Spark SQL快速上手

sparksql结合hive最佳实践
一、Spark SQL快速上手
1、Spark SQL是什么
Spark SQL 是一个用来处理结构化数据的spark组件。它提供了一个叫做DataFrames的可编程抽象数据模型，并且可被视为一个分布式的SQL查询引擎。

2、Spark SQL的基础数据模型-----DataFrames
DataFrame是由“命名列”（类似关系表的字段定义）所组织起来的一个分布式数据集合。你可以把它看成是一个关系型数据库的表。
DataFrame可以通过多种来源创建：结构化数据文件，hive的表，外部数据库，或者RDDs

3、Spark SQL如何使用
首先，利用sqlContext从外部数据源加载数据为DataFrame
然后，利用DataFrame上丰富的api进行查询、转换
最后，将结果进行展现或存储为各种外部数据形式
如图所示：  
4、Spark SQL代码示例
    加载数据
sqlContext支持从各种各样的数据源中创建DataFrame，内置支持的数据源有parquetFile，jsonFile，外部数据库，hive表，RDD等，另外，hbase等数据源的支持也在社区不断涌现
# 从Hive中的users表构造DataFrame
users = sqlContext.table("users")
# 加载S3上的JSON文件
logs = sqlContext.load("s3n://path/to/data.json", "json")
# 加载HDFS上的Parquet文件
clicks = sqlContext.load("hdfs://path/to/data.parquet", "parquet")
# 通过JDBC访问MySQL
comments = sqlContext.jdbc("jdbc:mysql://localhost/comments", "user")
# 将普通RDD转变为DataFrame
rdd = sparkContext.textFile("article.txt") \
                  .flatMap(_.split(" ")) \
                  .map((_, 1)) \
                  .reduceByKey(_+_) \
wordCounts = sqlContext.createDataFrame(rdd, ["word", "count"])
 
# 将本地数据容器转变为DataFrame
data = [("Alice", 21), ("Bob", 24)]
people = sqlContext.createDataFrame(data, ["name", "age"])

    使用DataFrame
Spark DataFrame提供了一整套用于操纵数据的DSL。这些DSL在语义上与SQL关系查询非常相近（这也是Spark SQL能够为DataFrame提供无缝支持的重要原因之一）。以下是一组用户数据分析示例：
# 创建一个只包含年龄小于21岁用户的DataFrame
young = users.filter(users.age < 21)
 
# 也可以使用Pandas风格的语法
young = users[users.age < 21]
# 将所有人的年龄加1
young.select(young.name, young.age + 1)
# 统计年轻用户中各性别人数
young.groupBy("gender").count()
# 将所有年轻用户与另一个名为logs的DataFrame联接起来
young.join(logs, logs.userId == users.userId, "left_outer")
除DSL以外，我们当然也可以使用熟悉的SQL来处理DataFrame：
young.registerTempTable("young")
sqlContext.sql("SELECT count(*) FROM young")

    保存结果
对数据的分析完成之后，可以将结果保存在多种形式的外部存储中
# 追加至HDFS上的Parquet文件
young.save(path="hdfs://path/to/data.parquet", source="parquet", mode="append")
 
# 覆写S3上的JSON文件
young.save(path="s3n://path/to/data.json", source="json",mode="append")
 
# 保存为Hive的内部表
young.saveAsTable(tableName="young", source="parquet" mode="overwrite")
 
# 转换为Pandas DataFrame（Python API特有功能）
pandasDF = young.toPandas()
 
# 以表格形式打印输出
young.show()


二、SparkSQL操作Hive中的表数据
spark可以通过读取hive的元数据来兼容hive，读取hive的表数据，然后在spark引擎中进行sql统计分析，从而，通过sparksql与hive结合实现数据分析将成为一种最佳实践。详细实现步骤如下：

