在应用聚合函数的时候传入的对象，Average是聚合函数在运行的时候内部需要的数据结构，Double是聚合函数最终需要输出的类型。这些可以根据自己的业务需求去调整。复写相对应的方法：
 
 
override def zero: Average = ???	
override def reduce(b: Average, a: Employee): Average = ???	
override def merge(b1: Average, b2: Average): Average = ???	
override def finish(reduction: Average): Double = ???	
override def bufferEncoder: Encoder[Average] = ???	
override def outputEncoder: Encoder[Double] = ???
 
2、新建一个UDAF实例，通过DF或者DS的DSL风格语法去应用。
 
五、Spark SQL和Hive的继承
 
内置Hive
 
1、Spark内置有Hive，Spark2.1.1 内置的Hive是1.2.1。
2、需要将core-site.xml和hdfs-site.xml 拷贝到spark的conf目录下。如果Spark路径下发现metastore_db，需要删除【仅第一次启动的时候】。
3、在你第一次启动创建metastore的时候，你需要指定spark.sql.warehouse.dir这个参数，
比如：bin/spark-shell --conf spark.sql.warehouse.dir=hdfs://master01:9000/spark_warehouse
4、注意，如果你在load数据的时候，需要将数据放到HDFS上。
 
外部Hive(这里主要使用这个方法)
 
1、需要将hive-site.xml 拷贝到spark的conf目录下。
2、如果hive的metestore使用的是mysql数据库，那么需要将mysql的jdbc驱动包放到spark的jars目录下。
 
3、可以通过spark-sql或者spark-shell来进行sql的查询。完成和hive的连接。
 
640
 
这就是hive里面的表
 
640
 

 
六、Spark SQL的数据源
 
输入
 
对于Spark SQL的输入需要使用sparkSession.read方法
 
1、通用模式   sparkSession.read.format("json").load("path")   支持类型：parquet、json、text、csv、orc、jdbc
2、专业模式   sparkSession.read.json、 csv  直接指定类型。
 
输出
 
对于Spark SQL的输出需要使用  sparkSession.write方法
 
1、通用模式   dataFrame.write.format("json").save("path")  支持类型：parquet、json、text、csv、orc
 
2、专业模式   dataFrame.write.csv("path")  直接指定类型
 
3、如果你使用通用模式，spark默认parquet是默认格式、sparkSession.read.load 加载的默认是parquet格式dataFrame.write.save也是默认保存成parquet格式。
 
4、如果需要保存成一个text文件，那么需要dataFrame里面只有一列（只需要一列即可）。
 
七、Spark SQL实战
 
1、数据说明(有需要的可以下方留言)
 
这里有三个数据集，合起来大概有几十万条数据，是关于货品交易的数据集。
 
640?wx_fmt=other
 
2、任务
 
这里有三个需求：
1、计算所有订单中每年的销售单数、销售总额
2、计算所有订单每年最大金额订单的销售额
3、计算所有订单中每年最畅销货品
 
3、步骤
 

 
1、加载数据：
 
tbStock.txt
 
 
#代码	
case class tbStock(ordernumber:String,locationid:String,dateid:String) extends Serializable	
val tbStockRdd=spark.sparkContext.textFile("file:///root/dataset/tbStock.txt")	
val tbStockDS=tbStockRdd.map(_.split(",")).map(attr=>tbStock(attr(0),attr(1),attr(2))).toDS	
tbStockDS.show()
 
640
 
640
 
640
 
640
 
tbStockDetail.txt
 
 
case class tbStockDetail(ordernumber:String,rownum:Int,itemid:String,number:Int,price:Double,amount:Double) extends Serializable	
val tbStockDetailRdd=spark.sparkContext.textFile("file:///root/dataset/tbStockDetail.txt")	
val tbStockDetailDS=tbStockDetailRdd.map(_.split(",")).map(attr=>tbStockDetail(attr(0),attr(1).trim().toInt,attr(2),attr(3).trim().toInt,attr(4).trim().toDouble,attr(5).trim().toDouble)).toDS	
tbStockDetailDS.show()
 

 
640
 
640
 
640
 
640
 
tbDate.txt
 
 
case class tbDate(dateid:String,years:Int,theyear:Int,month:Int,day:Int,weekday:Int,week:Int,quarter:Int,period:Int,halfmonth:Int) extends Serializable	
val tbDateRdd=spark.sparkContext.textFile("file:///root/dataset/tbDate.txt")	
val tbDateDS=tbDateRdd.map(_.split(",")).map(attr=>tbDate(attr(0),attr(1).trim().toInt,attr(2).trim().toInt,attr(3).trim().toInt,attr(4).trim().toInt,attr(5).trim().toInt,attr(6).trim().toInt,attr(7).trim().toInt,attr(8).trim().toInt,attr(9).trim().toInt)).toDS	
tbDateDS.show()
 
