一:首先将我们从文本中读取的数据映射到表也就是视图
eg:
$>cat b.txt
1 ded
2 dsfre
3 sfs
4 fr
$>val sc = spark.sparkContext #创建SparkContext
$>val rdd = sc.textFile("file:///home/Alex_lei/b.txt").map(x=>x.split(" ")).map(x=>(x(0),x(1)))
#读取文件到rdd中(tuple形式,因为createDataFrame方法所需要的rdd为tuple形式)
$>val df = spark.createDataFrame(rdd) #创建dataframe
$>df.createTempView("person") #将dataframe映射到表
二:分析
$>val query = spark.sql("select * from person where _1>1")
(1)explain() 查看物理计划
$>query.explain()
== Physical Plan ==
*Filter (isnotnull(_1#3) && (cast(_1#3 as double) > 1.0))
+- *SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._1, true) AS _1#3, staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._2, true) AS _2#4]
+- Scan ExternalRDDScan[obj#2]
说明:类似一棵树,从下往上看,首先扫描外部RDD,然后是序列化字段,在就是过滤,判断是否为null和第一个字段大于1的。
(2)explain(true)查看整个SQL的执行计划,主要分为4个阶段
--1:解析过程
== Parsed Logical Plan ==
‘Project [*]
+- ‘Filter (‘_1 > 1)
+- ‘UnresolvedRelation `person`
说明:Project[*]是我们所要的结果集,解析过程不能判断表person是否存在,有什么关系,然后就是列出过滤条件和所要的结果集。
--2:逻辑阶段
== Analyzed Logical Plan ==
_1: string, _2: string
Project [_1#3, _2#4]
+- Filter (cast(_1#3 as double) > cast(1 as double))
+- SubqueryAlias person
+- SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._1, true) AS _1#3, staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._2, true) AS _2#4]
+- ExternalRDD [obj#2]
说明:首先还是加载外部RDD,然后序列化字段,列出映射表的名字,确认表存在,然后按照条件过滤,获取结果集。
--3:优化阶段
== Optimized Logical Plan ==
Filter (isnotnull(_1#3) && (cast(_1#3 as double) > 1.0))
+- SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._1, true) AS _1#3, staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._2, true) AS _2#4]
+- ExternalRDD [obj#2]
说明:和之前的一样,优化的部分就是过滤条件,先判断是否为null,这个和RDD的不同之处是rdd是将数据全部加在进来,而sparksql如果遇到有null值的直接停止,这个是个简单的优化方案,具体其他的优化措施还是根据所写的sql语句。
--4:物理执行计划
== Physical Plan ==
*Filter (isnotnull(_1#3) && (cast(_1#3 as double) > 1.0))
+- *SerializeFromObject [staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._1, true) AS _1#3, staticinvoke(class org.apache.spark.unsafe.types.UTF8String, StringType, fromString, assertnotnull(input[0, scala.Tuple2, true])._2, true) AS _2#4]
+- Scan ExternalRDDScan[obj#2]
说明:同上所说的物理执行计划。
原文地址:https://www.cnblogs.com/lyr999736/p/10204619.html