[Spark SQL_3] Spark SQL 高级操作

---

0. 说明

 　　DataSet 介绍 && Spark SQL 访问 JSON 文件 && Spark SQL 访问 Parquet 文件 && Spark SQL 访问 JDBC 数据库 && Spark SQL 作为分布式查询引擎

---

1. DataSet 介绍

　　强类型集合，可以转换成并行计算。

　　Dataset 上可以执行的操作分为 Transfermation 和 Action ，类似于 RDD。

　　Transfermation 生成新的 DataSet，Action 执行计算并返回结果。

　　DataSet 是延迟计算，只有当调用 Action 时才会触发执行。内部表现为逻辑计划。

　　Action 调用时，Spark 的查询优化器对逻辑计划进行优化，生成物理计划，用于分布式行为下高效的执行。

　　具体的执行计划可以通过 explain函数 来查看，方式如下：

scala> spark.sql("explain select name,class,score from tb_student").show(1000,false)

　　结果如图所示，show(1000 , false) 表示显式 1000行数据，结果不截断显式。

　　

---

2. Spark SQL 访问 JSON 文件

　　【保存 JSON 文件】

# 创建 DataFrame
scala> val df = spark.sql("select * from orders")

# 输出 JSON 文件
scala> df.write.json("file:///home/centos/json")

　　

　　【读取 JSON 文件】

scala> val df = spark.read.json("file:///home/centos/json")

scala> df.show

　　

---

3. Spark SQL 访问 Parquet 文件 

　　【保存】

# 创建 DataFrame
scala> val df = spark.sql("select * from orders")

# 保存成 parquet 文件
scala> df.write.parquet("file:///home/centos/par")

　　【读取】

# 创建 DataFrame
scala> val df = spark.read.parquet("file:///home/centos/par")

# 读取 Parquet 文件
scala> df.show

　　

---

 4. Spark SQL 访问 JDBC 数据库

　　【4.1 处理第三方 jar】

　　spark SQL 是分布式数据库访问，需要将驱动程序分发到所有 worker 节点或者通过 --jars 命令指定附件

　　分发 jar 到所有节点 ，third.jar 为第三方 jar 包

xsync /soft/spark/jars/third.jar

　　通过--jars 命令指定

spark-shell --master spark://s101:7077 --jars /soft/spark/jars/third.jar

　　【4.2 读取 MySQL 数据】

val prop = new java.util.Properties()
prop.put("driver" , "com.mysql.jdbc.Driver")
prop.put("user" , "root")
prop.put("password" , "root")
# 读取
val df = spark.read.jdbc("jdbc:mysql://192.168.23.101:3306/big12" , "music" ,prop) ;
# 显示
df.show

　　【4.3 保存数据到 MySQL 表（表不能存在）】

val prop = new java.util.Properties()
prop.put("driver" , "com.mysql.jdbc.Driver")
prop.put("user" , "root")
prop.put("password" , "root")
# 保存
dataframe.write.jdbc("jdbc:mysql://192.168.231.1:3306/mydb" , "emp" ,prop ) ;

---

5. Spark SQL 作为分布式查询引擎

　　【5.1 说明】
　　终端用户或应用程序可以直接同 Spark SQL 交互，而不需要写其他代码。

　　

　　【5.2 启动 Spark的 thrift-server 进程】

　　在 spark/sbin 目录下执行以下操作

[centos@s101 /soft/spark/sbin]$ start-thriftserver.sh --master spark://s101:7077

　　【5.3 验证】

　　查看 Spark WebUI，访问 http://s101:8080

　　端口检查，检查10000端口是否启动

netstat -anop | grep 10000

　　【5.4 使用 Spark 的 beeline 程序测试】

　　在 spark/bin 目录下执行以下操作

# 进入 Spark 的 beeline
[centos@s101 /soft/spark/bin]$ ./beeline

# 连接 Hive
!connect jdbc:hive2://localhost:10000/big12;auth=noSasl

# 查看表
0: jdbc:hive2://localhost:10000/big12> show tables;

 　　【5.5 编写客户端 Java 程序与 Spark 分布式查询引擎交互】

　　　　[添加依赖]

        <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-exec</artifactId>
            <version>2.1.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-jdbc</artifactId>
            <version>2.1.0</version>
        </dependency>

　　　　[代码编写]

package com.share.sparksql;

import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;

/**
 * 使用 Spark SQL 分布式查询引擎
 */
public class ThriftServerDemo {
    public static void main(String[] args) {
        try {
            Class.forName("org.apache.hive.jdbc.HiveDriver");
            Connection connection = DriverManager.getConnection("jdbc:hive2://s101:10000/big12;auth=noSasl");
            ResultSet rs = connection.createStatement().executeQuery("select * from orders");
            while (rs.next()) {
                System.out.printf("%d / %s
", rs.getInt(1), rs.getString(2));
            }
            rs.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

 　　　　[特别说明]

　　　　以上黄色部分为 HiveServer2 的验证模式，如果未添加以上黄色部分则会报错，报错如下：

　　

---