640640640640
 
2、注册表
 
 
 
tbStockDS.createOrReplaceTempView("tbStock")	
tbDateDS.createOrReplaceTempView("tbDate")	
tbStockDetailDS.createOrReplaceTempView("tbStockDetail")
 
640
 
3、解析表
 
1、计算所有订单中每年的销售单数、销售总额
 
 
select c.theyear,count(distinct a.ordernumber),sum(b.amount)	
from tbStock a	
join tbStockDetail b on a.ordernumber=b.ordernumber	
join tbDate c on a.dateid=c.dateid	
group by c.theyear	
order by c.theyear
 
640
 
2、计算所有订单每年最大金额订单的销售额
 
a、先统计每年每个订单的销售额
 
 
select a.dateid,a.ordernumber,sum(b.amount) as SumOfAmount	
from tbStock a	
join tbStockDetail b on a.ordernumber=b.ordernumber	
group by a.dateid,a.ordernumber
 
640
 
b、计算最大金额订单的销售额
 
 
select d.theyear,c.SumOfAmount as SumOfAmount 	
from	
(select a.dateid,a.ordernumber,sum(b.amount) as SumOfAmount 	
from tbStock a	
join tbStockDetail b on a.ordernumber=b.ordernumber  	
group by a.dateid,a.ordernumber) c  	
join tbDate d on c.dateid=d.dateid  	
group by d.theyear	
order by theyear desc
 
640
 
3、计算所有订单中每年最畅销货品
 
a、求出每年每个货品的销售额
 
 
select c.theyear,b.itemid,sum(b.amount) as SumOfAmount 	
from tbStock a 	
join tbStockDetail b on a.ordernumber=b.ordernumber 	
join tbDate c on a.dateid=c.dateid 	
group by c.theyear,b.itemid
 
640
 
b、在a的基础上，统计每年单个货品的最大金额
 
 
select d.theyear,max(d.SumOfAmount) as MaxOfAmount 	
from	
(select c.theyear,b.itemid,sum(b.amount) as SumOfAmount 	
from tbStock a 	
join tbStockDetail b on a.ordernumber=b.ordernumber 	
join tbDate c on a.dateid=c.dateid 	
group by c.theyear,b.itemid) d 	
group by theyear
 
640
 
c、用最大销售额和统计好的每个货品的销售额join，以及用年join，集合得到最畅销货品那一行信息
 
 
select distinct e.theyear,e.itemid,f.maxofamount 	
from	
(select c.theyear,b.itemid,sum(b.amount) as sumofamount 	
from tbStock a 	
join tbStockDetail b on a.ordernumber=b.ordernumber 	
join tbDate c on a.dateid=c.dateid 	
group by c.theyear,b.itemid) e 	
join	
(select d.theyear,max(d.sumofamount) as maxofamount 	
from	
(select c.theyear,b.itemid,sum(b.amount) as sumofamount 	
from tbStock a 	
join tbStockDetail b on a.ordernumber=b.ordernumber 	
join tbDate c on a.dateid=c.dateid 	
group by c.theyear,b.itemid) d 	
group by d.theyear) f on e.theyear=f.theyear 	
and e.sumofamount=f.maxofamount order by e.theyear
 
640
 
640?wx_fmt=gif
 
640?wx_fmt=jpeg
 


                                    

                                        这篇关于Spark SQL重点知识总结的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
                                    

                                    

                                

                            

                            

                        

                    

                    

                        

                            

                            http://www.chinasem.cn/article/1143230。
                            
                        

                    

                    
                    

                        
                            
                        
                    

                

                

                    相关文章
                

                    

                        

                            

                                

                                    
                                        数据库面试必备之MySQL中的乐观锁与悲观锁
                                    
                                

                            

                            

                                

                                    数据库面试必备之MySQL中的乐观锁与悲观锁
                                

                                

                                    《数据库面试必备之MySQL中的乐观锁与悲观锁》：本文主要介绍数据库面试必备之MySQL中乐观锁与悲观锁的相关资料,乐观锁适用于读多写少的场景,通过版本号检查避免冲突,而悲观锁适用于写多读少且对数...																									目录一、引言二、乐观锁（一）原理（二）应用场景（三）示例代码三、悲观锁（一）原理（二）应用场景（三）示例
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        SQL表间关联查询实例详解
                                    
                                

                            

                            

                                

                                    SQL表间关联查询实例详解
                                

                                

                                    《SQL表间关联查询实例详解》本文主要讲解SQL语句中常用的表间关联查询方式,包括：左连接（leftjoin）、右连接（rightjoin）、全连接（fulljoin）、内连接（innerjoin）、...																									目录简介样例准备左外连接右外连接全外连接内连接交叉连接自然连接简介本文主要讲解SQL语句中常用的表
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        SQL server配置管理器找不到如何打开它
                                    
