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
                

                    

                        

                            

                                

                                    
                                        mysql出现ERROR 2003 (HY000): Can‘t connect to MySQL server on ‘localhost‘ (10061)的解决方法
                                    
                                

                            

                            

                                

                                    mysql出现ERROR 2003 (HY000): Can‘t connect to MySQL server on ‘localhost‘ (10061)的解决方法
                                

                                

                                    《mysql出现ERROR2003(HY000):Can‘tconnecttoMySQLserveron‘localhost‘(10061)的解决方法》本文主要介绍了mysql出现...																									目录前言：第一步：第二步：第三步：总结：前言：当你想通过命令窗口想打开mysql时候发现提http://www.cpp
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL大表数据的分区与分库分表的实现
                                    
                                

                            

                            

                                

                                    MySQL大表数据的分区与分库分表的实现
                                

                                

                                    《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有...																									目录1. mysql大表数据的分区1.1 什么是分区？1.2 分区的类型1.3 分区的优点1.4 分
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL错误代码2058和2059的解决办法
                                    
                                

                            

                            

                                

                                    MySQL错误代码2058和2059的解决办法
                                

                                

                                    《MySQL错误代码2058和2059的解决办法》：本文主要介绍MySQL错误代码2058和2059的解决办法,2058和2059的错误码核心都是你用的客户端工具和mysql版本的密码插件不匹配,...																									目录1. 前置理解2.报错现象3.解决办法（敲重点！！！）1. php前置理解2058和2059的错误
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        Mysql删除几亿条数据表中的部分数据的方法实现
                                    
                                

                            

                            

                                

                                    Mysql删除几亿条数据表中的部分数据的方法实现
                                

                                

                                    《Mysql删除几亿条数据表中的部分数据的方法实现》在MySQL中删除一个大表中的数据时,需要特别注意操作的性能和对系统的影响,本文主要介绍了Mysql删除几亿条数据表中的部分数据的方法实现,具有一定...																									目录1、需求2、方案1. 使用 DELETE 语句分批删除2. 使用 INPLACE ALTER T
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL INSERT语句实现当记录不存在时插入的几种方法
                                    
                                

                            

                            

                                

                                    MySQL INSERT语句实现当记录不存在时插入的几种方法
                                

                                

                                    《MySQLINSERT语句实现当记录不存在时插入的几种方法》MySQL的INSERT语句是用于向数据库表中插入新记录的关键命令,下面：本文主要介绍MySQLINSERT语句实现当记录不存在时...																									目录使用 INSERT IGNORE使用 ON DUPLICATE KEY UPDATE使用 REPLACE
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL Workbench 安装教程(保姆级)
                                    
                                

                            

                            

                                

                                    MySQL Workbench 安装教程(保姆级)
                                

                                

                                    《MySQLWorkbench安装教程(保姆级)》MySQLWorkbench是一款强大的数据库设计和管理工具,本文主要介绍了MySQLWorkbench安装教程,文中通过图文介绍的非常详细,对大...																									目录前言：详细步骤：一、检查安装的数据库版本二、在官网下载对应的mysql Workbench版本，要是
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        mysql数据库重置表主键id的实现
                                    
                                

                            

                            

                                

                                    mysql数据库重置表主键id的实现
                                

                                

                                    《mysql数据库重置表主键id的实现》在我们的开发过程中,难免在做测试的时候会生成一些杂乱无章的SQL主键数据,本文主要介绍了mysql数据库重置表主键id的实现,具有一定的参考价值,感兴趣的可以了...																									目录关键语法演示案例在我们的开发过程中，难免在做测试的时候会生成一些杂乱无章的SQL主键数据，当我们
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        浅谈mysql的sql_mode可能会限制你的查询
                                    
                                

                            

                            

                                

                                    浅谈mysql的sql_mode可能会限制你的查询
                                

                                

                                    《浅谈mysql的sql_mode可能会限制你的查询》本文主要介绍了浅谈mysql的sql_mode可能会限制你的查询,这个问题主要说明的是,我们写的sql查询语句违背了聚合函数groupby的规则...																									目录场景：问题描述原因分析：解决方案：第一种：修改后，只有当前生效，若是mysql服务重启，就会失效；
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL多列IN查询的实现
                                    
                                

                            

                            

                                

                                    MySQL多列IN查询的实现
                                

                                

                                    《MySQL多列IN查询的实现》多列IN查询是一种强大的筛选工具,它允许通过多字段组合快速过滤数据,本文主要介绍了MySQL多列IN查询的实现,具有一定的参考价值,感兴趣的可以了解一下...																									目录一、基础语法：多列 IN 的两种写法1. 直接值列表2. 子查询二、对比传统 OR 的写法三、性能分析与优化1.
                                

                                

                                    阅读更多...
                                

                            

                        

                    

                    

                        

                            

                                

                                    
                                        MySQL新增字段后Java实体未更新的潜在问题与解决方案
                                    
                                

                            

                            

                                

                                    MySQL新增字段后Java实体未更新的潜在问题与解决方案
                                

                                

                                    《MySQL新增字段后Java实体未更新的潜在问题与解决方案》在Java+MySQL的开发中,我们通常使用ORM框架来映射数据库表与Java对象,但有时候,数据库表结构变更（如新增字段）后,开发人员可...																									目录引言1. 问题背景：数据库与 Java 实体不同步1.1 常见场景1.2 示例代码2. 不同操作
                                

                                

                                    阅读更多...
                                

                            

                        

                    

            

        

    


    


    

        

            Copyright China编程   23002807@qq.com
        

        

            沪ICP备2023033072号-2