1、启动hive的元数据服务
hive可以通过服务的形式对外提供元数据读写操作，通过简单的配置即可
    编辑 $HIVE_HOME/conf/hive-site.xml,增加如下内容:
<property>
<name>hive.metastore.uris</name>
<value>thrift:// hdp-node-01:9083</value>
</property>

    启动hive metastore
[hadoop@hdp-node-01 ~]${HIVE_HOME}/bin/hive --service metastore  1>/dev/null  2>&1  &

    查看 metastore:
[hadoop@hdp-node-01 ~] jobs
[1]+ Running hive --service metastore &


2、spark配置
    将hive的配置文件拷贝给spark
将 $HIVE_HOME/conf/hive-site.xml copy或者软链 到 $SPARK_HOME/conf/

    将mysql的jdbc驱动包拷贝给spark
将 $HIVE_HOME/lib/mysql-connector-java-5.1.12.jar copy或者软链到$SPARK_HOME/lib/

3、启动spark-sql的shell交互界面
spark-sql已经集成在spark-shell中，因此，只要启动spark-shell，就可以使用spakr-sql的shell交互接口：
[hadoop@hdp-node-01 spark] bin/spark-shell --master spark://hdp-node-01:7077  
或者，可以启动spark-sql界面，使用起来更方便
[hadoop@hdp-node-01 spark] bin/spark-sql --master spark://hdp-node-01:7077

4、在交互界面输入sql进行查询
注：以下所用到的库和表，都是已经在hive中存在的库和表

    如果在spark-shell中执行sql查询，使用sqlContext对象调用sql()方法
scala> sqlContext.sql("select remote_addr from dw_weblog.t_ods_detail group by remote_addr").collect.foreach(println)

    如果是在spark-sql中执行sql查询，则可以直接输入sql语句
scala> show databases
scala> use dw_weblog
scala> select remote_addr from dw_weblog.t_ods_detail group by remote_addr



5、在IDEA中编写代码使用hive-sql
如下所示：
val hiveContext = new HiveContext(sc)
    import hiveContext.implicits._
    import hiveContext.sql
    //指定库
sql("use dw_weblog")
//执行标准sql语句
sql("create table sparksql as select remote_addr,count(*) from t_ods_detail group by remote_addr")
……




