Spark SQL配置
一尺月光寒 人气:0XY个人记
SparkSQL是spark的一个模块,主入口是SparkSession,将SQL查询与Spark程序无缝混合。DataFrames和SQL提供了访问各种数据源(通过JDBC或ODBC连接)的常用方法包括Hive,Avro,Parquet,ORC,JSON和JDBC。您甚至可以跨这些来源加入数据。以相同方式连接到任何数据源。Spark SQL还支持HiveQL语法以及Hive SerDes和UDF,允许您访问现有的Hive仓库。
Spark SQL包括基于成本的优化器,列式存储和代码生成,以快速进行查询。同时,它使用Spark引擎扩展到数千个节点和多小时查询,该引擎提供完整的中间查询容错。不要担心使用不同的引擎来获取历史数据。
SparkSQL版本:
Spark2.0之前
入口:SQLContext和HiveContext
SQLContext:主要DataFrame的构建以及DataFrame的执行,SQLContext指的是spark中SQL模块的程序入口
HiveContext:是SQLContext的子类,专门用于与Hive的集成,比如读取Hive的元数据,数据存储到Hive表、Hive的窗口分析函数等
Spark2.0之后
入口:SparkSession(spark应用程序的一个整体入口),合并了SQLContext和HiveContext
SparkSQL核心抽象:DataFrame/Dataset type DataFrame = Dataset[Row] //type 给某个数据类型起个别名
SparkSQL DSL语法
SparkSQL除了支持直接的HQL语句的查询外,还支持通过DSL语句/API进行数 据的操作,主要DataFrame API列表如下:
select:类似于HQL语句中的select,获取需要的字段信息
where/filter:类似HQL语句中的where语句,根据给定条件过滤数据
sort/orderBy: 全局数据排序功能,类似Hive中的order by语句,按照给定字段进行全部 数据的排序
sortWithinPartitions:类似Hive的sort by语句,按照分区进行数据排序
groupBy:数据聚合操作
limit:获取前N条数据记录
SparkSQL和Hive的集成
集成步骤:
-1. namenode和datanode启动
-2. 将hive配置文件软连接或者复制到spark的conf目录下面
$ ln -s /opt/modules/apache/hive-1.2.1/conf/hive-site.xml or $ cp /opt/modules/apache/hive-1.2.1/conf/hive-site.xml ./
-3. 根据hive-site.xml中不同配置项,采用不同策略操作
根据hive.metastore.uris参数
-a. 当hive.metastore.uris参数为空的时候(默认值)
将Hive元数据库的驱动jar文件添加spark的classpath环境变量中即可完成SparkSQL到hive的集成
-b. 当hive.metastore.uris非空时候
-1. 启动hive的metastore服务
./bin/hive --service metastore &
-2. 完成SparkSQL与Hive集成工作
-4.启动spark-SQL($ bin/spark-sql)时候 发现报错:
java.lang.ClassNotFoundException: org.apache.spark.sql.hive.thriftserver.SparkSQLCLIDriver
at java.net.URLClassLoader$1.run(URLClassLoader.java:366)
at java.net.URLClassLoader$1.run(URLClassLoader.java:355)
at java.security.AccessController.doPrivileged(Native Method)
at java.net.URLClassLoader.findClass(URLClassLoader.java:354)
at java.lang.ClassLoader.loadClass(ClassLoader.java:425)
at java.lang.ClassLoader.loadClass(ClassLoader.java:358)
at java.lang.Class.forName0(Native Method)
at java.lang.Class.forName(Class.java:270)
at org.apache.spark.util.Utils$.classForName(Utils.scala:228)
at org.apache.spark.deploy.SparkSubmit$.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:693)
at org.apache.spark.deploy.SparkSubmit$.doRunMain$1(SparkSubmit.scala:185)
at org.apache.spark.deploy.SparkSubmit$.submit(SparkSubmit.scala:210)
at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:124)
at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)
Failed to load main class org.apache.spark.sql.hive.thriftserver.SparkSQLCLIDriver.
