SparkSQL

Posted kris12

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了SparkSQL相关的知识，希望对你有一定的参考价值。

1. Hive and SparkSQL

sparkSQL的前身是Shark。 Hive是早期唯一运行在Hadoop上的SQL-on-Hadoop工具。但是MapReduce计算过程中大量的中间磁盘落地过程消耗了大量的I/O，降低的运行效率，为了

提高SQL-on-Hadoop的效率，大量的SQL-on-Hadoop工具开始产生，其中表现较为突出的是：Drill、Impala、Shark。

Shark是伯克利实验室Spark生态环境的组件之一，是基于Hive所开发的工具，它修改了下图所示的右下角的内存管理、物理计划、执行三个模块，并使之能运行在Spark引擎上。

Shark对于Hive的太多依赖（如采用Hive的语法解析器、查询优化器等等），制约了Spark的发展，所以提出了SparkSQL项目。

SparkSQL抛弃原有Shark的代码，汲取了Shark的一些优点，如内存列存储（In-Memory Columnar Storage）、Hive兼容性等，重新开发了SparkSQL代码；由于摆脱了对Hive的依赖

性，SparkSQL无论在数据兼容、性能优化、组件扩展方面都得到了极大的方便。

2014年6月1日Shark项目和SparkSQL项目的主持人Reynold Xin宣布：停止对Shark的开发，团队将所有资源放SparkSQL项目上，至此，Shark的发展画上了句话，但也因此发展出两

个支线：SparkSQL和Hive on Spark。

  

 

 

其中SparkSQL作为Spark生态的一员继续发展，而不再受限于Hive，只是兼容Hive；而Hive on Spark是一个Hive的发展计划，该计划将Spark作为Hive的底层引擎之一，也就是说，

Hive将不再受限于一个引擎，可以采用Map-Reduce、Tez、Spark等引擎。

对于开发人员来讲，SparkSQL可以简化RDD的开发，提高开发效率，且执行效率非常快，实际工作中，基本上采用的就是SparkSQL。Spark SQL为了简化RDD的开发，提高开发效率，提供了2个编程抽象，DataFrame 、DataSet

2. Spark SQL

特点

易整合；无缝的整合了 SQL 查询和 Spark 编程

 

统一的数据访问； 使用相同的方式连接不同的数据源

 

兼容 Hive； 在已有的仓库上直接运行 SQL 或者 HiveQL

 

 SparkSession

在spark2.0中，引入SparkSession（作为DataSet和DataFrame API的切入点）作为Spark最新的SQL查询起始点，实质上是SQLContext和HiveContext的组合（未来可能还会加上StreamingContext）； 为了向后兼容，所以在SQLContext和HiveContext上可用的API在SparkSession上同样是可以使用的。

SparkSession内部封装了sparkContext、SparkConf、SQLContext，所以计算实际上是由sparkContext完成的。

 ---- 为用户提供一个统一的切入点使用Spark 各项功能

 ---- 允许用户通过它调用 DataFrame 和 Dataset 相关 API 来编写程序

 --- 与 Spark 交互之时不需要显示的创建 SparkConf, SparkContext 以及 SQlContext，这些对象已经封闭在 SparkSession 中

DataFrame

在Spark中，DataFrame是一种以RDD为基础的分布式数据集，类似于传统数据库中的二维表格。DataFrame与RDD的主要区别在于，前者带有schema元信息，即DataFrame所表示

的二维表数据集的每一列都带有名称和类型。这使得Spark SQL得以洞察更多的结构信息，从而对藏于DataFrame背后的数据源以及作用于DataFrame之上的变换进行了针对性的优

化，最终达到大幅提升运行时效率的目标。反观RDD，由于无从得知所存数据元素的具体内部结构，Spark Core只能在stage层面进行简单、通用的流水线优化。

同时，与Hive类似，DataFrame也支持嵌套数据类型（struct、array和map）。从 API 易用性的角度上看，DataFrame API提供的是一套高层的关系操作，比函数式的RDD API 要更加

