Spark-Sql

Damoncai 12/27/2021 Spark

# Spark-SQL

# SparkSQL 是什么

Spark SQL 是 Spark 用于结构化数据(structured data)处理的 Spark 模块。

# Hive and SparkSQL

SparkSQL 的前身是 Shark，给熟悉 RDBMS 但又不理解 MapReduce 的技术人员提供快速上手的工具。

Hive 是早期唯一运行在 Hadoop 上的 SQL-on-Hadoop 工具。但是 MapReduce 计算过程中大量的中间磁盘落地过程消耗了大量的 I/O，降低的运行效率，为了提高 SQL-on-Hadoop的效率，大量的 SQL-on-Hadoop 工具开始产生，其中表现较为突出的是：

Drill
Impala
Shark

其中 Shark 是伯克利实验室 Spark 生态环境的组件之一，是基于 Hive 所开发的工具，它修改了下图所示的右下角的内存管理、物理计划、执行三个模块，并使之能运行在 Spark 引擎上。

Shark 的出现，使得 SQL-on-Hadoop 的性能比 Hive 有了 10-100 倍的提高。

但是，随着 Spark 的发展，对于野心勃勃的 Spark 团队来说，Shark 对于 Hive 的太多依赖（如采用 Hive 的语法解析器、查询优化器等等），制约了 Spark 的 One Stack Rule Them All的既定方针，制约了 Spark 各个组件的相互集成，所以提出了 SparkSQL 项目。SparkSQL抛弃原有 Shark 的代码，汲取了 Shark 的一些优点，如内存列存储（In-Memory Columnar Storage）、Hive兼容性等，重新开发了SparkSQL代码；由于摆脱了对Hive的依赖性，SparkSQL无论在数据兼容、性能优化、组件扩展方面都得到了极大的方便，真可谓“退一步，海阔天空”。

➢ 数据兼容方面 SparkSQL 不但兼容 Hive，还可以从 RDD、parquet 文件、JSON 文件中获取数据，未来版本甚至支持获取 RDBMS 数据以及 cassandra 等 NOSQL 数据；

➢ 性能优化方面除了采取 In-Memory Columnar Storage、byte-code generation 等优化技术外、将会引进 Cost Model 对查询进行动态评估、获取最佳物理计划等等；

➢ 组件扩展方面无论是 SQL 的语法解析器、分析器还是优化器都可以重新定义，进行扩展。

对于开发人员来讲，SparkSQL 可以简化 RDD 的开发，提高开发效率，且执行效率非常快，所以实际工作中，基本上采用的就是 SparkSQL。Spark SQL 为了简化 RDD 的开发，提高开发效率，提供了 2 个编程抽象，类似 Spark Core 中的 RDD

➢ DataFrame

➢ DataSet

# SparkSQL 特点

# 易整合

无缝的整合了 SQL 查询和 Spark 编程

# 统一的数据访问

使用相同的方式连接不同的数据源

# 兼容 Hive

在已有的仓库上直接运行 SQL 或者 HiveQL

# 标准数据连接

通过 JDBC 或者 ODBC 来连接

# DataFrame 是什么

在 Spark 中，DataFrame 是一种以 RDD 为基础的分布式数据集，类似于传统数据库中的二维表格。DataFrame 与 RDD 的主要区别在于，前者带有 schema 元信息，即 DataFrame所表示的二维表数据集的每一列都带有名称和类型。这使得 Spark SQL 得以洞察更多的结构信息，从而对藏于 DataFrame 背后的数据源以及作用于 DataFrame 之上的变换进行了针对性的优化，最终达到大幅提升运行时效率的目标。反观 RDD，由于无从得知所存数据元素的具体内部结构，Spark Core 只能在 stage 层面进行简单、通用的流水线优化。

同时，与 Hive 类似，DataFrame 也支持嵌套数据类型（struct、array 和 map）。从 API 易用性的角度上看，DataFrame API 提供的是一套高层的关系操作，比函数式的 RDD API 要更加友好，门槛更低。

上图直观地体现了 DataFrame 和 RDD 的区别。

DataFrame 是为数据提供了 Schema 的视图。可以把它当做数据库中的一张表来对待

DataFrame 也是懒执行的，但性能上比 RDD 要高，主要原因：优化的执行计划，即查询计划通过 Spark catalyst optimiser 进行优化。比如下面一个例子:

