Spark SQL编程指南（Python）

jopen 8年前
前言
Spark SQL允许我们在Spark环境中使用SQL或者Hive SQL执行关系型查询。它的核心是一个特殊类型的Spark RDD：SchemaRDD。
SchemaRDD类似于传统关系型数据库的一张表，由两部分组成：
Rows：数据行对象
Schema：数据行模式：列名、列数据类型、列可否为空等
Schema可以通过四种方式被创建：
（1）Existing RDD
（2）Parquet File
（3）JSON Dataset
（4）By running Hive SQL
考虑到Parquet File尚未在平台开始使用，因此暂时仅讨论其它三项。
注意：Spark SQL is currently an alpha component.
SQLContext（HiveContext）
Spark SQL的入口点为SQLContext，SQLContext的初始化依赖于SparkContext，代码示例如下：
SQLContext目前仅仅使用一个简单的SQL解析器，功能有限，而且目前很多的数据仓库是建立在Hive之上的，因此Spark为我们提供了另一个选择：HiveContext。
HiveContext使用相对比较完善的HiveQL解析器，可以使用HiveUDF，可以访问现有Hive数据仓库中的数据，且适配SQLContext的所有数据源，推荐使用。
HiveContext初始化过程相似，如下：
数据源
Spark SQL（SchemaRDD）的数据源可以简单理解为就是普通的Spark RDD，所有可以应用于Spark RDD的操作均可以应用于SchemaRDD；此外，SchemaRDD还可以“注册”为一张临时表，然后通过SQL（Hive SQL）分析其中的数据（实际就是Spark RDD关联的数据）。
SchemaRDD
SchemaRDD的数据源实际就是Spark RDD，但是Spark RDD与SchemaRDD还是有区别的，Spark RDD相对于SchemaRDD而言缺失“Schema”，因此Spark提供两种方式完成Spark RDD到SchemaRDD的转换，实际就是为Spark RDD应用“Schema”。
（1）使用反射推断Schema
如果一个Spark RDD的数据类型为Row，则Spark可以通过反射推断出该Spark RDD的Schema，并将其转换为一个SchemaRDD。
Spark使用反射推断某个Spark RDD的Schema时，仅仅使用这个Spark RDD的第一条数据（Row），因此必须保证这条数据的完整性。
Row的构建过程需要一个键值对列表，
Row(id = 1, name = "a", age = 28)
这个键值对列表已经明确定义出数据行的列名、列值，推断仅作用于列类型。
代码示例
处理逻辑可以分为以下几步：
a. 创建一个字符串列表datas，用于模拟数据源；
b. 对datas执行“parallelize”操作，将其转换为Spark RDD source，数据类型为字符串；
c. 将Spark RDD source中的每一条数据进行切片（split）后转换为Spark RDD rows，数据类型为Row；
至此Spark RDD rows已经具备转换为SchemaRDD的条件：它的数据类型为Row。
d. 使用HiveContext推断rows的Schema，将其转换为SchemaRDD people；
通过people.printSchema()，我们可以查看推断Schema的结果：
e. 将SchemaRDD people注册为一张临时表“people”；
f. 执行SQL查询语句：select * from people where age > 28 and age < 30，并将查询结果保存至Spark RDD results，通过results.printSchema()的输出结果：
可以看出Spark RDD results实际也是SchemaRDD，因此我们可以继续将其注册为一张临时表;
g. 将SchemaRDD results注册为一张临时表“people”，并执行SQL查询语句：select name from people2，并将查询结果保存至 Spark RDD results2，通过f我们可以知道results2实际也是SchemaRDD，results2.printSchema()的输出结果：
SchemaRDD results2的数据类型为Row，受到查询语句（select name）的影响，其仅包含一列数据，列名为name。
h. SchemaRDD也可以执行所有Spark RDD的操作，这里我们通过map将results2中的name值转换为大写形式，最终的输出结果：
上述示例说明以下三点：
a. 我们可以将一个数据类型为Row的Spark RDD转换为一个SchemaRDD；
