Spark SQL编程指南

jopen 9年前

Spark SQL 编程指南

简介

Spark SQL支持在Spark中执行SQL,或者HiveQL的关系查询表达式。它的核心组件是一个新增的RDD类型JavaSchemaRDD。JavaSchemaRDD由Row对象和表述这个行的每一列的数据类型的schema组成。一个JavaSchemaRDD类似于传统关系数据库的一个表。JavaSchemaRDD可以通过一个已存在的RDD,Parquet文件,JSON数据集,或者通过运行HiveSQL获得存储在Apache Hive上的数据创建。

Spark SQL目前是一个alpha组件。尽管我们会尽量减少API变化,但是一些API任然后再以后的发布中改变。

入门

在Spark中,所有关系函数功能的入口点是JavaSQLContext类。或者他的子类。要创建一个基本的JavaSQLContext,所有你需要的只是一个JavaSparkContext。

JavaSparkContext sc = ...; // An existing JavaSparkContext.  JavaSQLContext sqlContext = new org.apache.spark.sql.api.java.JavaSQLContext(sc);

数据源

Spark SQL支持通过JavaSchemaRDD接口操作各种各样的数据源。一单一个数据集被加载,它可以被注册成一个表,甚至和来自其他源的数据连接。

RDDs

Spark SQL支持的表的其中一个类型是由JavaBeans的RDD。BeanInfo定义了这个表的schema。现在 ,Spark SQL 不支持包括嵌套或者复杂类型例如Lists或者Arrays的JavaBeans。你可以通过创建一个实现了Serializable并且它的所有字段都有getters和setters方法的类类创建一个JavaBeans。

public static class Person implements Serializable {    private String name;    private int age;      public String getName() {      return name;    }      public void setName(String name) {      this.name = name;    }      public int getAge() {      return age;    }      public void setAge(int age) {      this.age = age;    }  }

一个schema可以被应用在一个已存在的RDD上,通过调用applySchema并且提供这个JavaBean的类对象。

// sc is an existing JavaSparkContext.  JavaSQLContext sqlContext = new org.apache.spark.sql.api.java.JavaSQLContext(sc)    // Load a text file and convert each line to a JavaBean.  JavaRDD<Person> people = sc.textFile("examples/src/main/resources/people.txt").map(    new Function<String, Person>() {      public Person call(String line) throws Exception {        String[] parts = line.split(",");          Person person = new Person();        person.setName(parts[0]);        person.setAge(Integer.parseInt(parts[1].trim()));          return person;      }    });    // Apply a schema to an RDD of JavaBeans and register it as a table.  JavaSchemaRDD schemaPeople = sqlContext.applySchema(people, Person.class);  schemaPeople.registerAsTable("people");    // SQL can be run over RDDs that have been registered as tables.  JavaSchemaRDD teenagers = sqlContext.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19")    // The results of SQL queries are SchemaRDDs and support all the normal RDD operations.  // The columns of a row in the result can be accessed by ordinal.  List<String> teenagerNames = teenagers.map(new Function<Row, String>() {    public String call(Row row) {      return "Name: " + row.getString(0);    }  }).collect();

注意,Spark SQL目前使用一个非常简单的SQL解析器。用户如果想获得一个更加完整的SQL方言,应该看看HiveContext提供的HiveQL支持。

Parquet Files

Parquet是一个columnar格式,并且被许多其他数据处理系统支持。Spark SQL对读写Parquet文件提供支持,并且自动保存原始数据的Schema。通过下面的例子使用数据:

// sqlContext from the previous example is used in this example.    JavaSchemaRDD schemaPeople = ... // The JavaSchemaRDD from the previous example.    // JavaSchemaRDDs can be saved as Parquet files, maintaining the schema information.  schemaPeople.saveAsParquetFile("people.parquet");    // Read in the Parquet file created above.  Parquet files are self-describing so the schema is preserved.  // The result of loading a parquet file is also a JavaSchemaRDD.  JavaSchemaRDD parquetFile = sqlContext.parquetFile("people.parquet");    //Parquet files can also be registered as tables and then used in SQL statements.  parquetFile.registerAsTable("parquetFile");  JavaSchemaRDD teenagers = sqlContext.sql("SELECT name FROM parquetFile WHERE age >= 13 AND age <= 19");  List<String> teenagerNames = teenagers.map(new Function<Row, String>() {    public String call(Row row) {      return "Name: " + row.getString(0);    }  }).collect();

