sparkSQL1.1对数据的查询分成了2个分支:sqlContext 和 hiveContext。
在sqlContext中,sparkSQL可以使用SQL-92语法对定义的表进行查询,表的源数据可以来自:
- RDD
- parquet文件
- json文件
在hiveContext中,sparkSQL可以使用HQL语法,对hive数据进行查询,sparkSQL1.1支持hive0.12的HQL语法;如果遇上不支持的语法,用户可以通过更改配置切换到sql语法。笔者猜测,从spark1.1开始,将打开sqlContext和hiveContext之间的壁垒,混用sqlContext和hiveContext中定义的表。本文因时间关系,尚未对该特性做测试,等spark1.1正式版发布,再专门讨论一下这个问题。另外,在hiveContext中,hql()将被弃用,sql()将代替hql()来提交查询语句。
为了方便演示,我们在spark-shell里面进行下列演示,并加以说明。首先,启动spark集群,然后在客户端wy上启动spark-shell:
bin/spark-shell --master spark://hadoop1:7077 --executor-memory 3g
1:sqlContext基础应用
sqlContext先将外部读入的数据转换成SchemaRDD,然后注册成表,才能进行表的操作。要使用sqlContext,首先要引入sqlContext库及其隐式函数:
val sqlContext = new org.apache.spark.sql.SQLContext(sc) import sqlContext._
1.1:RDD
要将RDD转换成sqlContext中的table,首先要定义case class,在RDD的transform过程中使用case class可以隐式转化成SchemaRDD,然后再使用registerAsTable注册成表。注册成表后就可以在sqlContext对表进行操作,如select 、insert、join等。注意,case class可以是嵌套的,也可以使用类似Sequences 或 Arrays之类复杂的数据类型。
下面的例子是定义一个符合数据文件/sparksql/people.txt类型的case clase(Person),然后将数据文件读入后隐式转换成SchemaRDD:people,并将people在sqlContext中注册成表rddTable,最后对表进行查询,找出年纪在13-19岁之间的人名。
/sparksql/people.txt的内容有3行:
运行下列代码:
//RDD演示 case class Person(name:String,age:Int) val rddpeople=sc.textFile("/sparksql/people.txt").map(_.split(",")).map(p=>Person(p(0),p(1).trim.toInt)) rddpeople.registerAsTable("rddTable") sqlContext.sql("SELECT name FROM rddTable WHERE age >= 13 AND age <= 19").map(t => "Name: " + t(0)).collect().foreach(println)
运行结果:
1.2:parquet文件
同样得,sqlContext可以读取parquet文件,由于parquet文件中保留了schema的信息,所以不需要使用case class来隐式转换。sqlContext读入parquet文件后直接转换成SchemaRDD,也可以将SchemaRDD保存成parquet文件格式。
我们先将上面建立的SchemaRDD:people保存成parquet文件:
rddpeople.saveAsParquetFile("/sparksql/people.parquet")
运行后/sparksql/目录下就多出了一个名称为people.parquet的目录:
然后,将people.parquet读入,注册成表parquetTable,查询年纪大于25岁的人名:
//parquet演示 val parquetpeople = sqlContext.parquetFile("/sparksql/people.parquet") parquetpeople.registerAsTable("parquetTable") sqlContext.sql("SELECT name FROM parquetTable WHERE age >= 25").map(t => "Name: " + t(0)).collect().foreach(println)
运行结果:
1.3:json文件
sparkSQL1.1开始提供对json文件格式的支持,这意味着开发者可以使用更多的数据源,如鼎鼎大名的NOSQL数据库MongDB等。sqlContext可以从jsonFile或jsonRDD获取schema信息,来构建SchemaRDD,注册成表后就可以使用。
- jsonFile - 加载JSON文件目录中的数据,文件的每一行是一个JSON对象。
- jsonRdd - 从现有的RDD加载数据,其中RDD的每个元素包含一个JSON对象的字符串。
下面的例子读入一个json文件/sparksql/people.json,注册成jsonTable,并查询年纪大于25岁的人名。
/sparksql/people.json的内容:
运行下面代码:
//json演示 val jsonpeople = sqlContext.jsonFile("/sparksql/people.json") jsonpeople.registerAsTable("jsonTable") sqlContext.sql("SELECT name FROM jsonTable WHERE age >= 25").map(t => "Name: " + t(0)).collect().foreach(println)
运行结果:
</pre><img src="http://img.blog.csdn.net/20140910090615849?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvYm9va19tbWlja3k=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast" alt="" /></div><div style="line-height: 28px; font-family: 'Hiragino Sans GB W3', 'Hiragino Sans GB', Arial, Helvetica, simsun, 宋体; font-size: 16px;">2:hiveContext基础应用</div><div style="line-height: 28px; font-family: 'Hiragino Sans GB W3', 'Hiragino Sans GB', Arial, Helvetica, simsun, 宋体; font-size: 16px;"> 使用hiveContext之前首先要确认以下两点:</div><div style="line-height: 28px; font-family: 'Hiragino Sans GB W3', 'Hiragino Sans GB', Arial, Helvetica, simsun, 宋体; font-size: 16px;"><ul style="margin: 5px 0px 5px 40px; padding: 0px;"><li>使用的Spark是支持hive</li><li>hive的配置文件hive-site.xml已经存在conf目录中</li></ul> 前者可以查看lib目录下是否存在以datanucleus开头的3个JAR来确定,后者注意是否在hive-site.xml里配置了uris来访问hive metastore。