# DataSet 是什么

DataSet 是分布式数据集合。DataSet 是 Spark 1.6 中添加的一个新抽象，是 DataFrame的一个扩展。它提供了 RDD 的优势（强类型，使用强大的 lambda 函数的能力）以及 Spark SQL 优化执行引擎的优点。DataSet 也可以使用功能性的转换（操作 map，flatMap，filter等等）。

➢ DataSet 是 DataFrame API 的一个扩展，是 SparkSQL 最新的数据抽象

➢ 用户友好的 API 风格，既具有类型安全检查也具有 DataFrame 的查询优化特性；

➢ 用样例类来对 DataSet 中定义数据的结构信息，样例类中每个属性的名称直接映射到DataSet 中的字段名称；

➢ DataSet 是强类型的。比如可以有 DataSet[Car]，DataSet[Person]。

➢ DataFrame 是 DataSet 的特列，DataFrame=DataSet[Row] ，所以可以通过 as 方法将DataFrame 转换为 DataSet。Row 是一个类型，跟 Car、Person 这些的类型一样，所有的表结构信息都用 Row 来表示。获取数据时需要指定顺序

# SparkSQL 核心编程

# 新的起点

Spark Core 中，如果想要执行应用程序，需要首先构建上下文环境对象 SparkContext，Spark SQL 其实可以理解为对 Spark Core 的一种封装，不仅仅在模型上进行了封装，上下文环境对象也进行了封装。

在老的版本中，SparkSQL 提供两种 SQL 查询起始点：一个叫 SQLContext，用于 Spark自己提供的 SQL 查询；一个叫 HiveContext，用于连接 Hive 的查询。

**SparkSession **是 Spark 最新的 SQL 查询起始点，实质上是 SQLContext 和 HiveContext的组合，所以在 SQLContex 和 HiveContext 上可用的 API 在 SparkSession 上同样是可以使用的。SparkSession 内部封装了 SparkContext，所以计算实际上是由 sparkContext 完成的。当我们使用 spark-shell 的时候, spark 框架会自动的创建一个名称叫做 spark 的 SparkSession 对象, 就像我们以前可以自动获取到一个 sc 来表示 SparkContext 对象一样

# DataFrame

Spark SQL 的 DataFrame API 允许我们使用 DataFrame 而不用必须去注册临时表或者生成 SQL 表达式。DataFrame API 既有 transformation 操作也有 action 操作。

# 创建 DataFrame

在 Spark SQL 中 SparkSession 是创建 DataFrame 和执行 SQL 的入口，创建 DataFrame有三种方式：通过 Spark 的数据源进行创建；从一个存在的 RDD 进行转换；还可以从 Hive Table 进行查询返回。

从 Spark 数据源进行创建

➢ 查看 Spark 支持创建文件的数据源格式
```
scala> spark.read. + Tab键
```
1
➢ 在 spark 的 bin/data 目录中创建 user.json 文件
```
{"username":"zhangsan","age":20}
```
1
➢ 读取 json 文件创建 DataFrame
```
scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， username: string]
```
1
2
注意：如果从内存中获取数据，spark 可以知道数据类型具体是什么。如果是数字，默认作为 Int 处理；但是从文件中读取的数字，不能确定是什么类型，所以用 bigint 接收，可以和Long 类型转换，但是和 Int 不能进行转换

➢ 展示结果
```
df.show
```
1
从 RDD 进行转换
从 Hive Table 进行查询返回

# SQL 语法

SQL 语法风格是指我们查询数据的时候使用 SQL 语句来查询，这种风格的查询必须要有临时视图或者全局视图来辅助

读取 JSON 文件创建 DataFrame

scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， username: string]

1
2

对 DataFrame 创建一个临时表

scala> df.createOrReplaceTempView("people")

通过 SQL 语句实现查询全表

scala> val sqlDF = spark.sql("SELECT * FROM people")
sqlDF: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

1
2

结果展示

注意：普通临时表是 Session 范围内的，如果想应用范围内有效，可以使用全局临时表。使用全局临时表时需要全路径访问，如：global_temp.people

对于 DataFrame 创建一个全局表

scala> df.createGlobalTempView("people")

通过 SQL 语句实现查询全表

# DSL 语法

DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。可以在 Scala, Java, Python 和 R 中使用 DSL，使用 DSL 语法风格不必去创建临时视图了

创建一个 DataFrame

scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint， name: string]

1
2

查看 DataFrame 的 Schema 信息
```
df.printSchema
```
1
只查看"username"列数据
```
df.select("username").show()
```
1

查看"username"列数据以及"age+1"数据

注意:涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式：单引号+字段名

scala> df.select($"username",$"age" + 1).show
scala> df.select('username, 'age + 1).show()