友好，门槛更低。

           

 

上图直观地体现了DataFrame和RDD的区别。

左侧的RDD[Person]虽然以Person为类型参数，但Spark框架本身不了解Person类的内部结构。而右侧的DataFrame却提供了详细的结构信息，使得 Spark SQL 可以清楚地知道该数

据集中包含哪些列，每列的名称和类型各是什么。

DataFrame是为数据提供了Schema的视图。可以把它当做数据库中的一张表来对待

DataFrame也是懒执行的，但性能上比RDD要高，主要原因：优化的执行计划，即查询计划通过Spark catalyst optimiser进行优化。比如下面一个例子:

 图中构造了两个DataFrame，将它们join之后又做了一次filter操作。如果原封不动地执行这个执行计划，最终的执行效率是不高的。因为join是一个代价较大的操作，也可能会产生一

个较大的数据集。如果我们能将filter下推到 join下方，先对DataFrame进行过滤，再join过滤后的较小的结果集，便可以有效缩短执行时间。而Spark SQL的查询优化器正是这样做

的。简而言之，逻辑查询计划优化就是一个利用基于关系代数的等价变换，将高成本的操作替换为低成本操作的过程。

DataSet

DataSet是分布式数据集合。DataSet是Spark 1.6中添加的一个新抽象，是DataFrame的一个扩展。它提供了RDD的优势（强类型，使用强大的lambda函数的能力）以及Spark SQL优

化执行引擎的优点。DataSet也可以使用功能性的转换（操作map，flatMap，filter等等）。

  •  DataSet是DataFrame API的一个扩展，是SparkSQL最新的数据抽象
  • 用户友好的API风格，既具有类型安全检查也具有DataFrame的查询优化特性；
  • 用样例类来对DataSet中定义数据的结构信息，样例类中每个属性的名称直接映射到DataSet中的字段名称；
  • DataSet是强类型的。比如可以有DataSet[Car]，DataSet[Person]。
  • DataFrame是DataSet的特列，DataFrame=DataSet[Row] ，所以可以通过as方法将DataFrame转换为DataSet。Row是一个类型，跟Car、Person这些的类型一样，所有的表结构信息都用Row来表示。获取数据时需要指定顺序

3. Spark SQL核心编程

如何使用 Spark SQL所提供的 DataFrame和DataSet模型进行编程，以及了解它们之间的关系和转换。

Spark Core中，如果想要执行应用程序，需要首先构建上下文环境对象SparkContext，Spark SQL其实可以理解为对Spark Core的一种封装，不仅仅在模型上进行了封装，上下文环境

对象也进行了封装。

在老的版本中，SparkSQL提供两种SQL查询起始点：一个叫SQLContext，用于Spark自己提供的SQL查询；一个叫HiveContext，用于连接Hive的查询。

SparkSession是Spark最新的SQL查询起始点，实质上是SQLContext和HiveContext的组合，所以在SQLContex和HiveContext上可用的API在SparkSession上同样是可以使用的。

SparkSession内部封装了SparkContext，所以计算实际上是由sparkContext完成的。

当我们使用 spark-shell 的时候, spark框架会自动的创建一个名称叫做spark的SparkSession对象，就像我们以前可以自动获取到一个sc来表示SparkContext对象一样

DataFrame

Spark SQL的DataFrame API 允许我们使用 DataFrame 而不用必须去注册临时表或者生成 SQL 表达式。DataFrame API 既有 transformation操作也有action操作。

创建 DataFrame

在Spark SQL中SparkSession是创建DataFrame和执行SQL的入口，创建DataFrame有三种方式：

　　通过Spark的数据源进行创建；从一个存在的RDD进行转换；还可以从Hive Table进行查询返回。

1) 从Spark数据源进行创建

查看Spark支持创建文件的数据源格式
scala> spark.read.
csv format jdbc json load option options orc parquet schematable text textFile

