中文字幕av专区_日韩电影在线播放_精品国产精品久久一区免费式_av在线免费观看网站

溫馨提示×

溫馨提示×

您好,登錄后才能下訂單哦!

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務條款》

Spark組件Spark SQL的實例分析

發布時間:2021-12-17 09:52:07 來源:億速云 閱讀:156 作者:柒染 欄目:大數據

Spark組件Spark SQL的實例分析,很多新手對此不是很清楚,為了幫助大家解決這個難題,下面小編將為大家詳細講解,有這方面需求的人可以來學習下,希望你能有所收獲。

Spark SQL是一個用來處理結構化數據的Spark組件,前身是shark,但是shark過多的依賴于hive如采用hive的語法解析器、查詢優化器等,制約了Spark各個組件之間的相互集成,因此Spark SQL應運而生。
Spark SQL在汲取了shark諸多優勢如內存列存儲、兼容hive等基礎上,做了重新的構造,因此也擺脫了對hive的依賴,但同時兼容hive。除了采取內存列存儲優化性能,還引入了字節碼生成技術、CBO和RBO對查詢等進行動態評估獲取最優邏輯計劃、物理計劃執行等。基于這些優化,使得Spark SQL相對于原有的SQL on Hadoop技術在性能方面得到有效提升。
同時,Spark SQL支持多種數據源,如JDBC、HDFS、HBase。它的內部組件,如SQL的語法解析器、分析器等支持重定義進行擴展,能更好的滿足不同的業務場景。與Spark Core無縫集成,提供了DataSet/DataFrame的可編程抽象數據模型,并且可被視為一個分布式的SQL查詢引擎。
Spark組件Spark SQL的實例分析
DataSet/DataFrame
DataSet/DataFrame都是Spark SQL提供的分布式數據集,相對于RDD而言,除了記錄數據以外,還記錄表的schema信息。  
DataSet是自Spark1.6開始提供的一個分布式數據集,具有RDD的特性比如強類型、可以使用強大的lambda表達式,并且使用Spark SQL的優化執行引擎。DataSet API支持Scala和Java語言,不支持Python。但是鑒于Python的動態特性,它仍然能夠受益于DataSet API(如,你可以通過一個列名從Row里獲取這個字段 row.columnName),類似的還有R語言。

DataFrame是DataSet以命名列方式組織的分布式數據集,類似于RDBMS中的表,或者R和Python中的 data frame。DataFrame API支持Scala、Java、Python、R。在Scala API中,DataFrame變成類型為Row的Dataset:

type DataFrame = Dataset[Row]。

DataFrame在編譯期不進行數據中字段的類型檢查,在運行期進行檢查。但DataSet則與之相反,因為它是強類型的。此外,二者都是使用catalyst進行sql的解析和優化。為了方便,以下統一使用DataSet統稱。  
DataSet創建  
DataSet通常通過加載外部數據或通過RDD轉化創建。
1.加載外部數據

以加載json和mysql為例:

val ds = sparkSession.read.json("/路徑/people.json")

val ds = sparkSession.read.format("jdbc")
.options(Map("url" -> "jdbc:mysql://ip:port/db",
"driver" -> "com.mysql.jdbc.Driver",
"dbtable" -> "tableName", "user" -> "root", "root" -> "123")).load()

2.RDD轉換為DataSet
通過RDD轉化創建DataSet,關鍵在于為RDD指定schema,通常有兩種方式(偽代碼):  
1.定義一個case class,利用反射機制來推斷

1) 從HDFS中加載文件為普通RDD
val lineRDD = sparkContext.textFile("hdfs://ip:port/person.txt").map(_.split(" "))

2) 定義case class(相當于表的schema)
case class Person(id:Int, name:String, age:Int)

3) 將RDD和case class關聯
val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))