You need to build Spark with -Phive and -Phive-thriftserver.
解决办法:将spark源码中sql/hive-thriftserver/target/spark-hive-thriftserver_2.11-2.0.2.jar拷贝到spark的jars目录下
完成。(查看数据库 spark-sql (default)> show databases; ,它操作的都是Hive)
编写两个简单的SQL
spark-sql (default)> select * from emp;
也可以做两张变的jion
spark-sql (default)> select a.*,b.* from emp a left join dept b on a.deptno = b.deptno;
可以对表进行一个缓存操作3
> cache table emp; #缓存操作 > uncache table dept; #清除缓存操作 > explain select * from emp; #执行计划
我们可以看到相应的Storage信息,执行完清除缓存操作后下面的Stages操作消失
启动一个Spark Shell,可以直接在shell里面编写SQL语句
$ bin/spark-shell #可以在shell里面写sql scala> spark.sql("show databases").show scala> spark.sql("use common").show scala> spark.sql("select * from emp a join dept b on a.deptno = b.deptno").show
用一个变量名称接收DataFrame
比如使用registerTempTable注册一个临时表。注:临时表是所有数据库公有的不需要指定数据库
scala> df.registerTempTable("table_regis01")
Spark应用依赖第三方jar包文件解决方案
在我们的4040页面Environment节点下的Classpath Entries节点里可以看到我们服务所依赖的jar包。http://hadoop01.com:4040/environment/
1.直接添加驱动jar到${SPARK_HOME}/jars
2. 使用参数--jars 添加本地jar包
./bin/spark-shell --jars jars/mysql-connector-java-5.1.27-bin.jar,/opt/modules/hive-1.2.1/lib/servlet-api-2.5.jar
添加多个本地jar的话,用逗号隔开
./bin/spark-shell --jars jars/mysql-connector-java-5.1.27-bin.jar,/opt/modules/hive-1.2.1/lib/*
注意:不能使用*去添加jar包,如果想要添加多个依赖jar,只能一个一个去添加
3. 使用参数--packages添加maven中的第三方jar文件
. bin/spark-shell --packages mysql:mysql-connector-java:5.1.28
可以使用逗号隔开给定多个,格式(groupId:artifactId:version)
(底层执行原理先从maven中央库下载本地没有的第三方jar文件到本地,jar文件会先下载到本地的/home/ijeffrey/.ivy2/jars目录下,最后通过spark.jars来控制添加classpath中)
--exclude-packages 去掉不需要的包
--repositories maven源,指定URL连接
4. 使用SPARK_CLASSPATH环境变量给定jar文件路径
编辑spark-env.sh文件
SPARK_CLASSPATH=/opt/modules/apache/spark-2.0.2/external_jars/* 外部jar的路径
5. 将第三方jar文件打包到最终的jar文件中
在IDEA中添加依赖jar到最终的需要运行的spark应用的jar中
SparkSQL的ThriftServer服务
ThriftServer底层就是Hive的HiveServer2服务,下面是客户端连接Hive Server2 方法的相关连接
https://cwiki.apache.org/confluence/display/Hive/HiveServer2+Clients#HiveServer2Clients-JDBC
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+WindowingAndAnalytics #hiveserver2的配置
https://cwiki.apache.org/confluence/display/Hive/Setting+Up+HiveServer2
配置:
-1. ThriftServer服务运行的Spark环境必须完成SparkSQL和Hive的集成
-2. hive-site.xml中配置hiveserver2服务的相关参数
<!-- 监听的端口号 --> <property> <name>hive.server2.thrift.bind.port</name> <value>10000</value> </property> <!-- 监听的主机名 --> <property> <name>hive.server2.thrift.bind.host</name> <value>hadoop01.com</value> </property>
-3. 启动hive的元数据服务
$ ./bin/hive --service metastore &
-4. 启动spark的thriftserver服务,也是一个SparkSubmit服务
$ sbin/start-thriftserver.sh
也可以看到相应的WEBUI界面,比之前的多了一个JDBC/ODBC Server
注意:如果需要启动Spark ThriftServer 服务,需要关闭hiveserver2 服务
SparkSQL的ThriftServer服务测试
-1. 查看进程是否存在
