这期内容当中小编将会给大家带来有关大数据Sparksql指的是什么呢，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。
Spark sql是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象叫做DataFrame并且作为分布式SQL查询引擎的作用。Sparksql中返回的数据类型是DataFrame
1.1.1. 为什么要学习Spark sql
我们已经学习了Hive，它是将Hive sql转换成MapReduce然后提交到集群上执行，大大简化了编写MapReduce的程序的复杂性，由于MapReduce这种计算模型执行效率比较慢。所有Spark sql的应运而生，它是将Spark sql转换成RDD，然后提交到集群执行，执行效率非常快！
HIVE:简化编写MapReduce的程序的复杂性
Spark sql转换成RDD:替代MapReduce,提高效率
Spark1.0版本开始就推出了Sparksql，最早是叫Shark
1、内存列存储--可以大大优化内存使用效率，减少了内存消耗，避免了gc对大量数据的性能开销
2、字节码生成技术（byte-code generation）--可以使用动态字节码生成技术来优化性能
3、Scala代码的优化
结构化数据是指任何有结构信息的数据。所谓结构信息，就是每条记录共用的已知的字段集合。当数据符合 这样的条件时，Spark sql 就会使得针对这些数据的读取和查询变得更加简单高效。具体 来说，Spark sql 提供了以下三大功能（见图 9-1）。
(1) Spark sql 可以从各种结构化数据源（例如 JSON、Hive、Parquet 等）中读取数据。
(2) Spark sql 不仅支持在 Spark 程序内使用 sql 语句进行数据查询，也支持从类似商业 智能软件 Tableau 这样的外部工具中通过标准数据库连接器（JDBC/ODBC）连接 Spark sql 进行查询。
(3) 当在 Spark 程序内使用 Spark sql 时，Spark sql 支持 sql 与常规的 Python/Java/Scala 代码高度整合，包括连接 RDD 与 sql 表、公开的自定义 sql 函数接口等。这样一来， 许多工作都更容易实现了。
为了实现这些功能，Spark sql 提供了一种特殊的 RDD，叫作 SchemaRDD。SchemaRDD 是存放 Row 对象的 RDD，每个 Row 对象代表一行记录。SchemaRDD 还包含记录的结构信 息（即数据字段）。SchemaRDD 看起来和普通的 RDD 很像，但是在内部，SchemaRDD 可 以利用结构信息更加高效地存储数据。此外，SchemaRDD 还支持 RDD 上所没有的一些新 操作，比如运行 sql 查询。SchemaRDD 可以从外部数据源创建，也可以从查询结果或普 通 RDD 中创建。
什么是DataFrames
(Sparksql中返回的数据类型: 它在概念上等同于关系数据库中的表,但在查询上进行了优化)
与RDD类似，DataFrame也是一个分布式数据容器。然而DataFrame更像传统数据库的二维表格，除了数据以外，还记录数据的结构信息，即schema。
1.1.1. 创建DataFrames
在Spark sql中sqlContext是创建DataFrames和执行sql的入口，在spark-1.6.1中已经内置了一个sqlContext
1.在本地创建一个文件，有三列，分别是id、name、age，用空格分隔，然后上传到hdfs上
hdfs dfs -put person.txt /
2.在spark shell执行下面命令，读取数据，将每一行的数据使用列分隔符分割
val lineRDD = sc.textFile("hdfs://node01:9000/person.txt").map(_.split(" "))
3.定义case class（相当于表的schema）
case class Person(id:Int, name:String, age:Int)
4.将RDD和case class关联
val personRDD = lineRDD.map(x => Person(x(0).toInt, x(1), x(2).toInt))
(里面的数据是在Array中)
5.将RDD转换成DataFrame
val personDF = personRDD.toDF
6.对DataFrame进行处理
personDF.show
val seq1 = Seq(("1","bingbing",35),("2","yuanyuan",34),("3","mimi",33))
val rdd1 =sc.parallelize(seq1)
val df = rdd1.toDF("id","name","age")
df.show
DSL:领域特定语言
////查看DataFrame中的内容
//查看DataFrame部分列中的内容
1.
2.
3.