4) 將RDD轉換成DataFrame
val ds= personRDD.toDF

2.手動定義一個schema StructType,直接指定在RDD上

val schemaString ="name age"

val schema =  StructType(schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, true)))

val rowRdd = peopleRdd.map(p=>Row(p(0),p(1)))

val ds = sparkSession.createDataFrame(rowRdd,schema)
操作DataSet的兩種風格語法  
DSL語法 
1.查詢DataSet部分列中的內容
personDS.select(col("name"))
personDS.select(col("name"), col("age"))
2.查詢所有的name和age和salary,并將salary加1000
personDS.select(col("name"), col("age"), col("salary") + 1000)
personDS.select(personDS("name"), personDS("age"), personDS("salary") + 1000)
3.過濾age大于18的
personDS.filter(col("age") > 18)
4.按年齡進行分組并統計相同年齡的人數
personDS.groupBy("age").count()

注意:直接使用col方法需要import org.apache.spark.sql.functions._

SQL語法
如果想使用SQL風格的語法,需要將DataSet注冊成表
personDS.registerTempTable("person")

//查詢年齡最大的前兩名

val result = sparkSession.sql("select * from person order by age desc limit 2")
//保存結果為json文件。注意:如果不指定存儲格式,則默認存儲為parquet  
result.write.format("json").save("hdfs://ip:port/res2") 
Spark SQL的幾種使用方式
1.sparksql-shell交互式查詢
就是利用Spark提供的shell命令行執行SQL
2.編程

首先要獲取Spark SQL編程"入口":SparkSession(當然在早期版本中大家可能更熟悉的是SQLContext,如果是操作hive則為HiveContext)。這里以讀取parquet為例:

val spark = SparkSession.builder()  
.appName("example").master("local[*]").getOrCreate();
val df = sparkSession.read.format("parquet").load("/路徑/parquet文件")
然后就可以針對df進行業務處理了。 
3.Thriftserver
beeline客戶端連接操作
啟動spark-sql的thrift服務,sbin/start-thriftserver.sh,啟動腳本中配置好Spark集群服務資源、地址等信息。然后通過beeline連接thrift服務進行數據處理。
hive-jdbc驅動包來訪問spark-sql的thrift服務

在項目pom文件中引入相關驅動包,跟訪問mysql等jdbc數據源類似。示例:

Class.forName("org.apache.hive.jdbc.HiveDriver")
val conn = DriverManager.getConnection("jdbc:hive2://ip:port", "root", "123");
try {
 val stat = conn.createStatement()
 val res = stat.executeQuery("select * from people limit 1")
 while (res.next()) {
   println(res.getString("name"))
 }
} catch {
 case e: Exception => e.printStackTrace()
} finally{
 if(conn!=null) conn.close()
}

Spark SQL 獲取Hive數據

Spark SQL讀取hive數據的關鍵在于將hive的元數據作為服務暴露給Spark。除了通過上面thriftserver jdbc連接hive的方式,也可以通過下面這種方式:  
首先,配置 $HIVE_HOME/conf/hive-site.xml,增加如下內容:

<property>

<name>hive.metastore.uris</name>

<value>thrift://ip:port</value>

</property>
然后,啟動hive metastore

最后,將hive-site.xml復制或者軟鏈到$SPARK_HOME/conf/。如果hive的元數據存儲在mysql中,那么需要將mysql的連接驅動jar包如mysql-connector-java-5.1.12.jar放到$SPARK_HOME/lib/下,啟動spark-sql即可操作hive中的庫和表。而此時使用hive元數據獲取SparkSession的方式為:

val spark = SparkSession.builder()

.config(sparkConf).enableHiveSupport().getOrCreate()
UDF、UDAF、Aggregator
UDF
UDF是最基礎的用戶自定義函數,以自定義一個求字符串長度的udf為例:  
val udf_str_length = udf{(str:String) => str.length}
spark.udf.register("str_length",udf_str_length)
val ds =sparkSession.read.json("路徑/people.json")
ds.createOrReplaceTempView("people")
sparkSession.sql("select str_length(address) from people")
UDAF  
定義UDAF,需要繼承抽象類UserDefinedAggregateFunction,它是弱類型的,下面的aggregator是強類型的。以求平均數為例:  
import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.expressions.MutableAggregationBuffer
import org.apache.spark.sql.expressions.UserDefinedAggregateFunction
import org.apache.spark.sql.types._

