Spark大数据分析 课件 第5章 Spark核心原理

SparkSQL简介目录/Contents01什么是SparkSQL02SparkSQL架构什么是SparkSQL01什么是SparkSQLSparkSQL是Spark用来处理结构化数据（结构化数据可以来自外部结构化数据源也可以通过RDD获取）的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。外部的结构化数据源包括JSON、Parquet(默认)、RMDBS、Hive等。当前SparkSQL使用Catalyst优化器来对SQL进行优化，从而得到更加高效的执行方案。并且可以将结果存储到外部系统。什么是SparkSQLSparkSQL的前身是Shark,Shark最初是美国加州大学伯克利分校的实验室开发的Spark生态系统的组件之一,它运行在Spark系统之上,Shark重用了Hive的工作机制,并直接继承了Hive的各个组件，Shark将SQL语句的转换从MapReduce作业替换成了Spark作业，虽然这样提高了计算效率,但由于Shark过于依赖Hive,因此在版本迭代时很难添加新的优化策略，从而限制了Spark的发展,在2014年,伯克利实验室停止了对Shark的维护,转向SparkSQL的开发。SparkSQL主要提供了以下3个功能。什么是SparkSQL(1)SparkSQL可以从各种结构化数据源(如JSON、Hive、Parquet等)中读取数据,进行数据分析。(2)SparkSQL包含行业标准的JDBC和ODBC连接方式，因此它不局限于在Spark程序内使用SQL语句进行查询。(3)SparkSQL可以无缝地将SQL查询与Spark程序进行结合，它能够将结构化数据作为Spark中的分布式数据集(RDD)进行查询，在Python、Scala和Java中均集成了相关API,这种紧密的集成方式能够轻松地运行SQL查询以及复杂的分析算法。

SparkSQL架构02SparkSQL架构SparkSQL架构与Hive架构相比除了把底层的MapReduce执行引擎更改为Spark还修改了Catalyst优化器，SparkSQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给SparkSQL的Catalyst优化器进行负责和管理。SparkSQL快速的计算效益得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给SparkSQL的Catalyst优化器负责和管理。如图7-1所示为SparkSQL整体架构。SparkSQL架构Catalyst优化器是一个新的可扩展的查询优化器，它是基于Scala函数式编程结构，SparkSQL开发工程师设计可扩展架构主要是为了在今后的版本迭代时，能够轻松地添加新的优化技术和功能，尤其是为了解决大数据生产环境中遇到的问题（例如，针对半结构化数据和高级数据分析），另外，Spark作为开源项目，外部开发人员可以针对项目需求自行扩展Catalyst优化器的功能。SparkSQL架构Catalyst主要的实现组件介绍如下。1、sqlParse:完成sql语句的语法解析功能，目前只提供了一个简单的sql解析器；2、Analyzer:主要完成绑定工作，将不同来源的UnresolvedLogicalPlan和数据元数据（如hivemetastore、Schemacatalog）进行绑定，生成resolvedLogicalPlan；3、Optimizer:对resolvedLogicalPlan进行优化，生成optimizedLogicalPlan；4、Planner:将LogicalPlan转换成PhysicalPlan；5、CostModel:主要根据过去的性能统计数据，选择最佳的物理执行计划Spark作为开源项目，外部开发人员可以针对项目需求自行扩展Catalyst优化器的功能。如图7-2所示为SparkSQL的运行架构。SparkSQL架构如上图所示，SparkSQL的工作流程可以分为如下几步：(1)使用SessionCatalog保存元数据在解析SQL语句之前，会创建SparkSession，或者如果是2.0之前的版本初始化SQLContext，SparkSession只是封装了SparkContext和SQLContext的创建而已。会把元数据保存在SessionCatalog中，涉及到表名，字段名称和字段类型。创建临时表或者视图，其实就会往SessionCatalog注册。(2)解析SQL使用ANTLR生成未绑定的逻辑计划当调用SparkSession的SQL或者SQLContext的SQL方法，我们以2.0为准，就会使用SparkSqlParser进行解析SQL。使用的ANTLR进行词法解析和语法解析。它分为2个步骤来生成UnresolvedLogicalPlan:词法分析：LexicalAnalysis,负责将token分组成符号类。构建一个分析树或者语法树AST。(3)使用分析器Analyzer绑定逻辑计划在该阶段，Analyzer会使用AnalyzerRules，并结合SessionCatalog，对未绑定的逻辑计划进行解析，生成已绑定的逻辑计划。SparkSQL架构(4)使用优化器Optimizer优化逻辑计划优化器也是会定义一套Rules，利用这些Rule对逻辑计划和Exepression进行迭代处理，从而使得树的节点进行合并和优化。(5)使用SparkPlanner生成物理计划SparkSpanner使用PlanningStrategies，对优化后的逻辑计划进行转换，生成可以执行的物理计划SparkPlan.(6)使用QueryExecution执行物理计划此时调用SparkPlan的execute方法，底层其实已经再触发job了，然后返回RDD。感谢大家的聆听DataFrames目录/Contents01DataFrames创建02操作DataFrames03RDD转换为DataFramesDataFrames创建01DataFrames创建在Spark2.0版本之前，SparkSQL中的SQLContext是创建DataFrame和执行SQL的入口，可以利用HiveContext接口，通过HiveQL语句操作Hive表数据，实现数据查询功能。从Spark2.0版本以上开始，Spark使用全新的SparkSession接口替代SQLContext及HiveContext接口来实现对其数据加载、转换、处理等功能。DataFrames创建1．数据准备2.通过文件创建DataFrame3.RDD转换为DataFrame操作DataFrames02操作DataFramesDataFrame提供了两种语法风格，即DSL风格语法和SQL风格语法，两者在功能上并无区别，仅仅是根据用户习惯，自定义选择操作方式。DSL风格2.SQL风格RDD转换为DataFrames03RDD转换为DataFramesSparkSQL支持两种不同的方式转换已经存在的RDD到DataFrame。第一种方式，是使用反射来推断包含了特定数据类型的RDD的元数据。这种基于反射的方式，代码比较简洁，当你已经知道你的RDD的元数据时，是一种非常不错的方式。这个方式简单，但是不建议使用，因为在工作当中，使用这种方式是有限制的。感谢大家的聆听SparkSQL多数据源操作目录/Contents01