综上所述，sparksql类似于hive，可以支持sql语法来对海量数据进行分析查询，跟hive不同的是，hive执行sql任务的底层运算引擎采用mapreduce运算框架，而sparksql执行sql任务的运算引擎是spark core，从而充分利用spark内存计算及DAG模型的优势，大幅提升海量数据的分析查询速度
源码
sparksql结合hive最佳实践<br />
一、Spark SQL快速上手<br />
1、Spark SQL是什么<br />
Spark SQL 是一个用来处理结构化数据的spark组件。它提供了一个叫做DataFrames的可编程抽象数据模型，并且可被视为一个分布式的SQL查询引擎。<br />
<br />
2、Spark SQL的基础数据模型-----DataFrames<br />
DataFrame是由&ldquo;命名列&rdquo;（类似关系表的字段定义）所组织起来的一个分布式数据集合。你可以把它看成是一个关系型数据库的表。<br />
DataFrame可以通过多种来源创建：结构化数据文件，hive的表，外部数据库，或者RDDs<br />
<br />
3、Spark SQL如何使用<br />
首先，利用sqlContext从外部数据源加载数据为DataFrame<br />
然后，利用DataFrame上丰富的api进行查询、转换<br />
最后，将结果进行展现或存储为各种外部数据形式<br />
如图所示：
<div style="text-align: center;"><img alt="" src="/files/image/201512/20151229153449294.jpg" style="width: 400px; height: 253px;" /></div>
&nbsp;<br />
4、Spark SQL代码示例<br />
&nbsp;&nbsp; &nbsp;加载数据<br />
sqlContext支持从各种各样的数据源中创建DataFrame，内置支持的数据源有parquetFile，jsonFile，外部数据库，hive表，RDD等，另外，hbase等数据源的支持也在社区不断涌现<br />
# 从Hive中的users表构造DataFrame<br />
users = sqlContext.table(&quot;users&quot;)<br />
# 加载S3上的JSON文件<br />
logs = sqlContext.load(&quot;s3n://path/to/data.json&quot;, &quot;json&quot;)<br />
# 加载HDFS上的Parquet文件<br />
clicks = sqlContext.load(&quot;hdfs://path/to/data.parquet&quot;, &quot;parquet&quot;)<br />
# 通过JDBC访问MySQL<br />
comments = sqlContext.jdbc(&quot;jdbc:mysql://localhost/comments&quot;, &quot;user&quot;)<br />
# 将普通RDD转变为DataFrame<br />
rdd = sparkContext.textFile(&quot;article.txt&quot;) \<br />
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; .flatMap(_.split(&quot; &quot;)) \<br />
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; .map((_, 1)) \<br />
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; .reduceByKey(_+_) \<br />
wordCounts = sqlContext.createDataFrame(rdd, [&quot;word&quot;, &quot;count&quot;])<br />
&nbsp;<br />
# 将本地数据容器转变为DataFrame<br />
data = [(&quot;Alice&quot;, 21), (&quot;Bob&quot;, 24)]<br />
people = sqlContext.createDataFrame(data, [&quot;name&quot;, &quot;age&quot;])<br />
<br />
&nbsp;&nbsp; &nbsp;使用DataFrame<br />
Spark DataFrame提供了一整套用于操纵数据的DSL。这些DSL在语义上与SQL关系查询非常相近（这也是Spark SQL能够为DataFrame提供无缝支持的重要原因之一）。以下是一组用户数据分析示例：<br />
# 创建一个只包含年龄小于21岁用户的DataFrame<br />
young = users.filter(users.age &lt; 21)<br />
&nbsp;<br />
# 也可以使用Pandas风格的语法<br />
young = users[users.age &lt; 21]<br />
# 将所有人的年龄加1<br />
young.select(young.name, young.age + 1)<br />
# 统计年轻用户中各性别人数<br />
young.groupBy(&quot;gender&quot;).count()<br />
# 将所有年轻用户与另一个名为logs的DataFrame联接起来<br />
young.join(logs, logs.userId == users.userId, &quot;left_outer&quot;)<br />
除DSL以外，我们当然也可以使用熟悉的SQL来处理DataFrame：<br />
young.registerTempTable(&quot;young&quot;)<br />
sqlContext.sql(&quot;SELECT count(*) FROM young&quot;)<br />
<br />
&nbsp;&nbsp; &nbsp;保存结果<br />
对数据的分析完成之后，可以将结果保存在多种形式的外部存储中<br />
# 追加至HDFS上的Parquet文件<br />
young.save(path=&quot;hdfs://path/to/data.parquet&quot;, source=&quot;parquet&quot;, mode=&quot;append&quot;)<br />
&nbsp;<br />