在spark的bin/data目录中创建user.json文件 {"username":"shero","age":18}
读取json文件创建DataFrame 
scala> val df = spark.read.json("data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]            

scala> df.show
+---+--------+
|age|username|
+---+--------+
| 18|   shero|
+---+--------+

注意：如果从内存中获取数据，spark可以知道数据类型具体是什么。如果是数字，默认作为Int处理；
但是从文件中读取的数字，不能确定是什么类型，所以用bigint接收，可以和Long类型转换，但是和Int不能进行转换

2) 从RDD进行转换

3) 从Hive Table进行查询返回

SQL 语法

SQL语法风格是指我们查询数据的时候使用SQL语句来查询，这种风格的查询必须要有临时视图或者全局视图来辅助。

scala> val df = spark.read.json("data/user.json")
##转化成sql去执行
scala> df.createOrReplaceTempView("user")   //对DataFrame创建一个临时表； view是table的查询结果,只能查不能改
scala> spark.sql("select * from user").show //通过sql语句来查询全表。
+----+--------+
| age|username|
+----+--------+
|  18|   shero|
|  20|    kris|
|null|    andy|
+----+--------+

scala> spark.sql("select * from user where age is not null").show
+---+--------+
|age|username|
+---+--------+
| 18|   shero|
| 20|    kris|
+---+--------+
注意：普通临时view是Session范围内的，如果想应用范围内有效，可以使用全局临时表。使用全局临时表时需要全路径访问，如：global_temp.people

scala> df.createGlobalTempView("emp")  //提升为全局
scala> spark.sql("select * from user where age is not null").show
+---+--------+
|age|username|
+---+--------+
| 18|   shero|
| 20|    kris|
+---+--------+

scala> spark.sql("select * from emp where age is not null").show    //sql默认从当前session中查找，所以查询时需要加上global_temp
scala> spark.sql("select * from global_temp.emp where age is not null").show 
//等同于 spark.newSession().sql("select * from global_temp.emp").show 
+---+--------+
|age|username|
+---+--------+
| 18|   shero|
| 20|    kris|
+---+--------+

 

DSL风格语法

DataFrame 提供一个特定领域语言（domain-specific language, DSL --模仿面向对象的方式）去管理结构化的数据。

可以在Scala、Java、Python和 R中使用DSL，使用DSL语法风格不必去创建临时视图了。

scala> df.printSchema  //查看DataFrame 的Schema信息
root
 |-- age: long (nullable = true)
 |-- username: string (nullable = true)


scala> df.select("age").show //只查看"age"列数据
+----+
| age|
+----+
|null|
|  30|
|  19|
+----+


scala> df.select($"age"+1).show
+---------+
|(age + 1)|
+---------+
|     null|
|       31|
|       20|
+---------+
df.select($"username", $"age" + 1).show
+--------+---------+
|username|(age + 1)|
+--------+---------+
|   shero|       19|
|    kris|       21|
|    andy|     null|
+--------+---------+

df.filter($"age" > 20).show 

df.groupBy("age").count.show  
+----+-----+
| age|count|
+----+-----+
|null|    1|
|  18|    1|
|  20|    1|
+----+-----+

RDD转成DF

注意：如果需要RDD与DF或者DS之间操作，那么都需要引入 import spark.implicits._  【spark不是包名，而是创建sparkSession对象的变量名称】

spark-shell中无需再导入，自动完成此操作。

前置条件：导入隐式转换并创建一个RDD


实际开发中，一般通过样例类将RDD转换为DataFrame
case class User(age:Int, name:String)
sc.makeRDD(List( (20, "kris"),(18, "shelo"))).map(t => User(t._1, t._2)).toDF.show 

sc.makeRDD(List(("a",1), ("b",4), ("c", 3))).toDF("name", "count").show
+----+-----+
|name|count|
+----+-----+
|   a|    1|
|   b|    4|
|   c|    3|
+----+-----+