MySQL数据源操作02Hive数据源操作MySQL数据源操作01MySQL数据源操作SparkSQL可以通过JDBC从关系数据库中读取数据创建DataFrame，通过对DataFrame进行一系列操作后，还可以将数据重新写入关系数据库中，当使用JDBC访问其它数据库时，应该首选JDBCRDD。这是因为结果是以数据框（DataFrame）返回的，且这样SparkSQL操作轻松或便于连接其它数据源。MySQL数据源操作1.读取MySQL数据库通过navicat或者SQLyog工具远程连接master节点的MySQL服务，利用可视化界面创建名为spark_sql的数据库，并创建person表，向表中添加数据。2.向MySQL中写入数据SparkSQL不仅可以查询MySQL中的数据，还可以将数据写入MySQL中。Hive数据源操作02Hive数据源操作1.环境准备Hive采用MySQL数据库存放Hive元数据，为了能够让Spark访问Hive，需要将MySQL驱动包复制到Spark安装路径下的jars目录下。2.创建数据库与表配置完成后启动hive创建对应的数据库与表。SparkSQL支持对Hive中存储的数据进行读写。下面介绍通过SparkSQL操作Hive数据仓库的具体步骤。Hive数据源操作3.SparkSQL操作Hive数据库执行Spark-Shell，首先进入sparksql数据库，查看当前数据仓库中是否有person表。4.向表中插入数据在插入数据之前先查看表中的数据。感谢大家的聆听SparkSQL应用案例目录/Contents01SparkSQL实现单词统计02电影数据分析SparkSQL实现单词统计01SparkSQL实现单词统计（1）实验内容本实验主要介绍在IDEA中开发SparkSQL案例-WordCount，以SQL和DSL两种方式实现。（2）实验目的熟悉SparkSQL的SQL和DSL的使用方法和区别（3）实验步骤步骤1SQL方式实现WordCount步骤2DSL方式实现WordCount（4）步骤1SQL方式实现WordCo