原文链接：SparkSQL—用之惜之
SparkSql作为Spark的结构化数据处理模块，提供了非常强大的API，让分析人员用一次，就会为之倾倒，为之着迷，为之至死不渝。在内部，SparkSQL使用额外结构信息来执行额外的优化。在外部，可以使用SQL和DataSet 的API与之交互。本文笔者将带你走进SparkSql的世界，领略SparkSql之诸多妙处。
一、DataSet和DataFrame
当使用编程语言对结构化数据进行操作时候，SparkSql中返回的数据类型是DataSet/DataFrame，因此开篇笔者就先对这两种数据类型进行简单的介绍。
Dataset 是分布式的数据集合。是Spark 1.6中添加的一个新接口，是特定域对象中的强类型集合，它可以使用函数或者相关操作并行地进行转换等操作，数据集可以由JVM对象构造，然后使用函数转换（map、flatmap、filter等）进行操作。Dataset 支持Scala和javaAPI，不支持Python API。
DataFrame是由列组成的数据集，它在概念上等同于关系数据库中的表或R/Python中的data frame，但在查询引擎上进行了丰富的优化。DataFrame可以由各种各样的源构建，例如：结构化数据文件、hive中的表、外部数据库或现有的RDD。
二、SparkSQL基于DataFrame的操作
import org.apache.spark.sql.SparkSession
2val spark = SparkSession
3 .builder()
4 .appName("Spark SQL basic example")
5 .getOrCreate()
6//引入Spark的隐式类型转换，如将RDD转换成 DataFrame
7import spark.implicits._
8val df = spark.read.json("/data/tmp/SparkSQL/people.json")
9df.show() //将DataFrame的内容进行标准输出
10//+---+-------+
11//|age| name|
12//+---+-------+
13//| |Michael|
14//| 19| Andy|
15//| 30| Justin|
16//+---+-------+
17
18df.printSchema() //打印出DataFrame的表结构
19//root
20// |-- age: string (nullable = true)
21// |-- name: string (nullable = true)
22
23df.select("name").show()
24//类似于select name from DataFrame的SQL语句
25
26df.select($"name", $"age" + 1).show()
27//类似于select name，age+1 from DataFrame的SQL语句
28//此处注意，如果对列进行操作，所有列名前都必须加上$符号
29
30df.filter($"age" > 21).show()
31//类似于select * from DataFrame where age>21 的SQL语句
32
33df.groupBy("age").count().show()
34//类似于select age,count(age) from DataFrame group by age;
35
36//同时也可以直接写SQL进行DataFrame数据的分析
37df.createOrReplaceTempView("people")
38val sqlDF = spark.sql("SELECT * FROM people")
39sqlDF.show()
三、SparkSQL基于DataSet的操作
由于DataSet吸收了RDD和DataFrame的优点，所有可以同时向操作RDD和DataFrame一样来操作DataSet。看下边一个简单的例子。
1case class Person(name: String, age: Long)
2// 通过 case类创建DataSet
3val caseClassDS = Seq(Person("Andy", 32)).toDS()
4caseClassDS.show()
5// +----+---+
6// |name|age|
7// +----+---+
8// |Andy| 32|
9// +----+---+
10
11// 通过基本类型创建DataSet
12importing spark.implicits._
13val primitiveDS = Seq(1, 2, 3).toDS()
14primitiveDS.map(_ + 1).collect()
15// Returns: Array(2, 3, 4)
16
17// 将DataFrames转换成DataSet
18val path = "examples/src/main/resources/people.json"
19val peopleDS = spark.read.json(path).as[Person]
20peopleDS.show()
21// +----+-------+
22// | age| name|
23// +----+-------+
24// |null|Michael|
25// | 30| Andy|
26// | 19| Justin|
27// +----+-------+
在上边的例子中能够发现DataSet的创建是非常简单的，但是笔者需要强调一点，DataSet是强类型的，也就是说DataSet的每一列都有指定的列标识符和数据类型。下边的列子将进一步介绍DataSet与RDD的交互。
1import spark.implicits._
2//将RDD转换成DataFrame
3val peopleDF = spark.sparkContext
4 .textFile("examples/src/main/resources/people.txt")
5 .map(_.split(","))
6 .map(attributes=>Person(attributes(0),attributes(1).trim.toInt))
7 .toDF()
8// 将RDD注册为一个临时视图
9peopleDF.createOrReplaceTempView("people")
10//对临时视图进行Sql查询
11val teenagersDF = spark.sql("SELECT name, age FROM people WHERE age BETWEEN 13 AND 19")
12
13// 对teenagersDF 对应的DataFrame进行RDD的算子map操作
14teenagersDF.map(teenager => "Name: " + teenager(0)).show()
15// +------------+
16// | value|
17// +------------+
18// |Name: Justin|
19// +------------+
20
21// 与上一条语句效果一样
22teenagersDF.map(teenager => "Name: " + teenager.getAs[String]("name")).show()
23// +------------+
24// | value|
25// +------------+
26// |Name: Justin|
27// +------------+
四、SparkSQL操作HIve表
Spark SQL支持读取和写入存储在Apache HIVE中的数据。然而，由于Hive具有大量的依赖关系，默认情况下这些依赖性不包含在Spark分布中。如果能在classpath路径找到Hive依赖文件，Spark将自动加载它们。另外需要注意的是，这些Hive依赖项须存在于所有Spark的Worker节点上，因为它们需要访问Hive序列化和反序列化库（SerDes），以便访问存储在Hive中的数据。
1import java.io.File
2import org.apache.spark.sql.{Row, SaveMode, SparkSession}
3
4case class Record(key: Int, value: String)
5
6// 设置hive数据库默认的路径
7val warehouseLocation = new File("spark-warehouse").getAbsolutePath
8
9val spark = SparkSession
10 .builder()
11 .appName("Spark Hive Example")
12 .config("spark.sql.warehouse.dir", warehouseLocation)
13 .enableHiveSupport()
14 .getOrCreate()
15
16import spark.implicits._
17import spark.sql
18
19//创建hive表，导入数据，并且查询数据
20sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING) USING hive")
21sql("LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src")
22sql("SELECT * FROM src").show()
23
24// +---+-------+
25// |key| value|
26// +---+-------+
27// |238|val_238|
28// | 86| val_86|
29// |311|val_311|
30// ...