DF转换为RDD  

DataFrame其实就是对RDD的封装，所以可以直接获取内部的rdd 

scala> df.show
+----+--------+
| age|username|
+----+--------+
|  18|   shero|
|  20|    kris|
|null|    andy|
+----+--------+

scala> df.rdd
res38: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[158] at rdd at <console>:26
scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[158] at rdd at <console>:26

scala> rdd.collect
res40: Array[org.apache.spark.sql.Row] = Array([18,shero], [20,kris], [null,andy])

scala> val array = rdd.collect //此时得到的RDD存储类型为Row
array: Array[org.apache.spark.sql.Row] = Array([18,shero], [20,kris], [null,andy])

scala> array(0)
res41: org.apache.spark.sql.Row = [18,shero]

scala> array(0).getAs[String]("username")
res47: String = shero

scala> array(0)(0)
res42: Any = 18

DataSet

DataSet是具有强类型的数据集合，需要提供对应的类型信息。

创建DataSet

1) 使用样例类序列创建DataSet

scala> case class Person(name: String, age: Long)
defined class Person

scala> val caseClassDS = Seq(Person("kris", 20)).toDS()
caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]

scala> caseClassDS.show
+----+---+
|name|age|
+----+---+
|kris| 20|
+----+---+

 

2）使用基本类型的序列创建DataSet

scala> val ds = Seq(1,2,3).toDS
ds: org.apache.spark.sql.Dataset[Int] = [value: int]

scala> ds.show
+-----+
|value|
+-----+
|    1|
|    2|
|    3|
+-----+

在实际使用的时候，很少用到把序列转换成DataSet，更多的是通过RDD来得到DataSet

RDD转换为DataSet

SparkSQL能够自动将包含有case类的RDD转换成DataSet，case类定义了table的结构，case类属性通过反射变成了表的列名。Case类可以包含诸如Seq或者Array等复杂的结构。     DataSet是具有强类型的数据集合，需要提供对应的类型信息。

scala> case class User(name:String, age:Int)
defined class User

scala> sc.makeRDD(List(("kris", 20), ("shero", 18))).map(t=>User(t._1, t._2)).toDS
res54: org.apache.spark.sql.Dataset[User] = [name: string, age: int]

DataSet转换为RDD 

DataSet其实也是对RDD的封装，所以可以直接获取内部的RDD，  调用rdd方法即可

scala> val ds = Seq(Person(25, "Andy")).toDS()
ds: org.apache.spark.sql.Dataset[Person] = [age: int, name: string]

scala> ds.rdd.collect
res59: Array[Person] = Array(Person(25,Andy))

DataFrame和DataSet转换

DataFrame其实是DataSet的特例，所以它们之间是可以互相转换的。

spark.read.json（“ path ”）即是DataFrame类型； 

DataFrame-->DataSet

scala> case class User(name:String, age:Int)
defined class User

scala> val df = sc.makeRDD(List(("kris", 20), ("shero", 18))).toDF("name", "age")
df: org.apache.spark.sql.DataFrame = [name: string, age: int]

scala> val ds = df.as[User]
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> ds.show 
+-----+---+
| name|age|
+-----+---+
| kris| 20|
|shero| 18|
+-----+---+

DataSet-->DataFrame

这种方法就是在给出每一列的类型后，使用as方法，转成Dataset，这在数据类型是DataFrame又需要针对各个字段处理时极为方便。在使用一些特殊的操作时，一定要加上 import spark.implicits._ 不然toDF、toDS无法使用。

scala> ds.toDF
res74: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

RDD 、 DataFrame 、 DataSet 三者的关系

在SparkSQL中Spark为我们提供了两个新的抽象，分别是DataFrame和DataSet。他们和RDD有什么区别呢？首先从版本的产生上来看：

  • ➢ Spark1.0 => RDD
  • ➢ Spark1.3 => DataFrame
  • ➢ Spark1.6 => Dataset

如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。

在后期的Spark版本中，DataSet有可能会逐步取代RDD和DataFrame成为唯一的API接口。

三者的共性

  •  RDD、DataFrame、DataSet全都是spark平台下的分布式弹性数据集，为处理超大型数据提供便利;
  • 三者都有惰性机制，在进行创建、转换，如map方法时，不会立即执行，只有在遇到Action如foreach时，三者才会开始遍历运算;
  • 三者有许多共同的函数，如filter，排序等;
  • 在对DataFrame和Dataset进行操作许多操作都需要这个包:import spark.implicits._（在创建好SparkSession对象后尽量直接导入）
  • 三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出
  • 三者都有partition的概念
  • DataFrame和DataSet均可使用模式匹配获取各个字段的值和类型