</div><div style="line-height: 28px; font-family: 'Hiragino Sans GB W3', 'Hiragino Sans GB', Arial, Helvetica, simsun, 宋体; font-size: 16px;"><div></div><div>要使用hiveContext,需要先构建hiveContext:</div><div><pre name="code" class="html">val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc)
然后就可以对hive数据进行操作了,下面我们将使用hive中的销售数据(第五小结中的hive数据),首先切换数据库到saledata并查看有几个表:
hiveContext.sql("use saledata") hiveContext.sql("show tables").collect().foreach(println)
可以看到有在第五小节定义的3个表:
现在查询一下所有订单中每年的销售单数、销售总额:
//所有订单中每年的销售单数、销售总额 //三个表连接后以count(distinct a.ordernumber)计销售单数,sum(b.amount)计销售总额 hiveContext.sql("select c.theyear,count(distinct a.ordernumber),sum(b.amount) from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber join tbldate c on a.dateid=c.dateid group by c.theyear order by c.theyear").collect().foreach(println)
运行结果:
再做一个稍微复杂点的查询,求出所有订单每年最大金额订单的销售额:
/************************ 所有订单每年最大金额订单的销售额: 第一步,先求出每份订单的销售额以其发生时间 select a.dateid,a.ordernumber,sum(b.amount) as sumofamount from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber group by a.dateid,a.ordernumber 第二步,以第一步的查询作为子表,和表tblDate连接,求出每年最大金额订单的销售额 select c.theyear,max(d.sumofamount) from tbldate c join (select a.dateid,a.ordernumber,sum(b.amount) as sumofamount from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber group by a.dateid,a.ordernumber ) d on c.dateid=d.dateid group by c.theyear sort by c.theyear *************************/ hiveContext.sql("select c.theyear,max(d.sumofamount) from tbldate c join (select a.dateid,a.ordernumber,sum(b.amount) as sumofamount from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber group by a.dateid,a.ordernumber ) d on c.dateid=d.dateid group by c.theyear sort by c.theyear").collect().foreach(println)
运行结果:
最后做一个更复杂的查询,求出所有订单中每年最畅销货品:
/************************ 所有订单中每年最畅销货品: 第一步:求出每年每个货品的销售金额 select c.theyear,b.itemid,sum(b.amount) as sumofamount from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber join tbldate c on a.dateid=c.dateid group by c.theyear,b.itemid 第二步:求出每年单品销售的最大金额 select d.theyear,max(d.sumofamount) as maxofamount from (select c.theyear,b.itemid,sum(b.amount) as sumofamount from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber join tbldate c on a.dateid=c.dateid group by c.theyear,b.itemid) d group by d.theyear 第三步:求出每年与销售额最大相符的货品就是最畅销货品 select distinct e.theyear,e.itemid,f.maxofamount from (select c.theyear,b.itemid,sum(b.amount) as sumofamount from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber join tbldate c on a.dateid=c.dateid group by c.theyear,b.itemid) e join (select d.theyear,max(d.sumofamount) as maxofamount from (select c.theyear,b.itemid,sum(b.amount) as sumofamount from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber join tbldate c on a.dateid=c.dateid group by c.theyear,b.itemid) d group by d.theyear) f on (e.theyear=f.theyear and e.sumofamount=f.maxofamount) order by e.theyear *************************/ hiveContext.sql("select distinct e.theyear,e.itemid,f.maxofamount from (select c.theyear,b.itemid,sum(b.amount) as sumofamount from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber join tbldate c on a.dateid=c.dateid group by c.theyear,b.itemid) e join (select d.theyear,max(d.sumofamount) as maxofamount from (select c.theyear,b.itemid,sum(b.amount) as sumofamount from tblStock a join tblStockDetail b on a.ordernumber=b.ordernumber join tbldate c on a.dateid=c.dateid group by c.theyear,b.itemid) d group by d.theyear) f on (e.theyear=f.theyear and e.sumofamount=f.maxofamount) order by e.theyear").collect().foreach(println)
运行结果:
3:混合使用
在sqlContext和hiveContext中各自来源于不同数据源的表可以混用,但是sqlContext和hiveContext之间目前尚不能混合使用。
sqlContext中混合使用:
//sqlContext中混合使用 //sqlContext中来自rdd的表rddTable和来自parquet文件的表parquetTable混合使用 sqlContext.sql("select a.name,a.age,b.age from rddTable a join parquetTable b on a.name=b.name").collect().foreach(println)
运行结果:
hiveContext中混合使用:
//hiveContext中混合使用 //创建一个hiveTable,并将数据加载,注意people.txt第二列有空格,所以age取string类型 hiveContext.sql("CREATE TABLE hiveTable(name string,age string) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LINES TERMINATED BY '\n' ") hiveContext.sql("LOAD DATA LOCAL INPATH '/home/mmicky/mboo/MyClass/doc/sparkSQL/data/people.txt' INTO TABLE hiveTable") //创建一个源自parquet文件的表parquetTable2,然后和hiveTable混合使用 hiveContext.parquetFile("/sparksql/people.parquet").registerAsTable("parquetTable2") hiveContext.sql("select a.name,a.age,b.age from hiveTable a join parquetTable2 b on a.name=b.name").collect().foreach(println)
运行结果:
但是sqlContext中定义的表不能和hiveContext中定义的表混合使用。
4:缓存之使用
sparkSQL的cache可以使用两种方法来实现:
- cacheTable()方法
- CACHE TABLE命令
千万不要先使用cache SchemaRDD,然后registerAsTable ;使用RDD的cache()将使用原生态的cache,而不是针对SQL优化后的内存列存储。看看cacheTable的源代码:
在默认的情况下,内存列存储的压缩功能是关闭的,要使用压缩功能需要配置变量COMPRESS_CACHED。
在sqlContext里可以如下使用cache:
//sqlContext的cache使用 sqlContext.cacheTable("rddTable") sqlContext.sql("SELECT name FROM rddTable WHERE age >= 13 AND age <= 19").map(t => "Name: " + t(0)).collect().foreach(println) sqlContext.sql("CACHE TABLE parquetTable") sqlContext.sql("SELECT name FROM parquetTable WHERE age >= 13 AND age <= 19").map(t => "Name: " + t(0)).collect().foreach(println)
观察webUI,可以看到cache的信息。(注意cache是lazy的,要有action才会实现;uncache是eager的,可以立即实现)
使用如下命令可以取消cache:
sqlContext.uncacheTable("rddTable") sqlContext.sql("UNCACHE TABLE parquetTable")
同样的,在hiveContext也可以使用上面的方法cache或uncache。
5:DSL之使用
sparkSQL除了支持HiveQL和SQL-92语法外,还支持DSL(Domain Specific Language)。在DSL中,使用scala符号‘+标示符表示基础表中的列,spark的execution engine会将这些标示符隐式转换成表达式。另外可以在API中找到很多DSL相关的方法,如where()、select()、limit()等等,详细资料可以查看catalyst模块中的dsl子模块,下面为其中定义几种常用方法:
关于DSL的使用,随便举个例子,结合DSL方法,很容易上手:
//DSL演示 val teenagers_dsl = rddpeople.where('age >= 10).where('age <= 19).select('name) teenagers_dsl.map(t => "Name: " + t(0)).collect().foreach(println)
6:Tips
上面介绍了sparkSQL的基础应用,sparkSQL还在高速发展中,存在者不少缺陷,如:
- scala2.10.4本身对case class有22列的限制,在使用RDD数据源的时候就会造成不方便;
- sqlContext中3个表不能同时join,需要两两join后再join一次;
- sqlContext中不能直接使用values插入数据;
- 。。。
总的来说,hiveContext还是令人满意,sqlContext就有些差强人意了。另外,顺便提一句,在编写sqlContext应用程序的时候,case class要定义在object之外。
最近将在炼数成金开课Spark大数据快速计算平台(第三期),本资料为新课素材。