1.2 SparkSQL的编程模型(DataFrame和DataSet)
1.2.1 编程模型简介
主要通过两种方式操作SparkSQL,一种就是SQL,另一种为DataFrame和Dataset。
-
SQL SQL不用多说,就和Hive操作一样,但是需要清楚一点的时候,SQL操作的是表,所以要想用SQL进行操作,就需要将SparkSQL对应的编程模型转化成为一张表才可以。 同时支持,通用SQL和HQL。
-
DataFrame和Dataset
DataFrame
和Dataset
是SparkSQL中的编程模型。DataFrame和Dataset我们都可以理解为是一张mysql中的二维表,表有什么?表头,表名,字段,字段类型。RDD其实说白了也是一张二维表,但是这张二维表相比较于DataFrame和Dataset却少了很多东西,比如表头,表名,字段,字段类型,只有数据。 Dataset是在spark1.6.2开始出现出现的api,DataFrame是1.3的时候出现的,早期的时候DataFrame叫SchemaRDD,SchemaRDD和SparkCore中的RDD相比较,就多了Schema,所谓约束信息,元数据信息。 一般的,将RDD称之为Spark体系中的第一代编程模型;DataFrame比RDD多了一个Schema元数据信息,被称之为Spark体系中的第二代编程模型;Dataset吸收了RDD的优点(强类型推断和强大的函数式编程)和DataFrame中的优化(SQL优化引擎,内存列存储),成为Spark的最新一代的编程模型。
1.2.2 RDD\DataSet\DataFrame
RDD
弹性分布式数据集,是Spark对数据进行的一种抽象,可以理解为Spark对数据的一种组织方式,更简单些说,RDD就是一种数据结构,里面包含了数据和操作数据的方法
从字面上就能看出的几个特点:
-
弹性:
数据可完全放内存或完全放磁盘,也可部分存放在内存,部分存放在磁盘,并可以自动切换
RDD出错后可自动重新计算(通过血缘自动容错)
可checkpoint(设置检查点,用于容错),可persist或cache(缓存)
里面的数据是分片的(也叫分区,partition),分片的大小可自由设置和细粒度调整
-
分布式:
RDD中的数据可存放在多个节点上
-
数据集:
数据的集合,没啥好说的
相对于与DataFrame和Dataset,RDD是Spark最底层的抽象,目前是开发者用的最多的,但逐步会转向DataFrame和Dataset(当然,这是Spark的发展趋势)
DataFrame
DataFrame:理解了RDD,DataFrame就容易理解些,DataFrame的思想来源于Python的pandas库,RDD是一个数据集,DataFrame在RDD的基础上加了Schema(描述数据的信息,可以认为是元数据,DataFrame曾经就有个名字叫SchemaRDD)
假设RDD中的两行数据长这样;
1 | 张三 | 20 |
---|---|---|
2 | 李四 | 21 |
3 | 王五 | 22 |
那么在DataFrame中数据就变成这样;
ID:Int | Name:String | Age:Int |
---|---|---|
1 | 张三 | 20 |
2 | 李四 | 21 |
3 | 王五 | 22 |
从上面两个表格可以看出,DataFrame比RDD多了一个表头信息(Schema),像一张表了,DataFrame还配套了新的操作数据的方法等,有了DataFrame这个高一层的抽象后,我们处理数据更加简单了,甚至可以用SQL来处理数据了,对开发者来说,易用性有了很大的提升。,不仅如此,通过DataFrame API或SQL处理数据,会自动经过Spark 优化器(Catalyst)的优化,即使你写的程序或SQL不高效,也可以运行的很快。
Dataset
相对于RDD,Dataset提供了强类型支持,也是在RDD的每行数据加了类型约束
假设RDD中的两行数据长这样;
1 | 张三 | 20 |
---|---|---|
2 | 李四 | 21 |
3 | 王五 | 22 |
那么在DataFrame中数据就变成这样;
ID:Int | Name:String | Age:Int |
---|---|---|
1 | 张三 | 20 |
2 | 李四 | 21 |
3 | 王五 | 22 |
那么在DataSet中数据就变成这样;
Person(id:Int,Name:String,Age:Int) |
---|
Person(1,张三,20) |
Person(2,李四,21) |
Person(3,王五,22) |
目前仅支持Scala、Java API,尚未提供Python的API(所以一定要学习Scala),相比DataFrame,Dataset提供了编译时类型检查,对于分布式程序来讲,提交一次作业太费劲了(要编译、打包、上传、运行),到提交到集群运行时才发现错误,实在是想骂人,这也是引入Dataset的一个重要原因。 使用DataFrame的代码中json文件中并没有score字段,但是能编译通过,但是运行时会报异常!如下图代码所示.