                                

                            

                            

                                

                                    SQL server配置管理器找不到如何打开它
                                

                                

                                    《SQLserver配置管理器找不到如何打开它》最近遇到了SQLserver配置管理器打不开的问题,尝试在开始菜单栏搜SQLServerManager无果,于是将自己找到的方法总结分享给大家,对SQ...																									目录方法一：桌面图标进入方法二：运行窗口进入方法三：查找文件路径方法四：检查 SQL Server 安
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL 中的 LIMIT 语句及基本用法
                                    
                                

                            

                            

                                

                                    MySQL 中的 LIMIT 语句及基本用法
                                

                                

                                    《MySQL中的LIMIT语句及基本用法》LIMIT语句用于限制查询返回的行数,常用于分页查询或取部分数据,提高查询效率,：本文主要介绍MySQL中的LIMIT语句,需要的朋友可以参考下...																									目录mysql 中的 LIMIT 语句1. LIMIT 语法2. LIMIT 基本用法(1) 获取前 N 行数据(
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL 分区与分库分表策略应用小结
                                    
                                

                            

                            

                                

                                    MySQL 分区与分库分表策略应用小结
                                

                                

                                    《MySQL分区与分库分表策略应用小结》在大数据量、复杂查询和高并发的应用场景下,单一数据库往往难以满足性能和扩展性的要求,本文将详细介绍这两种策略的基本概念、实现方法及优缺点,并通过实际案例展示如...																									目录mysql 分区与分库分表策略1. 数据库水平拆分的背景2. MySQL 分区策略2.1 分区概念
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL高级查询之JOIN、子查询、窗口函数实际案例
                                    
                                

                            

                            

                                

                                    MySQL高级查询之JOIN、子查询、窗口函数实际案例
                                

                                

                                    《MySQL高级查询之JOIN、子查询、窗口函数实际案例》：本文主要介绍MySQL高级查询之JOIN、子查询、窗口函数实际案例的相关资料,JOIN用于多表关联查询,子查询用于数据筛选和过滤,窗口函...																									目录前言1. JOIN（连接查询）1.1 内连接（INNER JOIN）1.2 左连接（LEFT JOI
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL 中查询 VARCHAR 类型 JSON 数据的问题记录
                                    
                                

                            

                            

                                

                                    MySQL 中查询 VARCHAR 类型 JSON 数据的问题记录
                                

                                

                                    《MySQL中查询VARCHAR类型JSON数据的问题记录》在数据库设计中,有时我们会将JSON数据存储在VARCHAR或TEXT类型字段中,本文将详细介绍如何在MySQL中有效查询存储为V...																									目录一、问题背景二、mysql jsON 函数2.1 常用 JSON 函数三、查询示例3.1 基本查询3.2
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL中动态生成SQL语句去掉所有字段的空格的操作方法
                                    
                                

                            

                            

                                

                                    MySQL中动态生成SQL语句去掉所有字段的空格的操作方法
                                

                                

                                    《MySQL中动态生成SQL语句去掉所有字段的空格的操作方法》在数据库管理过程中,我们常常会遇到需要对表中字段进行清洗和整理的情况,本文将详细介绍如何在MySQL中动态生成SQL语句来去掉所有字段的空...																									目录在mysql中动态生成SQL语句去掉所有字段的空格准备工作原理分析动态生成SQL语句在MySQL
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL中FIND_IN_SET函数与INSTR函数用法解析
                                    
                                

                            

                            

                                

                                    MySQL中FIND_IN_SET函数与INSTR函数用法解析
                                

                                

                                    《MySQL中FIND_IN_SET函数与INSTR函数用法解析》：本文主要介绍MySQL中FIND_IN_SET函数与INSTR函数用法解析,本文通过实例代码给大家介绍的非常详细,感兴趣的朋友一...																									目录一、功能定义与语法1、FIND_IN_SET函数2、INSTR函数二、本质区别对比三、实际场景案例分
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL中的交叉连接、自然连接和内连接查询详解
                                    
                                

                            

                            

                                

                                    MySQL中的交叉连接、自然连接和内连接查询详解
                                

                                

                                    《MySQL中的交叉连接、自然连接和内连接查询详解》：本文主要介绍MySQL中的交叉连接、自然连接和内连接查询,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教...																									目录一、引入二、交php叉连接（cross join）三、自然连接（naturalandroid join）四
                                

                                

                                    阅读更多...
                                

                            

                        

                    

            

        

    


    


    

        

            Copyright China编程   23002807@qq.com
        

        

            沪ICP备2023033072号-2