零、本讲学习目标

1. 了解Spark SQL的基本概念
2. 掌握DataFrame的基本概念
3. 掌握Dataset的基本概念
4. 会基于DataFrame执行SQL查询

在很多情况下，开发工程师并不了解Scala语言，也不了解Spark常用API，但又非常想要使用Spark框架提供的强大的数据分析能力。Spark的开发工程师们考虑到了这个问题，利用SQL语言的语法简洁、学习门槛低以及在编程语言普及程度和流行程度高等诸多优势，从而开发了Spark SQL模块，通过Spark SQL，开发人员能够通过使用SQL语句，实现对结构化数据的处理。

一、Spark SQL

（一）Spark SQL概述

• 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结构叫做DataFrame的数据模型（即带有Schema信息的RDD），Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrames API和Datasets API三种方式实现对结构化数据的处理。

（二）Spark SQL功能

• Spark SQL可从各种结构化数据源中读取数据，进行数据分析。
• Spark SQL包含行业标准的JDBC和ODBC连接方式，因此它不局限于在Spark程序内使用SQL语句进行查询。
• Spark SQL可以无缝地将SQL查询与Spark程序进行结合，它能够将结构化数据作为Spark中的分布式数据集（RDD）进行查询。

（三）Spark SQL结构

1、Spark SQL架构图

• Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。
  

2、Spark SQL三大过程

• Spark要想很好地支持SQL，需要完成解析（Parser）、优化（Optimizer）、执行（Execution）三大过程。
  

3、Spark SQL内部五大组件

• Catalyst优化器在执行计划生成和优化的工作时，离不开内部的五大组件。
  

（四）Spark SQL工作流程

1. 在解析SQL语句之前，会创建SparkSession，涉及到表名、字段名称和字段类型的元数据都将保存在SessionCatalog中；
2. 当调用SparkSession的sql()方法时就会使用SparkSqlParser进行解析SQL语句，解析过程中使用的ANTLR进行词法解析和语法解析；
3. 使用Analyzer分析器绑定逻辑计划，在该阶段，Analyzer会使用Analyzer Rules，并结合SessionCatalog，对未绑定的逻辑计划进行解析，生成已绑定的逻辑计划；
4. 使用Optimizer优化器优化逻辑计划，该优化器同样定义了一套规则（Rules），利用这些规则对逻辑计划和语句进行迭代处理；
5. 使用SparkPlanner对优化后的逻辑计划进行转换，生成可以执行的物理计划SparkPlan；
6. 使用QueryExecution执行物理计划，此时则调用SparkPlan的execute()方法，返回RDDs。

（五）Spark SQL主要特点

1、将SQL查询与Spark应用程序无缝组合

• Spark SQL允许使用SQL或熟悉的DataFrame API在Spark程序中查询结构化数据。与Hive不同的是，Hive是将SQL翻译成MapReduce作业，底层是基于MapReduce的；而Spark SQL底层使用的是Spark RDD。
• 在Spark应用程序中嵌入SQL语句

val res = spark.sql( "SELECT * FROM student")

2、Spark SQL以相同方式连接多种数据源

• Spark SQL提供了访问各种数据源的通用方法，数据源包括Hive、Avro、Parquet、ORC、JSON、JDBC等。
• 读取HDFS中的JSON文件，基于文件内容创建临时视图，最后与其他表根据指定的字段关联查询

// 读取JSON文件
val userScoreDF = spark.read.json("hdfs://master:9000/users.json")
// 创建临时视图user_score
userScoreDF.createTempView("user_score")
// 根据name关联查询
val resDF = spark.sql("SELECT i.age, i.name, c.score FROM user_info i INNER JOIN user_score c ON i.name = c.name")