//打印DataFrame的Schema信息
//查询所有的name和age，并将age+1
1.df.select(col("id"),col("name"),col("age")+1).show
2.df.select(df("id"), df("name"), df("age") + 1).show
//过滤age大于等于18的
df.filter(col("age") >= 35).show
//按年龄进行分组并统计相同年龄的人数
df.groupBy("age").count().show()
sql风格语法
//查询年龄最大的前两名
1.如果想使用sql风格的语法，需要将DataFrame注册成表
df.registerTempTable("t_person")
2.sqlContext.sql("select * from t_person order by age desc limit 2").show
//显示表的Schema信息
1.通过反射推断Schema
=======================================================
package com.qf.gp1708.day06
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, sqlContext}
import org.apache.spark.{SparkConf, SparkContext}
object InferSchema {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setMaster("local")
.setAppName("inferschema")
val sc = new SparkContext(conf)
val sqlContext:sqlContext = new sqlContext(sc)
1. //获取数据并切分
val line = sc.textFile("C://Users/Song/Desktop/person.txt").map(_.split(","))
3 //将获取的数据和Person样例类进行关联
val personRdd: RDD[Godness] = line.map(arr=>Godness(arr(0).toLong,arr(1),arr(2).toInt,arr(3).toInt))
import sqlContext.implicits._
4 //将personRDD转换成DataFrame
val dF: DataFrame = personRdd.toDF
5. //注册一张临时表
dF.registerTempTable("t_person")
val sql = "select * from t_person where fv > 70 order by age"
//查询
val res: DataFrame = sqlContext.sql(sql)
res.show()
sc.stop()
}
}
2//创建样例类
case class Godness(id:Long,name:String,age:Int,fv:Int)
=========================================================
2.通过StructType直接指定Schema
===========================================
package com.qf.gp1708.day06
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Row, sqlContext}
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}
/**
* 通过StructType类型直接指定Schema
*/
object StructTypeSchema {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
.setAppName("str")
.setMaster("local")
val sc = new SparkContext(conf)
val sqlContext = new sqlContext(sc)
//获取数据并切分
val lines = sc.textFile("hdfs://...").map(_.split(","))
//指定schema信息
StructType{
List(
StructField("id",IntegerType,false),
StructField("name",StringType,true),
StructField("age",IntegerType,true),
StructField("fv",IntegerType,true),
)
}
//开始映射
val rowRDD: RDD[Row] = lines.map(arr =>Row(arr(0).toInt,arr(1),arr(2).toInt,arr(3).toInt))
//把RDD转换为DataFrame
val personDF: DataFrame = sqlContext.createDataFrame(rowRDD,schema)
//生成临时表
personDF.registerTempTable("t_person")
val sql = "select name,age,fv from t_person where age >30 order by age desc"
res.write.mode("append").json("c://out-20180903-1")
sc.stop()
}
}
=================================================================
1. 数据源
1.1. JDBC
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。
1.1.1. 从MySQL中加载数据（Spark Shell方式）
1.启动Spark Shell，必须指定MysqL连接驱动jar包
/usr/local/spark-1.6.1-bin-hadoop2.6/bin/spark-shell \
--master spark://node01:7077 \
--jars /usr/local/spark-1.6.1-bin-hadoop2.6/mysql-connector-java-5.1.35-bin.jar \
(指定MysqL包)
--driver-class-path /usr/local/spark-1.6.1-bin-hadoop2.6/mysql-connector-java-5.1.35-bin.jar (指定驱动类)
2.从MysqL中加载数据
val jdbcDF = sqlContext.read.format("jdbc").options(Map("url" -> "jdbc:MysqL://node03:3306/bigdata", "driver" -> "com.MysqL.jdbc.Driver", "dbtable" -> "person", "user" -> "root", "password" -> "root")).load()
3.执行查询
jdbcDF.show()
1.1.2. 将数据写入到MysqL中（打jar包方式）
package com.qf.gp1708.day06
import java.util.Properties
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{Row, sqlContext}
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.{SparkConf, SparkContext}
/**
* 写入数据到MysqL
*/
object InsertData2MysqLDemo {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("").setMaster("local[2]")
val sc = new SparkContext(conf)
val sqlContext = new sqlContext(sc)
val lines= sc.textFile("").map(_.split(","))
//生成Schema
val schema = StructType {
Array(
StructField("name", StringType, true),
StructField("age", IntegerType, true),
StructField("fv", StringType, true),
)
}
//映射
val personRDD = lines.map(arr =>Row(arr(1).toString,arr(2).toInt,arr(3).toInt))
//生成DataFrame
val personDF = sqlContext.createDataFrame(personRDD,schema)
val prop = new Properties()
prop.put("user","root")
prop.put("password","root")
prop.put("driver","com.MysqL.jdbc.Driver")
val jdbcUrl="jdbc:MysqL://hadoop03:3306/bigdata"
val table="person"
//把数据写入MysqL
personDF.write.mode("append").jdbc(jdbcUrl,table,prop)
sc.stop()
}
}
/usr/local/spark-1.6.3-bin-hadoop2.6/spark-submit \
--class com.qf..... \
--master spark://hadoop01:7077 \
--executor-memory 512m \
--total-executor-cores 2 \
--jars /usr/.../mysql-connector-java-5.1.35-bin.jar \
--driver-class-path /usr/.../mysql-connector-java-5.1.35-bin.jar \
/root/1.jar
=======================================================
kafka:消息中间件(缓存数据)---解耦
为处理实时数据提供一个统一、高吞吐量、低等待的平台
3、为什么需要消息队列（重要、了解）
消息系统的核心作用就是三点：解耦，异步和并行
Kafka对消息保存时根据Topic进行归类
Topic:底层就是队列,将不同的消息放在不同的队列中进行分类
上述就是小编为大家分享的大数据Sparksql指的是什么呢了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注编程之家行业资讯频道。
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 [email protected] 举报，一经查实，本站将立刻删除。
