Spark SQL小结

在2014年7月1日的Spark Summit上，Databricks宣布终止对Shark的开发，将重点放到Spark SQL上。Databricks表示，Spark SQL将涵盖Shark的所有特性，用户可以从Shark 0.9进行无缝的升级。现在Databricks推广的Shark相关项目一共有两个，分别是Spark SQL和新的Hive on Spark（HIVE-7292）。如下图所示：




Spark SQL运行以SQL的方式来操作数据，类似Hive和Pig。其核心组件为一种新类型的RDD——JavaSchemaRDD，一个JavaSchemaRDD就好比传统关系型数据库中的一张表。JavaSchemaRDD可以从已有的RDD创建，还可以从Parquet文件、JSON数据集、HIVE、普通数据文件中创建。但现阶段（1.0.2版本）的Spark SQL还是alpha版，日后的API难免会发生变化，所以是否要使用该功能，现阶段还值得商榷。

程序示例

Bean，必须要有get方法，底层采用反射来获取各属性。

 

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

publicstaticclassPersonimplementsSerializable{     privateStringname;     privateintage;       publicStringgetName(){         returnname;     }       publicintgetAge(){         returnage;     }       publicPerson(Stringname,intage){         this.name=name;         this.age=age;     } }

 

 

Spark SQL示例

 

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

publicstaticvoidmain(String[]args){         SparkConf sparkConf=newSparkConf()               .setAppName("JavaSparkSQL")               .setMaster("local[2]");         JavaSparkContext ctx=newJavaSparkContext(sparkConf);         JavaSQLContext sqlCtx=newJavaSQLContext(ctx);           JavaRDD<Person>people=ctx.textFile("/home/yurnom/people.txt")//文档内容见下文               .map(line->{             String[]parts=line.split(",");             returnnewPerson(parts[0],Integer.parseInt(parts[1].trim()));//创建一个bean         });           JavaSchemaRDD schemaPeople=sqlCtx.applySchema(people,Person.class);         schemaPeople.registerAsTable("people");//注册为一张table         JavaSchemaRDD teenagers=sqlCtx.sql(//执行sql语句，属性名同bean的属性名               "SELECT name FROM people WHERE age >= 13 AND age <= 19");           List<String>teenagerNames=teenagers               .map(row->"Name: "+row.getString(0)).collect();           for(Strings:teenagerNames){             System.out.println(s);         }     }

 

运行结果

 

1	Name:Justin

 

people.txt文件内容

 

 

1 2 3

Michael,29 Andy,30 Justin,19

 

使用Parquet Files

Parquet文件允许将schema信息和数据信息固化在磁盘上，以供下一次的读取。

 

1 2 3 4 5 6 7 8 9 10 11

//存为Parquet文件     schemaPeople.saveAsParquetFile("people.parquet");     //从Parquet文件中创建JavaSchemaRDD     JavaSchemaRDD parquetFile=sqlCtx.parquetFile("people.parquet");     //注册为一张table     parquetFile.registerAsTable("parquetFile");     JavaSchemaRDD teenagers2=sqlCtx.sql("SELECT * FROM parquetFile WHERE age >= 25");     for(Rowr:teenagers2.collect()){         System.out.println(r.get(0));         System.out.println(r.get(1));     }

 

运行结果

 

 

1 2 3 4

29 Michael 30 Andy

 

可以看到输出属性的顺序和Bean中的不一样，此处猜测可能采用的字典序，但未经过测试证实。

JSON数据集

Spark SQL还可以采用JSON格式的文件作为输入源。people.json文件内容如下：

 

 

1 2 3

{"name":"Michael","age":29} {"name":"Andy","age":30} {"name":"Justin","age":19}

 

将上方程序示例中代码行8-14行替换为下方代码即可：

 

1	JavaSchemaRDD schemaPeople=sqlCtx.jsonFile("/home/yurnom/people.json");

 

运行结果与上文相同。此外还可以用如下方式加载JSON数据：

 

 

1 2 3 4

List<String>jsonData=Arrays.asList(   "{\"name\":\"Yurnom\",\"age\":26}"); JavaRDD<String>anotherPeopleRDD=sc.parallelize(jsonData); JavaSchemaRDD anotherPeople=sqlContext.jsonRDD(anotherPeopleRDD);

 

连接Hive

Spark SQL运行使用SQL语句来读写Hive的数据，但由于Hive的依赖包过多，默认情况下要连接Hive需要自行添加相关的依赖包。可以使用以下命令来生成一个含有Hive依赖的Jar，而此Jar必须分发到Spark集群中的每一台机器上去。

 

1	SPARK_HIVE=truesbt/sbt assembly/assembly

 

最后将Hive的配置文件拷贝至conf文件夹下即可。官方Hive使用示例：

 

 

1 2 3 4 5 6 7 8

// sc is an existing JavaSparkContext. JavaHiveContext hiveContext=neworg.apache.spark.sql.hive.api.java.HiveContext(sc);   hiveContext.hql("CREATE TABLE IF NOT EXISTS src (key INT, value STRING)"); hiveContext.hql("LOAD DATA LOCAL INPATH 'examples/src/main/resources/kv1.txt' INTO TABLE src");   // Queries are expressed in HiveQL. Row[]results=hiveContext.hql("FROM src SELECT key, value").collect();

 

总结

Spark SQL将原本就已经封装的很好的Spark原语的使用再简化了一次，使得懂SQL语句的运维人员都可以通过Spark SQL来进行大数据分析。目前来说Spark SQL还处于alpha版本，对于开发人员的意义不大，静观后续的变化。

 
http://blog.selfup.cn/657.html