31
32//对hive表数据进行聚合操作
33sql("SELECT COUNT(*) FROM src").show()
34// +--------+
35// |count(1)|
36// +--------+
37// | 500 |
38// +--------+
39
40// sql执行的查询结果返回DataFrame类型数据，支持常用的RDD操作
41val sqlDF = sql("SELECT key, value FROM src WHERE key < 10 ORDER BY key")
42val stringsDS = sqlDF.map {
43 case Row(key: Int, value: String) => s"Key: $key, Value: $value"
44}
45stringsDS.show()
46// +--------------------+
47// | value|
48// +--------------------+
49// |Key: 0, Value: val_0|
50// |Key: 0, Value: val_0|
51// |Key: 0, Value: val_0|
52// ...
53
54// 通过DataFrames创建一个临时视图val recordsDF = spark.createDataFrame((1 to 100).map(i => Record(i, s"val_$i")))
55recordsDF.createOrReplaceTempView("records")
56
57// 查询操作可以将临时的视图与HIve表中数据进行关联查询
58sql("SELECT * FROM records r JOIN src s ON r.key = s.key").show()
59// +---+------+---+------+
60// |key| value|key| value|
61// +---+------+---+------+
62// | 2| val_2| 2| val_2|
63// | 4| val_4| 4| val_4|
64// | 5| val_5| 5| val_5|
65// ...
66
67// 创建一个Hive表，并且以parquet格式存储数据
68sql("CREATE TABLE hive_records(key int, value string) STORED AS PARQUET")
69// 讲DataFrame中数据保存到Hive表里
70val df = spark.table("src")
71df.write.mode(SaveMode.Overwrite).saveAsTable("hive_records")
72sql("SELECT * FROM hive_records").show()
73// +---+-------+
74// |key| value|
75// +---+-------+
76// |238|val_238|
77// | 86| val_86|
78// |311|val_311|
79// ...
80
81// 在指定路径创建一个Parquet文件并且写入数据
82val dataDir = "/tmp/parquet_data"
83spark.range(10).write.parquet(dataDir)
84// 创建HIve外部表
85sql(s"CREATE EXTERNAL TABLE hive_ints(key int) STORED AS PARQUET LOCATION '$dataDir'")
86sql("SELECT * FROM hive_ints").show()
87// +---+
88// |key|
89// +---+
90// | 0|
91// | 1|
92// | 2|
93// ...
94
95// Turn on flag for Hive Dynamic Partitioning
96spark.sqlContext.setConf("hive.exec.dynamic.partition", "true")
97spark.sqlContext.setConf("hive.exec.dynamic.partition.mode", "nonstrict")
98// 通过DataFrame的API创建HIve分区表
99df.write.partitionBy("key").format("hive").saveAsTable("hive_part_tbl")
100sql("SELECT * FROM hive_part_tbl").show()
101// +-------+---+
102// | value|key|
103// +-------+---+
104// |val_238|238|
105// | val_86| 86|
106// |val_311|311|
107// ...
108
109spark.stop()
当然SparkSql的操作远不止这些，它可以直接对文件快执行Sql查询，也可以通过JDBC连接到关系型数据库，对关系型数据库中的数据进行一些运算分析操作。如果读者感觉不过瘾，可以留言与笔者交流，也可以通过Spark官网查阅相关例子进行学习。下一篇关于Spark的文章，笔者将详细的介绍Spark的常用算子，以满足渴望进行数据分析的小伙伴们的求知的欲望。
更多精彩内容，欢迎扫码关注以下微信公众号：大数据技术宅。大数据、AI从关注开始