3、在现有数据仓库上运行SQL或HiveQL查询

• Spark SQL支持HiveQL语法以及Hive SerDes和UDF（用户自定义函数），允许访问现有的Hive仓库。

二、数据帧 - DataFrame

（一）DataFrame概述

• DataFrame是Spark SQL提供的一个编程抽象，与RDD类似，也是一个分布式的数据集合，但与RDD不同，DataFrame的数据都被组织到有名字的列中，就像关系型数据库中的表一样。在Spark 1.3.0版本之前，DataFrame被称为SchemaRDD。此外，多种数据都可以转化为DataFrame，例如Spark计算过程中生成的RDD、结构化数据文件、Hive中的表、外部数据库等。

（二）将RDD转成DataFrame

• DataFrame在RDD的基础上添加了数据描述信息（Schema，模式，即元信息），因此看起来更像是一张数据库表。

• 一个RDD中有5行数据
  

• 将RDD转成DataFrame
  

• 使用DataFrame API结合SQL处理结构化数据比RDD更加容易，而且通过DataFrame API或SQL处理数据，Spark优化器会自动对其优化，即使写的程序或SQL不高效，也可以运行得很快。

三、数据集 - Dataset

（一）Dataset概述

• Dataset是一个分布式数据集，是Spark 1.6中添加的一个新的API。相对于RDD，Dataset提供了强类型支持，在RDD的每行数据加了类型约束。而且使用Dataset API同样会经过Spark SQL优化器的优化，从而提高程序执行效率。

（二）将RDD转成DataSet

• 一个RDD中有3行数据
  
• 将RDD转换为Dataset
  

（三）DataFrame与Dataset的关系

• 在Spark中，一个DataFrame所代表的是一个元素类型为Row的Dataset，即DataFrame只是Dataset[Row]的一个类型别名。

四、简单使用Spark SQL

（一）了解SparkSession

• Spark Shell启动时除了默认创建一个名为sc的SparkContext的实例外，还创建了一个名为spark的SparkSession实例，该spark变量可以在Spark Shell中直接使用。
• 从Spark2.0以上版本开始, Spark使用全新的SparkSession接口替代Spark1.6中的SQLContext及HiveContext接口来实现其对数据加载、转换、处理等功能。SparkSession实现了SQLContext及HiveContext所有功能。
• SparkSession只是在SparkContext基础上的封装，应用程序的入口仍然是SparkContext。SparkSession允许用户通过它调用DataFrame和Dataset相关API来编写Spark程序，支持从不同的数据源加载数据，并把数据转换成DataFrame，然后使用SQL语句来操作DataFrame数据。

（二）准备数据文件

1,郑秀芸,女,20
2,王志峰,男,18
3,陈燕文,女,21
4,郑国栋,男,19
5,肖雨涵,男,20

• 执行命令：vim student.txt，创建student.txt文件
  
• 将student.txt上传到HDFS的/input目录（如果目录不存在，就创建起来）
  

（三）加载数据为Dataset

• 启动Spark Shell，执行命令：spark-shell --master spark://master:7077
  

1、读文件得数据集

• 调用SparkSession对象的read.textFile()可以读取指定路径中的文件内容，并加载为一个Dataset

• 执行命令：val ds = spark.read.textFile("hdfs://master:9000/input/student.txt")
  

• 从变量ds的类型可以看出，textFile()方法将读取的数据转为了Dataset。除了使用textFile()方法读取文本内容外，还可以使用csv()、jdbc()、json()等方法读取CSV文件、JDBC数据源、JSON文件等数据。(csv: comma separated value)

2、显示数据集内容

• 执行命令：ds.show()
  
• 可以看出，Dataset将文件中的每一行看作一个元素，并且所有元素组成了一列，列名默认为value。

3、显示数据集模式

• 执行命令：ds.printSchema()
  

（四）给数据集添加元数据信息

1、定义学生样例类

• 定义一个样例类Student，用于存放数据描述信息（Schema）
• 执行命令：case class Student(id: Int, name: String, gender: String, age: Int)
  
• 基于样例类创建对象很简单，不需要new关键字，只需要传入相应参数即可创建对象
  

2、导入隐式转换

• 导入SparkSession的隐式转换，以便后续可以使用Dataset的算子
• 执行命令：import spark.implicits._ （_表示implicits包里所有的类，类似于Java里的*）
  