1
2
3
4

查看"age"大于"30"的数据
```
df.filter($"age">30).show
```
1
按照"age"分组，查看数据条数
```
df.groupBy("age").count.show
```
1

# RDD 转换为 DataFrame

在 IDEA 中开发程序时，如果需要 RDD 与 DF 或者 DS 之间互相操作，那么需要引入import spark.implicits._

这里的 spark 不是 Scala 中的包名，而是创建的 sparkSession 对象的变量名称，所以必须先创建 SparkSession 对象再导入。这里的 spark 对象不能使用 var 声明，因为 Scala 只支持val 修饰的对象的引入。

spark-shell 中无需导入，自动完成此操作

scala> val idRDD = sc.textFile("data/id.txt")
scala> idRDD.toDF("id").show
+---+
| id|
+---+
| 1|
| 2|
| 3|
| 4|
+---+

1
2
3
4
5
6
7
8
9
10

实际开发中，一般通过样例类将 RDD 转换为 DataFrame

scala> case class User(name:String, age:Int)
defined class User
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, 
t._2)).toDF.show
+--------+---+
| name|age|
+--------+---+
|zhangsan| 30|
| lisi| 40|
+--------+---+

1
2
3
4
5
6
7
8
9
10

# DataFrame 转换为 RDD

DataFrame 其实就是对 RDD 的封装，所以可以直接获取内部的 RDD

scala> val df = sc.makeRDD(List(("zhangsan",30), ("lisi",40))).map(t=>User(t._1, t._2)).toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]
scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[46] at rdd at <console>:25
scala> val array = rdd.collect
array: Array[org.apache.spark.sql.Row] = Array([zhangsan,30], [lisi,40])

1
2
3
4
5
6

注意：此时得到的 RDD 存储类型为 Row

scala> array(0)
res28: org.apache.spark.sql.Row = [zhangsan,30]
scala> array(0)(0)
res29: Any = zhangsan
scala> array(0).getAs[String]("name")
res30: String = zhangsan

1
2
3
4
5
6

# DataSet

DataSet 是具有强类型的数据集合，需要提供对应的类型信息。

# 创建 DataSet

使用样例类序列创建 DataSet

scala> case class Person(name: String, age: Long)
defined class Person
scala> val caseClassDS = Seq(Person("zhangsan",2)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: Long]
scala> caseClassDS.show
+---------+---+
| name|age|
+---------+---+
| zhangsan| 2|
+---------+---+

1
2
3
4
5
6
7
8
9
10

使用基本类型的序列创建 DataSet

scala> val ds = Seq(1,2,3,4,5).toDS
ds: org.apache.spark.sql.Dataset[Int] = [value: int]
scala> ds.show
+-----+
|value|
+-----+
| 1|
| 2|
| 3|
| 4|
| 5|
+-----+

1
2
3
4
5
6
7
8
9
10
11
12

注意：在实际使用的时候，很少用到把序列转换成DataSet，更多的是通过RDD来得到DataSet

# RDD 转换为 DataSet

SparkSQL 能够自动将包含有 case 类的 RDD 转换成 DataSet，case 类定义了 table 的结构，case 类属性通过反射变成了表的列名。Case 类可以包含诸如 Seq 或者 Array 等复杂的结构。

scala> case class User(name:String, age:Int)
defined class User
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, 
t._2)).toDS
res11: org.apache.spark.sql.Dataset[User] = [name: string, age: int]

1
2
3
4
5

# DataSet 转换为 RDD

DataSet 其实也是对 RDD 的封装，所以可以直接获取内部的 RDD

scala> case class User(name:String, age:Int)
defined class User
scala> sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS
res11: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> val rdd = res11.rdd
rdd: org.apache.spark.rdd.RDD[User] = MapPartitionsRDD[51] at rdd at <console>:25
scala> rdd.collect
res12: Array[User] = Array(User(zhangsan,30), User(lisi,49))

1
2
3
4
5
6
7
8

# DataFrame 和 DataSet 转换

DataFrame 其实是 DataSet 的特例，所以它们之间是可以互相转换的。

➢ DataFrame 转换为 DataSet

scala> case class User(name:String, age:Int)
defined class User
scala> val df = sc.makeRDD(List(("zhangsan",30), ("lisi",49))).toDF("name","age")
df: org.apache.spark.sql.DataFrame = [name: string, age: int]
scala> val ds = df.as[User]
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]

