SparkSQL---简介及RDD V.S DataFrame V.S Dataset编程模型详解

一、SparkSQL简介

SparkSQL，就是Spark生态体系中的构建在SparkCore基础之上的一个基于SQL的计算模块。SparkSQL的前身不叫SparkSQL，而叫Shark，最开始的时候底层代码优化，sql的解析、执行引擎等等完全基于Hive，总之Shark的执行速度要比hive高出一个数量级，但是hive的发展制约了Shark，所以在15年中旬的时候，shark负责人，将shark项目结束掉，重新独立出来的一个项目，就是sparksql，不再依赖hive，做了独立的发展，逐渐的形成两条互相独立的业务：SparkSQL和Hive-On-Spark。在SparkSQL发展过程中，同时也吸收了Shark有些的特点：基于内存的列存储，动态字节码优化技术。

二、SparkSQL特点

1、强大的整合能力
可以在spark程序中混合SQL查询操作
2、统一的数据访问接口
使得sparksql可以非常便捷的进行数据访问操作
3、可以读写hive中的数据
对于hive的强大支持，是sparksql重要的能力之一
4、提供了支持JDBC/ODBC
为了方便一些BI组件的调用数据，使得对数据访问变得多元化，功能完整化
总结：
SparkSQL就是Spark生态体系中用于处理结构化数据的一个模块。换句话说，SparkSQL处理的就是二维表数据。
①结构化数据是什么？存储在关系型数据库中的数据，就是结构化数据；
②半结构化数据是什么？类似xml、json等的格式的数据被称之为半结构化数据；
③非结构化数据是什么？音频、视频、图片等为非结构化数据。

三、SparkSQL编程入口和模型

1、SparkSQL编程入口

在SparkSQL中的编程模型，不再是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。使用工厂构建器(Builder方式)模式创建SparkSession。

	//创建sparkSql程序入口
    val spark = SparkSession.builder()
    .appName("sparksql")
    .master("local[*]")
    .enableHiveSupport()//开启hive支持，支持hive的相关操作
    .getOrCreate()
    //通过sparkSql程序入口调用SparkContext
    val sc = spark.sparkContext
    //设置日志级别
    sc.setLogLevel("WARN")
1
2
3
4
5
6
7
8
9
10

2、SparkSQL编程模型

主要通过两种方式操作SparkSQL，一种就是SQL，另一种为DataFrame和Dataset。
people.json数据：
{“name”:“json”,“age”:23,“hobby”:“running”}
{“name”:“charles”,“age”:32,“hobby”:“basketball”}
{“name”:“tom”,“age”:28,“hobby”:“football”}
{“name”:“lili”,“age”:24,“hobby”:“running”}
{“name”:“bob”,“age”:20,“hobby”:“swimming”}

1、SQL
就和Hive操作一样，但是需要清楚一点的是，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hivesql。

 	//SQL风格
 	//加载数据
    val dataFrame = spark.read.json("F:\\test\\people.json")
    //想要使用SQL风格，必须将数据首先注册为一张表
    dataFrame.createOrReplaceTempView("person")
    //查询所有数据
    spark.sql("select * from person").show()
    //查询age和name，并将age+10岁
    spark.sql("select name,age+10 as age from  person").show()
    //查询name和age，只要age>30的
    val sql=
      """
        |select * from person where age>30
      """.stripMargin
    spark.sql(sql).show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

2、DSL（DataFrame&DataSet）
为方便大家使用函数式编程的思想，类似sparkcore的编程模式，sparksql也支持DSL（Domain Specified Language，领域专用语言，或者特定领域语言），即通过DataFrame和Dataset来支持类似RDD的编程。
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。
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。

	//DSL风格（领域专用语言），就是通过dataFrame和Dataset来支持类似RDD的编程,调用函数
	//加载数据
    val dataFrame = spark.read.json("F:\\test\\people.json")
    //查询name,hobby
    dataFrame.select("name","hobby").show()
    //需要导包
    import spark.implicits._
    //查询name和age，只要age>30岁的人
    dataFrame.select("name","age").filter($"age">30).show()
    //查询age，并将每个age+10岁
    dataFrame.select($"age",$"age"+10 as "age1").show()
1
2
3
4
5
6
7
8
9
10
11

3、RDD V.S DataFrame V.S Dataset

1、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。
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）调整。
2、DataFrame
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

那么DataFrame中的数据长这样

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，DataFrame API（如df.select())和SQL(select id, name from xx_table where …)。
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。
3、Dataset
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

那么Dataset中的数据长这样

或者也可以是这样，其中每行数据是个Object

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，实在是不方便，这也是引入Dataset的一个重要原因。