3、将数据集转换成学生数据集

• 调用Dataset的map()算子将每一个元素拆分并存入Student样例对象
• 执行命令:paste进入粘贴模式，然后执行红框类的命令
  

 val studentDS = ds.map(line => {
     val fields = line.split(",")
     val id = fields(0).toInt
     val name = fields(1)
     val gender = fields(2)
     val age = fields(3).toInt
     Student(id, name, gender, age)
})

4、对学生数据集进行操作

（1）显示数据集内容

• 执行命令：studentDS.show()
  
• 可以看到，studentDS中的数据类似于一张关系型数据库的表。

（2）打印数据集模式

• 执行命令：studentDS.printSchema()
  

（3）对数据集进行投影操作

• 显示学生的姓名和年龄字段，执行命令：studentDS.select("name", "age").show()
  

（4）对数据集进行过滤操作

• 显示女生记录，执行命令：studentDS.filter("gender == '女'").show()
  
• 显示年龄在[19, 20]之间的记录
  
  
• 可以有更简单的处理方式，执行命令：studentDS.filter("age >= 19 and age <= 20").show()
  

（5）对数据集进行统计操作

• 求20岁以上的女生人数
  
• 分组统计男女生总年龄，执行命令：studentDS.groupBy("gender").sum("age").show()
  
• 分组统计男女生平均年龄：执行命令：studentDS.groupBy("gender").sum("age").show()
  
• 分组统计男女生最大年龄，执行命令：studentDS.groupBy("gender").max("age").show()
  
• 分组统计男女生最小年龄，执行命令：studentDS.groupBy("gender").min("age").show()
  

（6）对数据集进行排序操作

• 按年龄升序排列，执行命令：studentDS.sort("age").show()
  
• 按年龄降序排列，执行命令：studentDS.sort("gender", studentDS("age").desc).show()
  
• 先按性别升序排列，再按年龄降序排列，执行命令：studentDS.sort(studentDS("gender"), studentDS("age").desc).show()
  

（7）重命名数据集字段

• 执行命令：studentDS.select(studentDS("id").as("学号"), studentDS("name").as("姓名"), studentDS("gender").as("性别"), studentDS("age").as("年龄")).show()
  

（五）将数据集转为数据帧

• Spark SQL查询的是DataFrame中的数据，因此需要将存有元数据信息的Dataset转为DataFrame。调用Dataset的toDF()方法，将存有元数据的Dataset转为DataFrame。

1、将数据集转为数据帧

• 将学生数据集转为学生数据帧，执行命令：val studentDF = studentDS.toDF()
  

2、对数据帧进行各种操作

（1）显示数据帧内容

• 显示学生数据帧内容，执行命令：studentDF.show()
  

（2）显示数据帧模式信息

• 打印学生数据帧模式信息，执行命令：studentDF.printSchema()
  

（3）对数据帧进行投影操作

• 显示学生数据帧姓名与年龄字段，年龄加1，执行命令：studentDF.select(studentDF("name"), studentDF("age") + 1).show()
  

（4）对数据帧进行过滤操作

• 查询年龄在19岁以上的记录，执行命令：studentDF.filter(studentDF("age") > 19).show()
  
• 查询20岁以上的女生记录，执行命令：studentDF.filter("age > 20 and gender == '女'").show()
  

（5）对数据帧进行统计操作

• 统计学生数据帧总记录数，执行命令：studentDF.count()
  
• 分组统计男女生总年龄，执行命令：studentDF.groupBy("gender").sum("age").show()，
  
• 分组统计男女生平均年龄，执行命令：studentDF.groupBy("gender").avg("age").show()，
  
• 分组统计男女生最大年龄，执行命令：studentDF.groupBy("gender").max("age").show()，
  
• 分组统计男女生最小年龄，执行命令：studentDF.groupBy("gender").min("age").show()
  
• 分组统计男女生人数，执行命令：studentDF.groupBy("gender").count().show()
  