object MyAverage extends UserDefinedAggregateFunction {
 // Data types of input arguments of this aggregate function
 def inputSchema: StructType = StructType(StructField("inputColumn", LongType) :: Nil)
 // Data types of values in the aggregation buffer
 def bufferSchema: StructType = {
   StructType(StructField("sum", LongType) :: StructField("count", LongType) :: Nil)
 }
 // The data type of the returned value
 def dataType: DataType = DoubleType
 // Whether this function always returns the same output on the identical input
 def deterministic: Boolean = true
 // Initializes the given aggregation buffer. The buffer itself is a `Row` that in addition to
 // standard methods like retrieving a value at an index (e.g., get(), getBoolean()), provides
 // the opportunity to update its values. Note that arrays and maps inside the buffer are still
 // immutable.
 def initialize(buffer: MutableAggregationBuffer): Unit = {
   buffer(0) = 0L
   buffer(1) = 0L
 }
 // Updates the given aggregation buffer `buffer` with new input data from `input`
 def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
   if (!input.isNullAt(0)) {
     buffer(0) = buffer.getLong(0) + input.getLong(0)
     buffer(1) = buffer.getLong(1) + 1
   }
 }
 // Merges two aggregation buffers and stores the updated buffer values back to `buffer1`
 def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
   buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0)
   buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
 }
 // Calculates the final result
 def evaluate(buffer: Row): Double = buffer.getLong(0).toDouble / buffer.getLong(1)
}

// Register the function to access it
spark.udf.register("myAverage", MyAverage)

val df = spark.read.json("examples/src/main/resources/employees.json")
df.createOrReplaceTempView("employees")
df.show()
val result = spark.sql("SELECT myAverage(salary) as average_salary FROM employees")
result.show()

Aggregator

import org.apache.spark.sql.{Encoder, Encoders, SparkSession}
import org.apache.spark.sql.expressions.Aggregator

case class Employee(name: String, salary: Long)
case class Average(var sum: Long, var count: Long)

object MyAverage extends Aggregator[Employee, Average, Double] {
 // A zero value for this aggregation. Should satisfy the property that any b + zero = b
 def zero: Average = Average(0L, 0L)
 // Combine two values to produce a new value. For performance, the function may modify `buffer`
 // and return it instead of constructing a new object
 def reduce(buffer: Average, employee: Employee): Average = {
   buffer.sum += employee.salary
   buffer.count += 1
   buffer
 }
 // Merge two intermediate values
 def merge(b1: Average, b2: Average): Average = {
   b1.sum += b2.sum
   b1.count += b2.count
   b1
 }
 // Transform the output of the reduction
 def finish(reduction: Average): Double = reduction.sum.toDouble / reduction.count
 // Specifies the Encoder for the intermediate value type
 def bufferEncoder: Encoder[Average] = Encoders.product
 // Specifies the Encoder for the final output value type
 def outputEncoder: Encoder[Double] = Encoders.scalaDouble
}

val ds = spark.read.json("examples/src/main/resources/employees.json").as[Employee]
ds.show()
// Convert the function to a `TypedColumn` and give it a name
val averageSalary = MyAverage.toColumn.name("average_salary")
val result = ds.select(averageSalary)
result.show()
Spark SQL與Hive的對比  
Spark組件Spark SQL的實例分析

看完上述內容是否對您有幫助呢?如果還想對相關知識有進一步的了解或閱讀更多相關文章,請關注億速云行業資訊頻道,感謝您對億速云的支持。

向AI問一下細節

免責聲明:本站發布的內容(圖片、視頻和文字)以原創、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。

AI

伊春市| 富顺县| 靖西县| 微山县| 岳普湖县| 游戏| 洪雅县| 常德市| 东莞市| 九江市| 和顺县| 仁布县| 合江县| 山阴县| 大足县| 女性| 莱州市| 兴海县| 杭州市| 扶风县| 建阳市| 清新县| 革吉县| 永川市| 新源县| 黔南| 时尚| 海口市| 平度市| 慈溪市| 嘉善县| 宁武县| 怀安县| 买车| 高安市| 休宁县| 河津市| 重庆市| 泾阳县| 肇东市| 正蓝旗|