jps -ml | grep HiveThriftServer2
-2. 查看WEB界面是否正常
有JDBC/ODBC Server这个选项就是正常的
-3. 通过spark自带的beeline命令
./bin/beeline
-4. 通过jdbc来访问spark的ThriftServer接口
Spark中beeline的使用
$ bin/beeline #启动beeline #可以使用!help查看相应的命令 beeline> !help #如connect beeline> !connect Usage: connect <url> <username> <password> [driver] #这样可以多个用户连接 beeline> !connect jdbc:hive2://hadoop01.com:10000 #退出 beeline> !quit
连接成功,在4040 页面也可以看到我们连接的hive
注:如果报错
No known driver to handle "jdbc:hive2://hadoop01.com:10000"
说明缺少了hive的驱动jar,在我们编译好的源码中hive-jdbc-1.2.1.spark2.jar 找到并copy到spark的jars中
通过jdbc来访问spark的ThriftServer接口
向我们java连接mysql一样,我们使用scala来连接ThriftServer
package com.jeffrey import java.sql.DriverManager object SparkJDBCThriftServerDemo { def main(args: Array[String]): Unit = { //1 添加驱动 val driver = "org.apache.hive.jdbc.HiveDriver" Class.forName(driver) //2 构建连接对象 val url = "jdbc:hive2://hadoop01.com:10000" val conn = DriverManager.getConnection(url,"ijeffrey","123456") //3 sql 语句执行 conn.prepareStatement("use common").execute() var pstmt = conn.prepareStatement("select empno,ename,sal from emp") var rs = pstmt.executeQuery() while (rs.next()){ println(s"empno = ${rs.getInt("empno")} " + s"ename=${rs.getString("ename")} " + s" sal=${rs.getDouble("sal")}") } println("---------------------------------------------------------------------------") pstmt = conn.prepareStatement("select empno,ename,sal from emp where sal > ? and ename = ?") pstmt.setDouble(1,3000) pstmt.setString(2,"KING") rs = pstmt.executeQuery() while (rs.next()){ println(s"empno = ${rs.getInt("empno")} " + s"ename=${rs.getString("ename")} " + s" sal=${rs.getDouble("sal")}") } rs.close() pstmt.close() conn.close() } }
执行结果:
SparkSQL案例
案例一:SparkSQL读取HDFS上Json格式的文件
1. 将案例数据上传到HDFS上
样例数据在${SPARK_HOME}/examples/src/main/resources/*
2. 编写SparkSQL程序
启动一个spark-shell进行编写
scala> val path = "/spark/data/people.json" scala> val df = spark.read.json(path) scala> df.registerTempTable("tmp04") //通过DataFrame注册一个临时表 scala> spark.sql("show tables").show //通过SQL语句进行操作 scala> spark.sql("select * from tmp04").show #saveAsTable 使用之前 先要use table scala> spark.sql("select * from tmp04").write.saveAsTable("test01") #overwrite 覆盖 append 拼接 ignore 忽略 scala> spark.sql("select * from tmp01").write.mode("overwrite").saveAsTable("test01") scala> spark.sql("select * from tmp01").write.mode("append").saveAsTable("test01") scala> spark.sql("select * from tmp01").write.mode("ignore").saveAsTable("test01")
saveAsTable("test01")默认保存到一张不存在的表中(test01不是临时表),如果表存在的话就会报错
SaveMode四种情况:
Append:拼接
Overwrite: 重写
ErrorIfExists:如果表已经存在,则报错,默认就是这一种,存在即报错
Ignore:如果表已经存在了,则忽略这一步操作
除了spark.read.json的方式去读取数据外,还可以使用spark.sql的方式直接读取数据