val df1 = spark.read.json( "/tmp/people.json")
// json文件中没有score字段,但是能编译通过
val df2 = df1.filter("score > 60")df2.show()
而使用Dataset实现,会在IDE中就报错,出错提前到了编译之前
val ds1 = spark.read.json( "/tmp/people.json" ).as[ People]
// 使用dataset这样写,在IDE中就能发现错误
val ds2 = ds1.filter(_.score < 60)
val ds3 = ds1.filter(_.age < 18)
// 打印
ds3.show( )
总体来说DS这种方式更加合理,并且更加人性化,比较适合程序员的开发及使用,而且Spark在2.X版本以后也在推行开发者开发中使用DS进行开发。
1.2.3 SparkSQL的编程入口
在SparkSQL中的编程模型,不在是SparkContext,但是创建需要依赖SparkContext。SparkSQL中的编程模型,在spark2.0以前的版本中为SQLContext和HiveContext,HiveContext是SQLContext的一个子类,提供Hive中特有的一些功能,比如row_number开窗函数等等,这是SQLContext所不具备的,在Spark2.0之后将这两个进行了合并——SparkSession。SparkSession的构建需要依赖SparkConf或者SparkContext。使用工厂构建器(Builder方式)模式创建SparkSession。
1.2.4 SparkSQL基本编程
创建SparkSQL的模块
创建工程省略,直接在原有工程引入Pom即可
<dependency><groupId>org.apache.spark</groupId><artifactId>spark-sql_2.12</artifactId><version>${spark.version}</version> </dependency>
1.2.5 SparkSQL编程初体验
-
SparkSession的构建
val spark = SparkSession.builder().appName("SparkSQLOps").master("local[*]") //.enableHiveSupport()//支持hive的相关操作.getOrCreate()
-
基本编程
object _01SparkSQLOps {def main(args: Array[String]): Unit = { val spark = SparkSession.builder().appName("SparkSQLOps").master("local[*]") // .enableHiveSupport()//支持hive的相关操作.getOrCreate()//加载数据val pdf:DataFrame = spark.read.json("file:///E:/data/spark/sql/people.json")//二维表结构pdf.printSchema()//数据内容 select * from tblpdf.show()//具体的查询 select name, age from tblpdf.select("name", "age").show()import spark.implicits._//导入sparksession中的隐式转换操作,增强sql的功能pdf.select($"name",$"age").show()//列的运算,给每个人的年龄+10 select name, age+10,height-1 from tblpdf.select($"name",$"height" - 1, new Column("age").+(10)).show()//起别名 select name, age+10 as age,height-1 as height from tblpdf.select($"name",($"height" - 1).as("height"), new Column("age").+(10).as("age")).show()//做聚合统计 统计不同年龄的人数 select age, count(1) counts from tbl group by agepdf.select($"age").groupBy($"age").count().show()//条件查询 获取年龄超过18的用户 select * from tbl where age > 18// pdf.select("name", "age", "height").where($"age".>(18)).show()pdf.select("name", "age", "height").where("age > 18").show()//sql//pdf.registerTempTable()//在spark2.0之后处于维护状态,使用createOrReplaceTempView/*从使用范围上说,分为global和非globalglobal是当前SparkApplication中可用,非global只在当前SparkSession中可用从创建的角度上说,分为createOrReplace和不ReplacecreateOrReplace会覆盖之前的数据create不Replace,如果视图存在,会报错*/pdf.createOrReplaceTempView("people")// 使用SQL语法进行处理spark.sql("""|select| age,| count(1) as countz|from people|group by age""".stripMargin).show// 打印输出spark.stop()} }
1.2.6 SparkSQL编程模型的操作
DataFrame的构建方式
构建方式有两,一种通过Javabean+反射的方式来进行构建;还有一种的话通过动态编码的方式来构建。
-
JavaBean+反射
import org.apache.spark.sql.{DataFrame, SparkSession} /*** 创建DataFrame方式* 反射方式*/ object _02SparkSQLCreateDFOps {def main(args: Array[String]): Unit = {// 创建执行入口val spark = SparkSession.builder().appName("createDF").master("local").getOrCreate()// 创建集合数据,并将数据封装到样例类中val list = List(student(1,"王凯",0,23),student(2,"赵凯",0,32),student(3,"姜华劲",1,24))// 导入隐式转换import spark.implicits._// 创建DF,创建DF的同时可以进行字段名重命名val df: DataFrame = list.toDF("ids","names","genders","ages")// 打印输出df.printSchema()df.show()// 关闭spark.stop()} } // 构建反射方式的样例类 case class student(id:Int,name:String,gender:Int,age:Int)