三者的区别

联系：RDD、DataFrame、DataSet三者的联系是都是spark当中的一种数据类型，RDD是SparkCore当中的，DataFrame和DataSet都是SparkSql中的，它俩底层都基于RDD实现的；

区别：RDD 优点: ①编译时类型安全 ；②面向对象的编程风格 ； ③直接通过类名点的方式来操作数据； 缺点是通信or IO操作都需要序列化和反序列化的性能开销 ，比较耗费性能； GC的性能开销 ，频繁的创建和销毁对象, 势必会增加GC；

　　DataFrame引入了schema和off-heap堆外内存不会频繁GC，减少了内存的开销； 缺点是类型不安全；

　　DataSet结合了它俩的优点并且把缺点给屏蔽掉了；

1. RDD： ① RDD一般和spark mlib同时使用； ② RDD不支持sparksql操作

2. DataFrame:

　　1）与RDD和Dataset不同，DataFrame每一行的类型固定为Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值，

testDF.foreach{
  line =>
    val col1=line.getAs[String]("col1")
    val col2=line.getAs[String]("col2")
}

　　2）DataFrame与Dataset一般不与spark mlib同时使用

　　3）DataFrame与Dataset均支持sparksql的操作，比如select，groupby之类，还能注册临时表/视窗，进行sql语句操作，

　　　　如：dataDF.createOrReplaceTempView("tmp")

　　　　spark.sql("select  ROW,DATE from tmp where DATE is not null order by DATE").show(100,false)

　　4）DataFrame与Dataset支持一些特别方便的保存方式，比如保存成csv，可以带上表头，这样每一列的字段名一目了然

val saveoptions = Map("header" -> "true", "delimiter" -> "\\t", "path" -> "hdfs://hadoop102:9000/test")  //保存
datawDF.write.format("com.atguigu.spark.csv").mode(SaveMode.Overwrite).options(saveoptions).save()  //读取

val options = Map("header" -> "true", "delimiter" -> "\\t", "path" -> "hdfs://hadoop102:9000/test")
val datarDF= spark.read.options(options).format("com.atguigu.spark.csv").load()
利用这样的保存方式，可以方便的获得字段名和列的对应，而且分隔符（delimiter）可以自由指定。

3. Dataset:

　　1）Dataset和DataFrame拥有完全相同的成员函数，区别只是每一行的数据类型不同。 DataFrame其实就是DataSet的一个特例 type DataFrame = Dataset[Row]

　　2）DataFrame也可以叫Dataset[Row],每一行的类型是Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的getAS方法或者模式匹配拿出特定字段。而Dataset中，每一行是什么类型是不一定的，在自定义了case class之后可以很自由的获得每一行的信息

case class Coltest(col1:String,col2:Int)extends Serializable //定义字段名和类型
/**
 rdd
 ("a", 1)
 ("b", 1)
 ("a", 1)
**/
val test: Dataset[Coltest]=rdd.map{line=>
      Coltest(line._1,line._2)
    }.toDS
test.map{
      line=>
        println(line.col1)
        println(line.col2)
    }

可以看出，Dataset在需要访问列中的某个字段时是非常方便的，然而，如果要写一些适配性很强的函数时，如果使用Dataset，行的类型又不确定，可能是各种case class，无法实现适配，这时候用DataFrame即Dataset[Row]就能比较好的解决问题

