三、SparkSQL

Spark 從 1．3 版本開始原有 SchemaRDD 的基礎(chǔ)上提供了類似Pandas DataFrame API。新的DataFrame API不僅可以大幅度降低普通開發(fā)者的學(xué)習(xí)門檻，同時還支持Scala、Java與Python三種語言。更重要的是，由于脫胎自SchemaRDD，DataFrame天然適用于分布式大數(shù)據(jù)場景。

一般的數(shù)據(jù)處理步驟：讀入數(shù)據(jù) －＞ 對數(shù)據(jù)進行處理 －＞ 分析結(jié)果  －＞ 寫入結(jié)果

SparkSQL 結(jié)構(gòu)化數(shù)據(jù)

處理結(jié)構(gòu)化數(shù)據(jù)（如 CSV，JSON，Parquet 等）；

把已經(jīng)結(jié)構(gòu)化數(shù)據(jù)抽象成 DataFrame （HiveTable）；

非結(jié)構(gòu)化數(shù)據(jù)通過 RDD．map．filter 轉(zhuǎn)換成結(jié)構(gòu)化進行處理；

按照列式數(shù)據(jù)庫，只加載非結(jié)構(gòu)化中可結(jié)構(gòu)化的部分列（Hbase，MongoDB）；

處理非結(jié)構(gòu)化數(shù)據(jù)，不能簡單的用 DataFrame 裝載。而是要用 SparkRDD 把數(shù)據(jù)讀入，在通過一系列的 Transformer Method 把非結(jié)構(gòu)化的數(shù)據(jù)加工為結(jié)構(gòu)化，或者過濾到不合法的數(shù)據(jù)。

SparkSQL DataFrame

SparkSQL 中一切都是 DataFrame，all in DataFrame． DataFrame是一種以RDD為基礎(chǔ)的分布式數(shù)據(jù)集，類似于傳統(tǒng)數(shù)據(jù)庫中的二維表格。DataFrame與RDD的主要區(qū)別在于，前者帶有schema元信息，即DataFrame所表示的二維表數(shù)據(jù)集的每一列都帶有名稱和類型。如果熟悉 Python Pandas 庫中的 DataFrame 結(jié)構(gòu)，則會對 SparkSQL DataFrame 概念非常熟悉。

TextFile DataFrame

import．org．a(chǎn)pache．spark．sql．＿／／定義數(shù)據(jù)的列名稱和類型valdt＝StructType（List（id：String，name：String，gender：String，age：Int））
／／導(dǎo)入user＿info．csv文件并指定分隔符vallines ＝ sc．textFile（＂／path／user＿info．csv＂）．map（＿．split（＂，＂））
／／將表結(jié)構(gòu)和數(shù)據(jù)關(guān)聯(lián)起來，把讀入的數(shù)據(jù)user．csv映射成行，構(gòu)成數(shù)據(jù)集valrowRDD ＝ lines．map（x＝＞Row（x（0），x（1），x（2），x（3）．toInt））
／／通過SparkSession．createDataFrame（）創(chuàng)建表，并且數(shù)據(jù)表表頭val df＝ spark．createDataFrame（rowRDD， dt）

可左右滑動查看代碼

讀取規(guī)則數(shù)據(jù)文件作為DataFrame

SparkSession．Builder builder ＝ SparkSession．builder（）Builder．setMaster（＂local＂）．setAppName（＂TestSparkSQLApp＂）SparkSession spark ＝ builder．getOrCreate（）；SQLContext sqlContext ＝ spark．sqlContext（）；
＃ 讀取 JSON 數(shù)據(jù)，path 可為文件或者目錄valdf＝sqlContext．read（）．json（path）；
＃ 讀取 HadoopParquet 文件vardf＝sqlContext．read（）．parquet（path）；
＃ 讀取 HadoopORC 文件vardf＝sqlContext．read（）．orc（path）；

可左右滑動查看代碼

JSON 文件為每行一個 JSON 對象的文件類型，行尾無須逗號。文件頭也無須［］指定為數(shù)組；SparkSQL 讀取是只是按照每行一條 JSON Record序列化；

Parquet文件

Configurationconfig ＝ new Configuration（）；ParquetFileReaderreader ＝ ParquetFileReader．open（        HadoopInputFile．fromPath（new Path（＂hdfs：／／／path／file．parquet＂），conf））；Map＜String， String＞schema ＝ reader．getFileMetaData（）．getKeyValueMetaData（）；String allFields＝ schema．get（＂org．a(chǎn)pache．spark．sql．parquet．row．metadata＂）；

可左右滑動查看代碼

allFiedls 的值就是各字段的名稱和具體的類型，整體是一個json格式進行展示。

讀取 Hive 表作為 DataFrame

Spark2 API 推薦通過 SparkSession．Builder 的 Builder 模式創(chuàng)建 SparkContext。 Builder．getOrCreate（） 用于創(chuàng)建 SparkSession，SparkSession 是 SparkContext 的封裝。

在Spark1．6中有兩個核心組件SQLcontext和HiveContext。SQLContext 用于處理在 SparkSQL 中動態(tài)注冊的表，HiveContext 用于處理 Hive 中的表。

從Spark2．0以上的版本開始，spark是使用全新的SparkSession接口代替Spark1．6中的SQLcontext和HiveContext。SQLContext．sql 即可執(zhí)行 Hive 中的表，也可執(zhí)行內(nèi)部注冊的表；

在需要執(zhí)行 Hive 表時，只需要在 SparkSession．Builder 中開啟 Hive 支持即可（enableHiveSupport（））。

SparkSession．Builder builder ＝ SparkSession．builder（）．enableHiveSupport（）；SparkSession spark ＝ builder．getOrCreate（）；SQLContext sqlContext ＝ spark．sqlContext（）；

