Spark SQL编程指南
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