1
2
3
4
5
6

➢ DataSet 转换为 DataFrame

scala> val ds = df.as[User]
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> val df = ds.toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

1
2
3
4

# RDD、DataFrame、DataSet 三者的关系

在 SparkSQL 中 Spark 为我们提供了两个新的抽象，分别是 DataFrame 和 DataSet。他们和 RDD 有什么区别呢？首先从版本的产生上来看：

➢ Spark1.0 => RDD

➢ Spark1.3 => DataFrame

➢ Spark1.6 => Dataset

如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。在后期的 Spark 版本中，DataSet 有可能会逐步取代 RDD和 DataFrame 成为唯一的 API 接口。

# 三者的共性

➢ RDD、DataFrame、DataSet 全都是 spark 平台下的分布式弹性数据集，为处理超大型数据提供便利;

➢ 三者都有惰性机制，在进行创建、转换，如 map 方法时，不会立即执行，只有在遇到Action 如 foreach 时，三者才会开始遍历运算;

➢ 三者有许多共同的函数，如 filter，排序等;

➢ 在对 DataFrame 和 Dataset 进行操作许多操作都需要这个包:import spark.implicits._（在创建好 SparkSession 对象后尽量直接导入）

➢ 三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出

➢ 三者都有 partition 的概念

➢ DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型

# 三者的区别

RDD

➢ RDD 一般和 spark mllib 同时使用

➢ RDD 不支持 sparksql 操作
DataFrame

➢ 与 RDD 和 Dataset 不同，DataFrame 每一行的类型固定为 Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值

➢ DataFrame 与 DataSet 一般不与 spark mllib 同时使用

➢ DataFrame 与 DataSet 均支持 SparkSQL 的操作，比如 select，groupby 之类，还能注册临时表/视窗，进行 sql 语句操作

➢ DataFrame 与 DataSet 支持一些特别方便的保存方式，比如保存成 csv，可以带上表头，这样每一列的字段名一目了然(后面专门讲解)
DataSet

➢ Dataset 和 DataFrame 拥有完全相同的成员函数，区别只是每一行的数据类型不同。DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row]

➢ DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的 getAS 方法或者共性中的第七条提到的模式匹配拿出特定字段。而 Dataset 中，每一行是什么类型是不一定的，在自定义了 case class 之后可以很自由的获得每一行的信息

# 三者的互相转换

## **IDEA** **开发** **SparkSQL**

# 添加依赖

<dependency>
 <groupId>org.apache.spark</groupId>
 <artifactId>spark-sql_2.12</artifactId>
 <version>3.0.0</version>
</dependency>

1
2
3
4
5

# 代码实现

object Spark_01_Basic {

  def main(args: Array[String]): Unit = {
    // 创建Spark运行配置对象
    val sparkConf = new SparkConf().setMaster("local").setAppName("App")
    // 创建会话
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    // 导入隐式转化
    import spark.implicits._

    // DataFrame
    val df: DataFrame = spark.read.json("bigdata_08_spark/datas/json/user.json")

    // DataFrame - SQL
    df.createTempView("user")
    spark.sql("select * from user").show()

    // DataFrame - DSL
    df.select("username").show()
    df.select($"age" + 1).show() // 需要导入隐式转换的包

    // DataSet
    val list = List(1, 2, 3, 4, 5)
    val ds: Dataset[Int] = list.toDS()
    ds.show()

    // RDD <=> DataFrame
    val rdd: RDD[(String, Int)] = spark.sparkContext.makeRDD(List(("张三", 3), ("李四", 40)))
    val rddDF: DataFrame = rdd.toDF("username", "age")
    rddDF.show()
    val dfRdd: RDD[Row] = rddDF.rdd

    println("=" * 10 + " RDD <=> DataSet " + "=" * 10)
    // RDD <=> DataSet
    val rddDS: Dataset[User] = rdd.map(item => {
      item match {
        case (username, age) => User(username, age)
      }
    }).toDS()
    rddDS.show()
    val dsRDD: RDD[User] = rddDS.rdd

    println("=" * 10 + " DataFrame <=> DataSet " + "=" * 10)
    // DataFrame <=> DataSet
    val dfDS: Dataset[User] = df.as[User]
    dfDS.show()
    val dsDF: DataFrame = dfDS.toDF()
    dsDF.show()

    //关闭资源
    spark.stop()
  }

  case class User(username:String,age:Long)
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55