可左右滑動查看代碼

／／ db 指 Hive 庫中的數(shù)據(jù)庫名，如果不寫默認(rèn)為 default

／／ tableName 指 hive 庫的數(shù)據(jù)表名

sqlContext．sql（“select ＊ from db．tableName”）

可左右滑動查看代碼

SparkSQL ThriftServer

／／首先打開 Hive 的 Metastore服務(wù)

hive＄bin／hive –－service metastore –p 8093

可左右滑動查看代碼

／／把 Spark 的相關(guān) jar 上傳到hadoophdfs指定目錄，用于指定sparkonyarn的依賴 jar

spark＄hadoop fs –put jars／＊．jar ／lib／spark2

可左右滑動查看代碼

／／ 啟動 spark thriftserver 服務(wù)

spark＄ sbin／start－thriftserver．sh －－master yarn－client －－driver－memory 1G －－conf spark．yarn．jars＝hdfs：／／／lib／spark2／＊．jar

可左右滑動查看代碼

當(dāng)hdfs 上傳了spark 依賴 jar 時，通過spark．yarn．jars 可看到日志 spark 無須每個job 都上傳jar，可節(jié)省啟動時間

19／06／1114：08：26 INFO Client： Source and destination file systems are the same． Notcopying hdfs：／／localhost：9000／lib／spark2／snappy－java－1．0．5．jar19／06／1114：08：26 INFO Client： Source and destination file systems are the same． Notcopying hdfs：／／localhost：9000／lib／spark2／snappy－java－1．1．7．3．jar

可左右滑動查看代碼

／／通過 spark bin 下的 beeline 工具，可以連接到 spark ThriftServer（SparkOnHive）

bin／beeline －u jdbc：hive2：／／ip：10000／default －n hadoop

可左右滑動查看代碼

－u 是指定 beeline 的執(zhí)行驅(qū)動地址；

－n 是指定登陸到 spark Session 上的用戶名稱；

Beeline 還支持傳入－e 可傳入一行 SQL，

－e ＜query＞                      query that should be executed

也可通過 –f 指定一個 SQL File，內(nèi)部可用逗號分隔的多個 SQL（存儲過程）

－f ＜exec file＞                  script file that should be executed

SparkSQL Beeline 的執(zhí)行效果展示

SparkSQL ThriftServer

對于 SparkSQL ThriftServer 服務(wù)，每個登陸的用戶都有創(chuàng)建的 SparkSession，并且執(zhí)行的對個 SQL 會通過時間順序列表展示。

SparkSQL ThriftServer 服務(wù)可用于其他支持的數(shù)據(jù)庫工具創(chuàng)建查詢，也用于第三方的 BI 工具，如 tableau。

四、SparkSQL Flow

SparkSQL Flow 是以 SparkSQL 為基礎(chǔ)，開發(fā)的統(tǒng)一的基于 XML 配置化的可執(zhí)行一連串的 SQL 操作，這一連串的 SQL 操作定義為一個 Flow。下文開始 SparkSQL Flow 的介紹：

SparkSQL Flow 是基于 SparkSQL 開發(fā)的一種基于 XML 配置化的 SQL 數(shù)據(jù)流轉(zhuǎn)處理模型。該模型簡化了 SparkSQL 、Spark RDD的開發(fā)，并且降低開發(fā)了難度，適合了解數(shù)據(jù)業(yè)務(wù)但無法駕馭大數(shù)據(jù)以及 Spark 技術(shù)的開發(fā)者。

一個由普元技術(shù)部提供的基于 SparkSQL 的開發(fā)模型；

一個可二次定制開發(fā)的大數(shù)據(jù)開發(fā)框架，提供了靈活的可擴展 API；

一個提供了 對文件，數(shù)據(jù)庫，NoSQL 等統(tǒng)一的數(shù)據(jù)開發(fā)視界語義；

基于 SQL 的開發(fā)語言和 XML 的模板配置，支持 Spark UDF 的擴展管理；

支持基于 Spark Standlone，Yarn，Mesos 資源管理平臺；

支持開源、華為、星環(huán)等平臺統(tǒng)一認(rèn)證。

SparkSQL Flow 適合的場景：

批量 ETL；

非實時分析服務(wù)；

SparkSQL Flow XML 概覽

Properties 內(nèi)定義一組變量，可用于宏替換；

Methods 內(nèi)可注冊 udf 和 udaf 兩種函數(shù)；

Prepare 內(nèi)可定義前置 SQL，用于執(zhí)行 source 前的 sql 操作；

Sources 內(nèi)定義一個到多個數(shù)據(jù)表視圖；

Transformer 內(nèi)可定義 0 到多個基于 SQL 的數(shù)據(jù)轉(zhuǎn)換操作（支持 join）；

Targets 用于定義 1 到多個數(shù)據(jù)輸出；

After 可定義 0到多個任務(wù)日志；

如你所見，source 的 type 參數(shù)用于區(qū)分 source 的類型，source 支持的種類直接決定SparkSQL Flow 的數(shù)據(jù)源加載廣度；并且，根據(jù) type 不同，source 也需要配置不同的參數(shù)，如數(shù)據(jù)庫還需要 driver，url，user和 password 參數(shù)。

Transformer 是基于 source 定的數(shù)據(jù)視圖可執(zhí)行的一組轉(zhuǎn)換 SQL，該 SQL 符合 SparkSQL 的語法（SQL99）。Transform 的 SQL 的執(zhí)行結(jié)果被作為中間表命名為 table＿name 指定的值。

Targets 為定義輸出，table＿name 的值需在 source 或者 Transformer 中定義。