# 覆写S3上的JSON文件<br />
young.save(path=&quot;s3n://path/to/data.json&quot;, source=&quot;json&quot;,mode=&quot;append&quot;)<br />
&nbsp;<br />
# 保存为Hive的内部表<br />
young.saveAsTable(tableName=&quot;young&quot;, source=&quot;parquet&quot; mode=&quot;overwrite&quot;)<br />
&nbsp;<br />
# 转换为Pandas DataFrame（Python API特有功能）<br />
pandasDF = young.toPandas()<br />
&nbsp;<br />
# 以表格形式打印输出<br />
young.show()<br />
<br />
<br />
二、SparkSQL操作Hive中的表数据<br />
spark可以通过读取hive的元数据来兼容hive，读取hive的表数据，然后在spark引擎中进行sql统计分析，从而，通过sparksql与hive结合实现数据分析将成为一种最佳实践。详细实现步骤如下：<br />
<br />
1、启动hive的元数据服务<br />
hive可以通过服务的形式对外提供元数据读写操作，通过简单的配置即可<br />
&nbsp;&nbsp; &nbsp;编辑 $HIVE_HOME/conf/hive-site.xml,增加如下内容:<br />
&lt;property&gt;<br />
&lt;name&gt;hive.metastore.uris&lt;/name&gt;<br />
&lt;value&gt;thrift:// hdp-node-01:9083&lt;/value&gt;<br />
&lt;/property&gt;<br />
<br />
&nbsp;&nbsp; &nbsp;启动hive metastore<br />
[hadoop@hdp-node-01 ~]${HIVE_HOME}/bin/hive --service metastore&nbsp; 1&gt;/dev/null&nbsp; 2&gt;&amp;1&nbsp; &amp;<br />
<br />
&nbsp;&nbsp; &nbsp;查看 metastore:<br />
[hadoop@hdp-node-01 ~] jobs<br />
[1]+ Running hive --service metastore &amp;<br />
<br />
<br />
2、spark配置<br />
&nbsp;&nbsp; &nbsp;将hive的配置文件拷贝给spark<br />
将 $HIVE_HOME/conf/hive-site.xml copy或者软链 到 $SPARK_HOME/conf/<br />
<br />
&nbsp;&nbsp; &nbsp;将mysql的jdbc驱动包拷贝给spark<br />
将 $HIVE_HOME/lib/mysql-connector-java-5.1.12.jar copy或者软链到$SPARK_HOME/lib/<br />
<br />
3、启动spark-sql的shell交互界面<br />
spark-sql已经集成在spark-shell中，因此，只要启动spark-shell，就可以使用spakr-sql的shell交互接口：<br />
[hadoop@hdp-node-01 spark] bin/spark-shell --master spark://hdp-node-01:7077
<div style="text-align: center;"><img alt="" src="/files/image/201512/20151229153518583.png" style="width: 400px; height: 170px;" />&nbsp;</div>
<br />
或者，可以启动spark-sql界面，使用起来更方便<br />
[hadoop@hdp-node-01 spark] bin/spark-sql --master spark://hdp-node-01:7077<br />
<br />
4、在交互界面输入sql进行查询<br />
注：以下所用到的库和表，都是已经在hive中存在的库和表<br />
<br />
&nbsp;&nbsp; &nbsp;如果在spark-shell中执行sql查询，使用sqlContext对象调用sql()方法<br />
scala&gt; sqlContext.sql(&quot;select remote_addr from dw_weblog.t_ods_detail group by remote_addr&quot;).collect.foreach(println)<br />
<br />
&nbsp;&nbsp; &nbsp;如果是在spark-sql中执行sql查询，则可以直接输入sql语句<br />
scala&gt; show databases<br />
scala&gt; use dw_weblog<br />
scala&gt; select remote_addr from dw_weblog.t_ods_detail group by remote_addr<br />
<br />
<br />
<br />
5、在IDEA中编写代码使用hive-sql<br />
如下所示：<br />
val hiveContext = new HiveContext(sc)<br />
&nbsp;&nbsp;&nbsp; import hiveContext.implicits._<br />
&nbsp;&nbsp;&nbsp; import hiveContext.sql<br />
&nbsp;&nbsp;&nbsp; //指定库<br />
sql(&quot;use dw_weblog&quot;)<br />
//执行标准sql语句<br />
sql(&quot;create table sparksql as select remote_addr,count(*) from t_ods_detail group by remote_addr&quot;)<br />
&hellip;&hellip;<br />
<br />
<br />
<br />
<br />
综上所述，sparksql类似于hive，可以支持sql语法来对海量数据进行分析查询，跟hive不同的是，hive执行sql任务的底层运算引擎采用mapreduce运算框架，而sparksql执行sql任务的运算引擎是spark core，从而充分利用spark内存计算及DAG模型的优势，大幅提升海量数据的分析查询速度<br />