JSON Datasets

Spark SQL可以自动推断一个JSON数据集的schema,并加载成一个JavaSchemaRDD。这个转换可以通过JavaSQLContext中的两个方法中的一个完成:

  • jsonFile -从一个目录下的文件中加载数据,这个文件中的每一行都是一个JSON对象。

  • jsonRdd -从一个已存在的RDD加载数据,这个RDD中的每一个元素是一个包含一个JSON对象的String。

    // sc is an existing JavaSparkContext.  JavaSQLContext sqlContext = new org.apache.spark.sql.api.java.JavaSQLContext(sc);    // A JSON dataset is pointed to by path.  // The path can be either a single text file or a directory storing text files.  String path = "examples/src/main/resources/people.json";  // Create a JavaSchemaRDD from the file(s) pointed to by path  JavaSchemaRDD people = sqlContext.jsonFile(path);    // The inferred schema can be visualized using the printSchema() method.  people.printSchema();  // root  //  |-- age: IntegerType  //  |-- name: StringType    // Register this JavaSchemaRDD as a table.  people.registerAsTable("people");    // SQL statements can be run by using the sql methods provided by sqlContext.  JavaSchemaRDD teenagers = sqlContext.sql("SELECT name FROM people WHERE age >= 13 AND age <= 19");    // Alternatively, a JavaSchemaRDD can be created for a JSON dataset represented by  // an RDD[String] storing one JSON object per string.  List<String> jsonData = Arrays.asList(    "{\"name\":\"Yin\",\"address\":{\"city\":\"Columbus\",\"state\":\"Ohio\"}}");  JavaRDD<String> anotherPeopleRDD = sc.parallelize(jsonData);  JavaSchemaRDD anotherPeople = sqlContext.jsonRDD(anotherPeopleRDD);

Hive Tables

Spark SQL也支持读和写存储在apache Hive中的数据。然而,由于Hive有一个非常大的依赖,他没有在Spark默认宝中包括。为了使用Hive,你必须运行‘SPARK_HIVE=true sbt/sbt assembly/assembly'(或者对Maven使用 -Phive)。这个命令构建一个包含Hive的assembly。注意,这个Hive assembly 必须放在所有的工作节点上,因为它们需要访问Hive的序列化和方序列化包(SerDes),以此访问存储在Hive中的数据。

可以通过conf目录下的hive-site.xml文件完成Hive配置 。

要和Hive配合工作,你需要构造一个JavaHiveContext,它继承了JavaSQLContext,并且添加了发现MetaStore中的表和使用HiveQL编写查询的功能。此外,除了sql方法,JavaHiveContext方法还提供了一个hql方法,它允许查询使用HiveQL表达。

Writing Language-Integrated Relational Queries

Language-Integrated查询目前只在Scala中被支持。

Spark SQL同样支持使用领域特定的语言来编写查询。再次,使用上面例子中的数据:

// sc is an existing SparkContext.  val sqlContext = new org.apache.spark.sql.SQLContext(sc)  // Importing the SQL context gives access to all the public SQL functions and implicit conversions.  import sqlContext._  val people: RDD[Person] = ... // An RDD of case class objects, from the first example.    // The following is the same as 'SELECT name FROM people WHERE age >= 10 AND age <= 19'  val teenagers = people.where('age >= 10).where('age <= 19).select('name)  teenagers.map(t => "Name: " + t(0)).collect().foreach(println)

DSL使用Scala中得到标记来表示基础表中的表,他们使用一个前缀’标识。隐式转换这些标记为被SQL 执行引擎评估的表达式。支持这些功能的完成列表可以再ScalaDoc找到。

来自:http://my.oschina.net/kingwjb/blog/307380