Spark SQL 浅学笔记2

Posted 2021-11-12 卖山楂啦prss

工作笔记

Spark SQL 浅学笔记1

前面提到：Hive是将SQL转为MapReduce，而SparkSQL可以理解成是将SQL解析成RDD + 优化再执行

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，所以实际工作中，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，类似 Spark Core 中的RDD
➢ DataFrame
➢ DataSet

Spark 中的模块

引用图片：https://zhuanlan.zhihu.com/p/61631248

底层是Spark-core核心模块，Spark-core的核心抽象是RDD，Spark SQL等都基于RDD封装了自己的抽象，例如在Spark SQL中是DataFrame/DataSet。

相对来说RDD是更偏底层的抽象，DataFrame/DataSet是在其上做了一层封装，做了优化，使用起来更加方便。从功能上来说，DataFrame/DataSet能做的事情RDD都能做，RDD能做的事情DataFrame/DataSet不一定能做。

SparkSQL 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

• 标准数据连接：通过 JDBC 或者 ODBC 来连接

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。（除了数据以外，还记录数据的结构信息，即schema）

DataFrame 与 RDD 的主要区别在于，

DataFrame 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。

简言之：

RDD中没有schema信息，而DataFrame中数据每一行都包含schema

DataFrame = RDD[Row] + shcema

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。

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。

---

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 SparkSQL 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

➢与RDD相比，保存了更多的描述信息，概念上等同于关系型数据库中的二维表。

➢ 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；

➢与DataFrame相比，DataSet 保存了类型信息， 是强类型的。比如可以有 DataSet[Car]，DataSet[Person]，提供了编译时类型检查。

➢ 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

---

引用：Spark中DataSet的基本使用
1.假设RDD中的两行数据长这样：

2.那么DataFrame中的数据长这样

RDD中没有schema信息，而DataFrame中数据每一行都包含schema

DataFrame = RDD[Row] + shcema

RDD 转 DataFrame 实际就是加上结构信息

DataFrame 转换为普通RDD 就比较简单了，直接去掉结构信息就行了，但是转换不回原来结构，直接转为RDD[row]类型了

3.那么Dataset中的数据长这样(每行数据是个Object):

或者长这样（每行数据是个Object）:

DataSet包含了DataFrame的功能，Spark2.0中两者统一，DataFrame表示为DataSet[Row]，即DataSet的子集。

---

RDD、DataFrame、DataSet的区别

（1）RDD[Person]以Person为类型参数，但不了解其内部结构。

（2）DataFrame提供了详细的结构信息schema列的名称和类型。这样看起来就像一张表了

（3）DataSet[Person]中不光有schema信息，还有类型信息