# 用户自定义函数

用户可以通过 spark.udf 功能添加自定义函数，实现自定义功能。

# UDF

def main(args: Array[String]): Unit = {
    // 创建Spark运行配置对象
    val sparkConf = new SparkConf().setMaster("local").setAppName("App")
    // 创建会话
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    // 导入隐式转化
    import spark.implicits._

    // 注册UDF
    spark.udf.register("prefix",(arg1:String,arg2:Long) => "prefix" + arg1 + arg2)

    // DataFrame
    val df: DataFrame = spark.read.json("bigdata_08_spark/datas/json/user.json")

    // DataFrame - SQL
    df.createTempView("user")
    spark.sql("select prefix(username,age),age from user").show()

    //关闭资源
    spark.stop()
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

# UDAF - 弱类型

强类型的 Dataset 和弱类型的 DataFrame 都提供了相关的聚合函数，如 count()，countDistinct()，avg()，max()，min()。除此之外，用户可以设定自己的自定义聚合函数。通过继承 UserDefinedAggregateFunction 来实现用户自定义弱类型聚合函数。从 Spark3.0 版本后，UserDefinedAggregateFunction 已经不推荐使用了。可以统一采用强类型聚合函数Aggregator

需求：计算平均年龄

def main(args: Array[String]): Unit = {
    // 创建Spark运行配置对象
    val sparkConf = new SparkConf().setMaster("local").setAppName("App")
    // 创建会话
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    // 导入隐式转化

    // 注册UDF
    spark.udf.register("avgAge", new CustomAvgAge())

    // DataFrame
    val df: DataFrame = spark.read.json("bigdata_08_spark/datas/json/user.json")

    // DataFrame - SQL
    df.createTempView("user")
    spark.sql("select avgAge(age) from user").show()

    //关闭资源
    spark.stop()
}

class CustomAvgAge() extends UserDefinedAggregateFunction{

    /**
     * 输入的数据类型 In
     * @return
     */
    override def inputSchema: StructType = {
        StructType(
            Array(
                StructField("age",LongType)
            )
        )
    }

    /**
     * 缓冲去结构类型
     * @return
     */
    override def bufferSchema: StructType = {
        StructType(
            Array(
                StructField("sum",LongType),
                StructField("count",LongType)
            )
        )
    }

    /**
     * 函数计算结果数据类型 Out
     * @return
     */
    override def dataType: DataType = LongType

    /**
     * 函数稳定性
     * @return
     */
    override def deterministic: Boolean = true

    /**
     * 函数初始化
     * @param buffer
     */
    override def initialize(buffer: MutableAggregationBuffer): Unit =  {
        buffer.update(0,0L);
        buffer.update(1,0L);
    }

    /**
     * 更新
     * @param buffer
     * @param input
     */
    override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
        buffer.update(0,buffer.getLong(0) + input.getLong(0))
        buffer.update(1,buffer.getLong(1) + 1)
    }

    /**
     * 缓冲区合并
     * @param buffer1
     * @param buffer2
     */
    override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
        buffer1.update(0,buffer1.getLong(0) + buffer2.getLong(0))
        buffer1.update(1,buffer1.getLong(1) + buffer2.getLong(1))
    }

    /**
     * 计算聚合结果
     * @param buffer
     * @return
     */
    override def evaluate(buffer: Row): Any = {
        buffer.getLong(0) / buffer.getLong(1)
    }
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98

# UDAF - 强类型转弱类型

def main(args: Array[String]): Unit = {
    // 创建Spark运行配置对象
    val sparkConf = new SparkConf().setMaster("local").setAppName("App")
    // 创建会话
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    // 导入隐式转化

    // 注册UDF
    spark.udf.register("avgAge", functions.udaf(new CustomAvgAge()))

    // DataFrame
    val df: DataFrame = spark.read.json("bigdata_08_spark/datas/json/user.json")

    // DataFrame - SQL
    df.createTempView("user")
    spark.sql("select avgAge(age) from user").show()

    //关闭资源
    spark.stop()
}

case class Buff(var sum:Long, var count:Long)

/**
   * Spark3.0 版本可以采用强类型的 Aggregator 方式代替 UserDefinedAggregateFunction
   */
class CustomAvgAge() extends Aggregator[Long,Buff,Long]{

    /**
     * 初始化数据
      * @return
     */
    override def zero: Buff = {
        Buff(0L,0L)
    }

    /**
     * 计算
     * @param b
     * @param a
     * @return
     */
    override def reduce(buff: Buff, input: Long): Buff = {
        buff.sum += input
        buff.count += 1
        buff
    }

