Spark SQL编程

Spark SQL编程

SparkSQL的依赖

不带Hive支持

<dependency>

<groupId>org.apache.spark</groupId>

<artifactId>spark-sql_2.10</artifactId>

<version>1.6.2</version>

</dependency>

带Hive支持(推荐使用)

<dependency>

<groupId>org.apache.spark</groupId>

<artifactId>spark-hive_2.10</artifactId>

<version>1.6.2</version>

</dependency>

SparkSQL的入口：SQLContex

SQLContext是SparkSQL的入口

val sc: SparkContext

val sqlContext = new org.apache.spark.sql.SQLContext(sc)

import sqlContext._ //导?入各种sql操作的?口与各种隐式转换

SparkSQL的入口： HiveContext

HiveContext是SQLContext的子类，提供了对Hive的支持

complete HiveQL parser,

access to Hive UDFs

the ability to read data from Hive tables

编译时要包含Hive支持

mvn -Pyarn -Phadoop-2.7 -Dhadoop.version=2.7.0 -Phive -Phive-thriftserver -DskipTests clean package

不需要提前安装Hive(连接已有Hive会在后面讲解)

HiveContext可以使用任何在SQLContext上可用的data source

SQLContext vs HiveContext

SQLContext现在只支持SQL语法解析器（SQL-92语法）

val sc: SparkContext

val sqlContext = new org.apache.spark.sql.SQLContext(sc)

import sqlContext._ //导⼊入各种sql操作的⼊口与各种隐式转换

SQLContext vs HiveContext

HiveContext现在支持SQL语法解析器和HiveSQL语法解析器，默认为HiveSQL语法解析器，用户可以通过配置切换成SQL语法解析器，来运行HiveSQL不支持的语法。

使用HiveContext可以使用Hive的UDF，读写Hive表数据等Hive操作。SQLContext不可以对Hive进行操作

Spark SQL未来的版本会不断丰富SQLContext的功能，做到SQLContext和HiveContext的功能容和，最终可能两者会统一成一个Context

HiveContext包装了Hive的依赖包，把HiveContext单独拿出来，可以在部署基本的Spark的时候就不需要Hive的依赖包，需要使用HiveContext时再把Hive的各种依赖包加进来。

Spark SQL的作用与使用方式:

Spark程序中使用SparkSQL

轻松读取数据并使用SQL 查询，同时还能把这一过程和普通的Python/Java/Scala 程序代码结合在一起

CLI---Spark SQL shell

JDBC/ODBC

各种支持jdbc的软件、商业智能（BI）工具、平台

Spark SQL支持的API

SQL

DataFrame(推荐方式，也能执行SQL)

Dataset(还在发展)

SQL

支持basic SQL syntax/HiveQL

程序中使用SQL会返回DataFrame

command-line和JDBC/ODBC中均可以使用

SparkSQL数据源：从各种数据源创建DataFrame

因为 spark sql，dataframe，datasets 都是共用 spark sql 这个库的，三者共享同样的代码优化，生成以及执行流程，所以 sql，dataframe，datasets 的入口都是 sqlContext。

可用于创建 spark dataframe 的数据源有很多：

SparkSQL数据源：RDD

val sqlContext = new org.apache.spark.sql.SQLContext(sc)

// this is used to implicitly convert an RDD to a DataFrame.

import sqlContext.implicits._

// Define the schema using a case class.

case class Person(name: String, age: Int)

// Create an RDD of Person objects and register it as a table.

val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()

//

val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt))

sqlContext.createDataFrame(people)

SparkSQL数据源：Hive

当从Hive 中读取数据时，Spark SQL 支持任何Hive 支持的存储格式（SerDe），包括文件、RCFiles、ORC、Parquet、Avro，以及Protocol Buffer(当然Spark SQL也可以直接读取这些文件)。

要连接已部署好的Hive，需要拷贝hive-site.xml、core-site.xml、hdfs-site.xml到Spark 的./conf/ 目录下即可

如果不想连接到已有的hive，可以什么都不做直接使用HiveContext:

Spark SQL 会在当前的工作目录中创建出自己的Hive 元数据仓库，叫作metastore_db

如果你尝试使用HiveQL 中的CREATE TABLE(并非CREATE EXTERNAL TABLE)语句来创建表，这些表会被放在你默认的文件系统中的/user/hive/warehouse 目录中(如果你的classpath 中有配好的hdfs-site.xml，默认的文件系统就是HDFS，否则就是本地文件系统)。

SparkSQL数据源：Hive读写

// sc is an existing SparkContext.

val sqlContext = new org.apache.spark.sql.hive.HiveContext(sc)

sqlContext.sql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING)")

sqlContext.sql("LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src")

// Queries are expressed in HiveQL

sqlContext.sql("FROM src SELECT key, value").collect().foreach(println)

SparkSQL数据源：访问不同版本的metastore

从Spark1.4开始，Spark SQL可以通过修改配置去查询不同版本的?Hive metastores(不用重新编译)

SparkSQL数据源：Parquet

Parquet（http://parquet.apache.org/）是一种流行的列式存储格式，可以高效地存储具有嵌套字段的记录。

Parquet 格式经常在Hadoop 生态圈中被使用，它也支持Spark SQL 的全部数据类型。Spark SQL 提供了直接读取和存储Parquet 格式文件的方法。

val sqlContext = new org.apache.spark.sql.SQLContext(sc)

// this is used to implicitly convert an RDD to a DataFrame.

import sqlContext.implicits._

// Define the schema using a case class.

case class Person(name: String, age: Int)

// Create an RDD of Person objects and register it as a table.

val people = sc.textFile("examples/src/main/resources/people.txt").map(_.split(",")).map(p => Person(p(0), p(1).trim.toInt)).toDF()

people.write.parquet("xxxx")

val parquetFile = sqlContext.read.parquet("people.parquet")

//Parquet files can also be registered as tables and then used in SQL statements.

 parquetFile.registerTempTable("parquetFile")

val agers = sqlContext.sql("SELECT name FROM parquetFile WHERE age >= 13 AND age <= 19")

agers.map(t => "Name: " + t(0)).collect().foreach(println)

SparkSQL数据源：Parquet-- Partition Discovery

在Hive中通常会用分区表来优化性能，比如：

SQLContext.read.parquet或者SQLContext.read.load只需要指定path/to/table，SparkSQL会自动从路径中提取分区信息，返回的DataFrame 的schema 将是：

当然你可以使用Hive读取方式：

hiveContext.sql("FROM src SELECT key, value").

SparkSQL数据源：Json

SparkSQL支持从Json文件或者Json格式的RDD读取数据

val sqlContext = new org.apache.spark.sql.SQLContext(sc)

// 可以是目录或者文件夹

val path = "examples/src/main/resources/people.json"

val people = sqlContext.read.json(path)

// The inferred schema can be visualized using the printSchema() method.

people.printSchema()

// Register this DataFrame as a table.

people.registerTempTable("people")

// SQL statements can be run by using the sql methods provided by sqlContext.

val agers = sqlContext.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")

// Alternatively, a DataFrame can be created for a JSON dataset represented by

// an RDD[String] storing one JSON object per string.

val anotherPeopleRDD = sc.parallelize("""{"name":"Yin","address":{"city":"Columbus","state":"Ohio"}}""" :: Nil)

val anotherPeople = sqlContext.read.json(anotherPeopleRDD)

SparkSQL数据源：JDBC

val jdbcDF = sqlContext.read.format("jdbc").options(Map("url" -> "jdbc:postgresql:dbserver","dbtable" -> "schema.tablename")).load()

支持的参数：