scala> spark.sql("select * from json.`/spark/data/people.json` where age is not null").show +---+------+ |age| name| +---+------+ | 30| Andy| | 19|Justin| +---+------+ # hdfs上的路径使用`(反票号)引起来
案例二:DataFrame和Dataset和RDD之间的互相转换
在IDEA中集成Hive的话,需要将hive-site.xml文件放到resources目录下面
package com.jeffrey.sql import java.util.Properties import org.apache.spark.sql.{DataFrame, SaveMode, SparkSession} object HiveJoinMySQLDemo { def main(args: Array[String]): Unit = { System.setProperty("hadoop.home.dir","D:\\hadoop-2.7.3") // 1.构建SparkSession val warehouseLocation = "/user/hive/warehouse" val spark = SparkSession .builder() .master("local") //如果放到集群运行需要注释掉 .appName("RDD 2 DataFrame") .config("spark.sql.warehouse.dir",warehouseLocation) .enableHiveSupport() .getOrCreate() import spark.implicits._ import spark.sql val url = "jdbc:mysql://hadoop01.com:3306/test" val table = "tb_dept" val props = new Properties() props.put("user","root") props.put("password","123456") // 1.Hive表数据导入到MySQL中 在shell中可以使用paste写多行 spark.read.table("common.dept") .write .mode(SaveMode.Overwrite) .jdbc(url,table,props) // 2.Hive和MySQL的join操作 //2.1 读取MySQL的数据 val df: DataFrame = spark .read .jdbc(url,table,props) df.createOrReplaceTempView("tmp_tb_dept") //2.1 数据聚合 spark.sql( """ |select a.*,b.dname,b.loc |from common.emp a |join tmp_tb_dept b on a.deptno = b.deptno """.stripMargin).createOrReplaceTempView("tmp_emp_join_dept_result") spark.sql("select * from tmp_emp_join_dept_result").show() // 对表进行缓存的方法 spark.read.table("tmp_emp_join_dept_result").cache() spark.catalog.cacheTable("tmp_emp_join_dept_result") //输出到HDFS上 // 方法一 /*spark .read .table("tmp_emp_join_dept_result") .write.parquet("/spark/sql/hive_join_mysql")*/ // 方法二 spark .read .table("tmp_emp_join_dept_result") .write .format("parquet") .save(s"hdfs://hadoop01.com:8020/spark/sql/hive_join_mysql/${System.currentTimeMillis()}") //输出到Hive中,并且是parquet格式 按照deptno分区 spark .read .table("tmp_emp_join_dept_result") .write .format("parquet") .partitionBy("deptno") .mode(SaveMode.Overwrite) .saveAsTable("hive_emp_dept") println("------------------------------------------------------------") spark.sql("show tables").show() //清空缓存 spark.catalog.uncacheTable("tmp_emp_join_dept_result") } }
可以打成jar文件放在集群上执行
bin/spark-submit \ --class com.jeffrey.sql.HiveJoinMySQLDemo \ --master yarn \ --deploy-mode client \ /opt/datas/jar/hivejoinmysql.jar bin/spark-submit \ --class com.jeffrey.sql.HiveJoinMySQLDemo \ --master yarn \ --deploy-mode cluster \ /opt/datas/logAnalyze.jar
以上即使Spark SQL的基本使用。
SparkSQL的函数
HIve支持的函数,SparkSQL基本都是支持的,SparkSQL支持两种自定义函数,分别是:UDF和UDAF,两种函数都是通过SparkSession的udf属性进行函数的注册使用的;SparkSQL不支持UDTF函数的 自定义使用。
☆ UDF:一条数据输入,一条数据输出,一对一的函数,即普通函数
☆ UDAF:多条数据输入,一条数据输出,多对一的函数,即聚合函数
下一篇会写一下SparkSQL自定义函数的案例以及其关于SparkSQL其他的案例 ^_^
加载全部内容