    /**
     * 合并
     * @param b1
     * @param b2
     * @return
     */
    override def merge(b1: Buff, b2: Buff): Buff = {
        b1.sum += b2.sum
        b1.count += b2.count
        b1
    }

    /**
     * 结果
     * @param reduction
     * @return
     */
    override def finish(buff: Buff): Long = {
        buff.sum / buff.count
    }

    /**
     * 缓冲编码
     * @return
     */
    override def bufferEncoder: Encoder[Buff] = Encoders.product

    /**
     * 输出编码
     * @return
     */
    override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}

# UDAF - 强类型

def main(args: Array[String]): Unit = {
    // 创建Spark运行配置对象
    val sparkConf = new SparkConf().setMaster("local").setAppName("App")
    // 创建会话
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()
    // 导入隐式转化
    import spark.implicits._

    // 注册UDF
    spark.udf.register("avgAge", functions.udaf(new CustomAvgAge()))

    // DataFrame
    val df: DataFrame = spark.read.json("bigdata_08_spark/datas/json/user.json")
    val userDSS: Dataset[User] = df.as[User]

    val column: TypedColumn[User, Long] = new CustomAvgAge().toColumn

    userDSS.select(column).show()

    //关闭资源
    spark.stop()
}

case class Buff(var sum:Long, var count:Long)

case class User(var username:String, var age:Long)

/**
   * Spark3.0 版本可以采用强类型的 Aggregator 方式代替 UserDefinedAggregateFunction
   */
class CustomAvgAge() extends Aggregator[User,Buff,Long]{

    /**
     * 初始化数据
      * @return
     */
    override def zero: Buff = {
        Buff(0L,0L)
    }

    /**
     * 计算
     * @param b
     * @param a
     * @return
     */
    override def reduce(buff: Buff, user: User): Buff = {
        buff.sum += user.age
        buff.count += 1
        buff
    }

    /**
     * 合并
     * @param b1
     * @param b2
     * @return
     */
    override def merge(b1: Buff, b2: Buff): Buff = {
        b1.sum += b2.sum
        b1.count += b2.count
        b1
    }

    /**
     * 结果
     * @param reduction
     * @return
     */
    override def finish(buff: Buff): Long = {
        buff.sum / buff.count
    }

    /**
     * 缓冲编码
     * @return
     */
    override def bufferEncoder: Encoder[Buff] = Encoders.product

    /**
     * 输出编码
     * @return
     */
    override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}

# 数据的加载和保存

# 通用的加载和保存方式

SparkSQL 提供了通用的保存数据和数据加载的方式。这里的通用指的是使用相同的API，根据不同的参数读取和保存不同格式的数据，SparkSQL 默认读取和保存的文件格式为 parquet

加载数据

spark.read.load 是加载数据的通用方法
```
scala> spark.read.
csv format jdbc json load option options orc parquet schema table text textFile
```
1
2
如果读取不同格式的数据，可以对不同的数据格式进行设定
```
scala> spark.read.format("…")[.option("…")].load("…")
```
1
➢ format("…")：指定加载的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"。

➢ load("…")：在"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"格式下需要传入加载数据的路径。

➢ option("…")：在"jdbc"格式下需要传入 JDBC 相应参数，url、user、password 和 dbtable我们前面都是使用 read API 先把文件加载到 DataFrame 然后再查询，其实，我们也可以直接在文件上进行查询: 文件格式**.文件路径**
```
scala>spark.sql("select * from json.`/opt/module/data/user.json`").show
```
1
保存数据
```
scala>df.write.
csv jdbc json orc parquet textFile… …
```
1
2
如果保存不同格式的数据，可以对不同的数据格式进行设定
```
scala>df.write.format("…")[.option("…")].save("…")
```
1
➢ format("…")：指定保存的数据类型，包括"csv"、"jdbc"、"json"、"orc"、"parquet"和"textFile"。

➢ save ("…")：在"csv"、"orc"、"parquet"和"textFile"格式下需要传入保存数据的路径。

➢ option("…")：在"jdbc"格式下需要传入 JDBC 相应参数，url、user、password 和 dbtable保存操作可以使用 SaveMode, 用来指明如何处理数据，使用 mode()方法来设置。有一点很重要: 这些 SaveMode 都是没有加锁的, 也不是原子操作。

SaveMode 是一个枚举类，其中的常量包括：

df.write.mode("append").json("/opt/module/data/output")

# Parquet

Spark SQL 的默认数据源为 Parquet 格式。Parquet 是一种能够有效存储嵌套数据的列式存储格式。

加载数据

scala> val df = spark.read.load("examples/src/main/resources/users.parquet")
scala> df.show