互相转化

RDD关心数据，DataFrame关心结构，DataSet关心类型；

　　① 将RDD转换为DataFrame，需要增加结构信息，所以调用toDF方法，需要增加结构；

　　② 将RDD转换为DataSet，需要增加结构和类型信息，所以需要转换为指定类型后，调用toDS方法；

　　③ 将DataFrame转换为DataSet时，因为已经包含结构信息，只有增加类型信息就可以，所以调用as[类型]

　　④因为DF中本身包含数据，所以转换为RDD时，直接调用rdd即可；

　　⑤因为DS中本身包含数据，所以转换为RDD时，直接调用rdd即可；

　　⑥因为DS本身包含数据结构信息，所以转换为DF时，直接调用toDF即可

4. IDEA开发SparkSQL

RDD、DF、DS

添加依赖

<dependency>
　　<groupId>org.apache.spark</groupId>
　　<artifactId>spark-sql_2.12 </artifactId>
　　<version>3.0.0</version>
</dependency>

方式一：通过 case class 创建 DataFrames（反射）

import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}
object TestSparkSql {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
    val sc: SparkSession = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
    // 将本地的数据读入 RDD， 并将 RDD 与 case class 关联
    val peopleRdd = sc.sparkContext.textFile("file:\\\\F:\\\\Input\\\\people.txt")
      .map(line => People(line.split(",")(0),line.split(",")(1).trim.toInt))
    import sc.implicits._
    // 将RDD 转换成 DataFrames
    val df: DataFrame = peopleRdd.toDF
    //将DataFrames创建成一个临时的视图
    df.createOrReplaceTempView("people")
    sc.sql("select * from people").show() //使用SQL语句进行查询
    sc.stop()
  }
}
//定义case class，相当于表结构
case class People(var name: String, var age: Int)
View Code

说明：

① textFile默认是从hdfs读取文件； 本地文件读取 sc.textFile("路径")，在路径前面加上file:// 表示从本地文件系统读

② textFile可直接读取多个文件夹(嵌套)下的多个数据文件，如上边路径可写成  "file:\\\\F:\\\\Input"  读取这个目录下多个文件

方式二：通过 structType 创建 DataFrames（编程接口），测试代码如下

import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.sql.{DataFrame, SparkSession}
object TestSparkSql {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
    val sc: SparkSession = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
    // 将本地的数据读入 RDD
    val peopleRdd = sc.sparkContext.textFile("file:\\\\F:\\\\Input")
    // 将 RDD 数据映射成 Row，需要 import org.apache.spark.sql.Row
    import org.apache.spark.sql.Row
    val rowRDD: RDD[Row] = peopleRdd.map(line => {
      val fields = line.split(",")
      Row(fields(0), fields(1).trim.toInt)
    })
    val structType: StructType = StructType(
      //字段名，字段类型，是否可以为空
      StructField("name", StringType, true) ::
        StructField("age", IntegerType, true) :: Nil
    )
    //将DataFrames创建成一个临时的视图
    val df: DataFrame = sc.createDataFrame(rowRDD,structType)
    df.createTempView("people")
    sc.sql("select * from people").show() //使用SQL语句进行查询
    sc.stop()
  }
}
View Code

 方式三：读取json文件

people.json 必须是在一行：

{"username":"swenna","age":18}
{"username": "kk","age":20}
//读取json数据
import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}
object TestSparkSql {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("SparkSql").setMaster("local[*]")
    val sc: SparkSession = SparkSession.builder().config(conf).enableHiveSupport().getOrCreate()
    // 将本地的数据读入 RDD
    val df: DataFrame = sc.read.json("file:\\\\F:\\\\Input\\\\people.json")

    //将DataFrames创
以上是关于SparkSQL的主要内容，如果未能解决你的问题，请参考以下文章
 

 SparkSQL 查询数据框


 2.sparkSQL--DataFrames与RDDs的相互转换


 独家 | PySpark和SparkSQL基础：如何利用Python编程执行Spark（附代码）


 SparkSQL - 直接读取镶木地板文件


 大数据-spark理论sparkSql，sparkStreaming，spark调优


 IEEAC云专委前沿说PySpark和SparkSQL基础：如何利用Python编程执行Spark（附代码）