（6）对数据帧进行排序操作

• 对年龄升序排列，执行命令：studentDF.sort("age").show()
  
• 对年龄降序排列，执行命令：studentDF.sort(studentDF("age").desc).show()
  
• 先按性别升序，再按年龄降序，- 执行命令：studentDF.sort(studentDF("gender"), studentDF("age").desc).show()
  

（7）重命名数据帧字段

• 执行命令：df.select(df("id").as("学号"), df("name").as("姓名"), df("gender").as("性别"), df("age").as("年龄")).show()
  
• 直接对数据帧进行操作，其实并不是很方便，因此，我们需要基于数据帧创建临时视图，然后对于临时视图就可以进行SQL操作，那样就会十分方便。

（六）基于数据帧进行SQL查询

1、基于数据帧创建临时视图

• 基于学生数据帧studentDF，创建一个临时视图student，就可以对student视图进行SQL操作
• 执行命令：studentDF.createTempView("student")
  
• 其实，也可以执行命令：studentDF.createOrReplaceTempView("student")
  
• 如果指定的视图不存在，那就创建，如果存在，那就替换。

2、使用spark对象执行SQL查询

• 在Spark Shell环境里，系统已经创建了名为spark的SparkSession对象

（1）查询全部表记录

• 执行命令：spark.sql("select * from student").show()

（2）显示数据表结构

• 执行命令：spark.sql("describe student").show()
  

（3）对表进行投影操作

• 执行命令：spark.sql("select name, age + 1 from student").show()
  

（4）对表进行选择操作

• 查询年龄在19岁以上的记录，执行命令：spark.sql("select * from student where age > 19").show()
  
• 查询20岁以上的女生记录，执行命令：spark.sql("select * from student where age > 20 and gender = '女'").show()
  

（5）对表进行统计操作

• 查询学生表总记录数，执行命令：spark.sql("select count(*) count from student").show()
  

• 分组统计男女生总年龄，执行命令：spark.sql("select gender, sum(age) from student group by gender").show()
  

• 分组统计男女生平均年龄，执行命令：spark.sql("select gender, avg(age) from student group by gender").show()
  

• 分组统计男女生最大年龄，执行命令：spark.sql("select gender, max(age) from student group by gender").show()
  

• 分组统计男女生最小年龄，执行命令：spark.sql("select gender, min(age) from student group by gender").show()
  

• 分组统计男女生人数，执行命令：spark.sql("select gender, count(id) from student group by gender").show()
  

（6）对表进行排序操作

• 按年龄升序排列，执行命令：spark.sql("select * from student order by age").show()
  
• 按年龄降序排列，执行命令：spark.sql("select * from student order by age desc").show()
  
• 先按性别升序，再按年龄降序，执行命令：spark.sql("select * from student order by gender asc, age desc").show()
  

（7）重命名数据表字段

• 执行命令：spark.sql("select id stu_id, name stu_name, gender stu_gender, age stu_age from student").show()
  

• 执行命令：spark.sql("select id 学号, name 姓名, gender 性别, age 年龄 from student").show()，无法解析中文别名
  

五、课后作业

• 成绩表，包含四个字段（姓名、语文、数学、英语），只有三条记录

姓名	语文	数学	英语
张钦林	78	90	76
陈燕文	95	88	98
卢志刚	78	80	60

• HDFS上/input/scores.txt文件
  
• 基于scores.txt文件，创建scoreDF数据帧
• 基于scoreDF数据帧进行下列操作
  （1）显示数据帧内容
  （2）显示数据帧模式信息
  （3）对数据帧进行投影操作
  （4）对数据帧进行过滤操作
  （5）对数据帧进行统计操作
  （6）对数据帧进行排序操作
  （7）重命名数据帧字段
• 基于scoreDF数据帧创建临时表score
• 基于score数据表进行下列操作
  （1）查询全部表记录
  （2）显示数据表结构
  （3）对表进行投影操作
  （4）对表进行选择操作
  （5）对表进行统计操作
  （6）对表进行排序操作
  （7）重命名数据表字段