1
2

保存数据

scala> var df = spark.read.json("/opt/module/data/input/people.json")
//保存为 parquet 格式
scala> df.write.mode("append").save("/opt/module/data/output")

1
2
3

# JSON

Spark SQL 能够自动推测 JSON 数据集的结构，并将它加载为一个 Dataset[Row]. 可以通过 SparkSession.read.json()去加载 JSON 文件。

注意：Spark 读取的 JSON 文件不是传统的 JSON 文件，每一行都应该是一个 JSON 串。格式如下：

{"name":"Michael"}
{"name":"Andy"， "age":30}
[{"name":"Justin"， "age":19},{"name":"Justin"， "age":19}]

1
2
3

# CSV

Spark SQL 可以配置 CSV 文件的列表信息，读取 CSV 文件,CSV 文件的第一行设置为数据列

spark.read.format("csv").option("sep", ";").option("inferSchema", "true").option("header", "true").load("data/user.csv")

# MySQL

Spark SQL 可以通过 JDBC 从关系型数据库中读取数据的方式创建 DataFrame，通过对 DataFrame 一系列的计算后，还可以将数据再写回关系型数据库中。如果使用 spark-shell 操作，可在启动 shell 时指定相关的数据库驱动路径或者将相关的数据库驱动放到 spark 的类路径下。

导入依赖

<dependency>
 <groupId>mysql</groupId>
 <artifactId>mysql-connector-java</artifactId>
 <version>5.1.27</version>
</dependency>

1
2
3
4
5

读取数据

def main(args: Array[String]): Unit = {
    // 创建Spark运行配置对象
    val sparkConf = new SparkConf().setMaster("local").setAppName("App")
    // 创建会话
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()

    import spark.implicits._

    //方式 1：通用的 load 方法读取
    spark.read.format("jdbc")
    .option("url", "jdbc:mysql://127.0.0.1:3306/spark_sql")
    .option("driver", "com.mysql.jdbc.Driver")
    .option("user", "root")
    .option("password", "zhishun.cai")
    .option("dbtable", "user")
    .load().show

    //方式 2:通用的 load 方法读取 参数另一种形式
    spark.read.format("jdbc")
    .options(Map(
        "url"->"jdbc:mysql://127.0.0.1:3306/spark_sql?user=root&password=zhishun.cai",
        "dbtable"->"user",
        "driver"->"com.mysql.jdbc.Driver"))
    .load().show

    //方式 3:使用 jdbc 方法读取
    val props: Properties = new Properties()
    props.setProperty("user", "root")
    props.setProperty("password", "zhishun.cai")
    val df: DataFrame = spark.read.jdbc("jdbc:mysql://127.0.0.1:3306/spark_sql", "user", props)
    df.show
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

写数据

def main(args: Array[String]): Unit = {
    // 创建Spark运行配置对象
    val sparkConf = new SparkConf().setMaster("local").setAppName("App")
    // 创建会话
    val spark = SparkSession.builder().config(sparkConf).getOrCreate()

    import spark.implicits._

    val rdd: RDD[User2] = spark.sparkContext.makeRDD(List(User2(3,"王五"),
                                                          User2(4, "赵强")))
    val ds: Dataset[User2] = rdd.toDS

    //方式 1：通用的方式 format 指定写出类型
    ds.write
    .format("jdbc")
    .option("url", "jdbc:mysql://127.0.0.1:3306/spark_sql")
    .option("user", "root")
    .option("password", "zhishun.cai")
    .option("dbtable", "user")
    .mode(SaveMode.Append)
    .save()
    //方式 2：通过 jdbc 方法
    val props: Properties = new Properties()
    props.setProperty("user", "root")
    props.setProperty("password", "zhishun.cai")
    ds.write.mode(SaveMode.Append).jdbc("jdbc:mysql://127.0.0.1:3306/spark_sql",
                                        "user", props)
}
case class User2(id: Int, username: String)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

# Hive

Apache Hive 是 Hadoop 上的 SQL 引擎，Spark SQL 编译时可以包含 Hive 支持，也可以不包含。包含 Hive 支持的 Spark SQL 可以支持 Hive 表访问、UDF (用户自定义函数)以及 Hive 查询语言(HiveQL/HQL)等。需要强调的一点是，如果要在 Spark SQL 中包含Hive 的库，并不需要事先安装 Hive。一般来说，最好还是在编译 Spark SQL 时引入 Hive支持，这样就可以使用这些特性了。如果你下载的是二进制版本的 Spark，它应该已经在编译时添加了 Hive 支持。

若要把 Spark SQL 连接到一个部署好的 Hive 上，你必须把 hive-site.xml 复制到Spark 的配置文件目录中($SPARK_HOME/conf)。即使没有部署好 Hive，Spark SQL 也可以运行。需要注意的是，如果你没有部署好 Hive，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。此外，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)。spark-shell 默认是 Hive 支持的；代码中是默认不支持的，需要手动指定（加一个参数即可）。

# 内嵌的 HIVE

如果使用 Spark 内嵌的 Hive, 则什么都不用做, 直接使用即可.