-
动态编程
object _02SparkSQLDataFrameOps {def main(args: Array[String]): Unit = {val spark = SparkSession.builder().master("local[*]").appName("SparkSQLDataFrame").getOrCreate() /*使用动态编程的方式构建DataFrameRow-->行,就代表了二维表中的一行记录,jdbc中的resultset,就是java中的一个对象*/ val row:RDD[Row] = spark.sparkContext.parallelize(List(Row(1, "李伟", 1, 180.0),Row(2, "汪松伟", 2, 179.0),Row(3, "常洪浩", 1, 183.0),Row(4, "麻宁娜", 0, 168.0) )) //表对应的元数据信息 val schema = StructType(List(StructField("id", DataTypes.IntegerType, false),StructField("name", DataTypes.StringType, false),StructField("gender", DataTypes.IntegerType, false),StructField("height", DataTypes.DoubleType, false) )) val df = spark.createDataFrame(row, schema) df.printSchema() df.show()} }
说明:这里学习三个新的类:
Row:代表的是二维表中的一行记录,或者就是一个Java对象
StructType:是该二维表的元数据信息,是StructField的集合
StructField:是该二维表中某一个字段/列的元数据信息(主要包括,列名,类型,是否可以为null)
-
总结: 这两种方式,都是非常常用,但是动态编程更加的灵活,因为javabean的方式的话,提前要确定好数据格式类型,后期无法做改动。
Dataset的构建方式
Dataset是DataFrame的升级版,创建方式和DataFrame类似,但有不同。
//dataset的构建 object _03SparkSQLDatasetOps {def main(args: Array[String]): Unit = { val spark = SparkSession.builder().appName("SparkSQLDataset").master("local[*]").getOrCreate() //dataset的构建val list = List(new Student(1, "王盛芃", 1, 19),new Student(2, "李金宝", 1, 49),new Student(3, "张海波", 1, 39),new Student(4, "张文悦", 0, 29))import spark.implicits._val ds = spark.createDataset[Student](list)ds.printSchema()ds.show()spark.stop()} } case class Student(id:Int, name:String, gender:Int, age:Int)
注意:出现如下错误
在创建Dataset的时候,需要注意数据的格式,必须使用case class,或者基本数据类型,同时需要通过import spark.implicts._来完成数据类型的编码,而抽取出对应的元数据信息,否则编译无法通过
RDD和DataFrame以及DataSet的互相转换
RDD--->DataFrame
def beanRDD2DataFrame(spark:SparkSession): Unit = {val stuRDD:RDD[Student] = spark.sparkContext.parallelize(List(new Student(1, "王盛芃", 1, 19),new Student(2, "李金宝", 1, 49),new Student(3, "张海波", 1, 39),new Student(4, "张文悦", 0, 29)))val sdf =spark.createDataFrame(stuRDD, classOf[Student])sdf.printSchema()sdf.show()}
RDD--->Dataset
def rdd2Dataset(spark:SparkSession): Unit = {val stuRDD = spark.sparkContext.parallelize(List(Student(1, "王盛芃", 1, 19),Student(2, "李金宝", 1, 49),Student(3, "张海波", 1, 39),Student(4, "张文悦", 0, 29)))import spark.implicits._val ds:Dataset[Student] = spark.createDataset(stuRDD) ds.show() } case class Student(id:Int, name:String, gender:Int, age:Int)
在RDD转换为DataFrame和Dataset的时候可以有更加简单的方式
import spark.implicits._ rdd.toDF() rdd.toDS()
DataFrame--->RDD
val rdd:RDD[Row] = df.rdd rdd.foreach(row => {// println(row)val id = row.getInt(0)val name = row.getString(1)val gender = row.getInt(2)val height = row.getAs[Double]("height")println(s"id=${id},name=$name,gender=$gender,height=$height") })
DataFrame--->Dataset
无法直接将DataFrame转化为Dataset
Dataset --->RDD
val stuDS: Dataset[Student] = list2Dataset(spark)//dataset --> rdd val stuRDD:RDD[Student] = stuDS.rdd stuRDD.foreach(println)
Dataset--->DataFrame
val stuDS: Dataset[Student] = list2Dataset(spark) //dataset --->dataframe val df:DataFrame = stuDS.toDF() df.show()