b. SchemaRDD可以注册为一张临时表执行SQL查询语句，其查询结果也是一个SchemaRDD；
c. SchemaRDD可以执行所有Spark RDD的操作。
（2）通过编码指定Schema
使用反射推断Schema的方式要求我们必须能够构建一个数据类型为Row的Spark RDD，然后再将其转换为SchemaRDD；某些情况下我们可能需要更为灵活的方式控制SchemaRDD构建过程，这正是通过编码指定Schema的意义所在。
通过编码指定Schema分为三步：
a. 构建一个数据类型为tuple或list的Spark RDD；
b. 构建Schema，需要匹配a中的tuple或list；
c.将b中的Schema应用于a中的Spark RDD。
代码示例
代码处理逻辑正好对应着上述三步，最终的输出结果：
其中需要注意id、age的数据类型被声明为IntegerType，因此数据源（字符串）中的数据需要做强制类型转换处理。
JSON Datasets
Spark能够自动推断出Json数据集的“数据模式”（Schema），并将它加载为一个SchemaRDD实例。这种“自动”的行为是通过下述两种方法实现的：
jsonFile：从一个文件目录中加载数据，这个目录中的文件的每一行均为一个JSON字符串（如果JSON字符串“跨行”，则可能导致解析错误）；
jsonRDD：从一个已经存在的RDD中加载数据，这个RDD中的每一个元素均为一个JSON字符串；
代码示例
可以得出以下两点：
a. 如果数据输入是JSON字符串的文本文件，我们可以直接使用jsonFile构建Spark RDD，实际就是SchemaRDD；
b. 如果某个Spark RDD的数据类型是字符串，且字符串均是JSON格式的字符串形式，则可以使用jsonRDD将其转换为一个SchemaRDD。
Hive Tables
Hive Tables已经是“表”，因此我们无需创建或转换，直接使用SQL查询即可。
官方代码示例
Hive UDF（Register Function）
Spark SQL使用HiveContext时可以支持Hive UDF，这里的UFD包含Hive本身内建的UDF，也包括我们自己扩展的UDF（实测Spark-1.2.0-cdh5.3.2版本下无法正常使用自己扩展的UDF（Permanent Function），已通过扩展源码修复）。
这里重点介绍Spark SQL的Register Function，也就是说可以动态创建函数用于SQL查询，其实际作用类似于Hive UDF。
代码示例
代码的处理逻辑与前大体类似，即首先通过编码创建SchemaRDD people，然后将其注册为一张表（注意这里使用了另一种方式：HiveContext registerRDDAsTable），最后执行查询语句并打印结果。
特别的是查询语句中使用到了一个名为“myfunc”的自定义SQL函数，而这个函数并不是预先存在的（如Hive UDF），它是在我们应用的运行期间被动态创建并注册的，注册过程使用到了HiveContext registerFunction。
对于Python而言，自定义函数的创建过程实际可分为两步：
（1）定义Python Function；
（2）将（1）中定义好的Python Function注册为SQL函数，注册时的命名可与Function的名称不同。
也可以使用Lambda表达式将定义Function与注册过程同时完成，如上述示例。
我们自定义的SQL函数可以与Hive UDF共同使用，如下示例：
其中func.iptolocationbysina是Hive UDF（Permanent Function），mychange是自定义SQL函数。
从上面的两个示例可以看出，自定义SQL函数远比Hive UDF灵活。Hive UDF的创建过程比较复杂，需要使用Java语言完成编码并部署为jar，且在使用函数之前需要以temporaty function或permanent function的形式存在，每一次Hive UDF的更新都需要重新编码并更新jar；而自定义SQL函数是运行期间动态创建的，而使用Python编码时Function的创建及更新非常简便，推荐使用。
总结
Spark SQL为我们提供了强大的数据分析能力，主要体现在以下三个方面：
（1）Spark RDD可以通过反射推断Schema或编码指定Schema的方式转换为SchemaRDD，将SchemaRDD创建为“数据表”之后，允许我们以SQL语句的形式分析数据，节约大量编码工作量；
（2）Spark SQL允许我们在应用运行期间根据需求动态创建自定义SQL函数，扩充SQL的数据处理能力；
（3）SchemaRDD可以执行所有Spark RDD的操作，如果SQL无法表述我们的计算逻辑时，我们可以通过Spark RDD丰富的API完成。

来自：http://diptech.sinaapp.com/