Hive 的元数据存储在 derby 中, 默认仓库地址:$SPARK_HOME/spark-warehouse

向表加载本地数据

在实际使用中, 几乎没有任何人会使用内置的 Hive

# 外部的 HIVE

如果想连接外部已经部署好的 Hive，需要通过以下几个步骤：

➢ Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下

➢ 把 Mysql 的驱动 copy 到 jars/目录下

➢ 如果访问不到 hdfs，则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下

➢ 重启 spark-shell

# 运行 Spark SQL CLI

Spark SQL CLI 可以很方便的在本地运行 Hive 元数据服务以及从命令行执行查询任务。在Spark 目录下执行如下命令启动 Spark SQL CLI，直接执行 SQL 语句，类似一 Hive 窗口

bin/spark-sql

# 运行 Spark beeline

Spark Thrift Server 是 Spark 社区基于 HiveServer2 实现的一个 Thrift 服务。旨在无缝兼容HiveServer2。因为 Spark Thrift Server 的接口和协议都和 HiveServer2 完全一致，因此我们部署好 Spark Thrift Server 后，可以直接使用 hive 的 beeline 访问 Spark Thrift Server 执行相关语句。Spark Thrift Server 的目的也只是取代 HiveServer2，因此它依旧可以和 Hive Metastore进行交互，获取到 hive 的元数据。

如果想连接 Thrift Server，需要通过以下几个步骤：

➢ Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下

➢ 把 Mysql 的驱动 copy 到 jars/目录下

➢ 如果访问不到 hdfs，则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下

➢ 启动 Thrift Server

sbin/start-thriftserver.sh

➢ 使用 beeline 连接 Thrift Server

bin/beeline -u jdbc:hive2://ha01.prdigital.cn:10000 -n root

# 代码操作 Hive

导入依赖

<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>1.2.1</version>
</dependency>
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.27</version>
</dependency>

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

将 hive-site.xml 文件拷贝到项目的 resources 目录中，代码实现
```
//创建 SparkSession
val spark: SparkSession = SparkSession
.builder()
.enableHiveSupport()
.master("local[*]")
.appName("sql")
.getOrCreate()
```
1
2
3
4
5
6
7
注意：在开发工具中创建数据库默认是在本地仓库，通过参数修改数据库仓库的地址:

config("spark.sql.warehouse.dir", "hdfs://linux1:8020/user/hive/warehouse")

如果在执行操作时，出现如下错误：

可以代码最前面增加如下代码解决：
```
System.setProperty("HADOOP_USER_NAME", "root")
```
1
此处的 root 改为你们自己的 hadoop 用户名称

Spark-Core Spark-Streaming

西门小狼狗

Spark-Sql

Spark-Sql

# Spark-SQL

# SparkSQL 是什么

# Hive and SparkSQL

# SparkSQL 特点

# 易整合

# 统一的数据访问

# 兼容 Hive

# 标准数据连接

# DataFrame 是什么

# DataSet 是什么

# SparkSQL 核心编程

# 新的起点

# DataFrame

# 创建 DataFrame

# SQL 语法

# DSL 语法

# RDD 转换为 DataFrame

# DataFrame 转换为 RDD

# DataSet

# 创建 DataSet

# RDD 转换为 DataSet

# DataSet 转换为 RDD

# DataFrame 和 DataSet 转换

# RDD、DataFrame、DataSet 三者的关系

# 三者的共性

# 三者的区别

# 三者的互相转换

# 添加依赖

# 代码实现

# 用户自定义函数

# UDF

# UDAF - 弱类型

# UDAF - 强类型转弱类型

# UDAF - 强类型

# 数据的加载和保存

# 通用的加载和保存方式

# Parquet

# JSON

# CSV

# MySQL

# Hive

# 内嵌的 HIVE

# 外部的 HIVE

# 运行 Spark SQL CLI

# 运行 Spark beeline

# 代码操作 Hive