轉自：https://mp.weixin.qq.com/s/SGhYBxGd5qCVfeM70DRFTw

發家史

熟悉spark sql的都知道，spark sql是從shark發展而來。Shark為了實現Hive相容，在HQL方面重用了Hive中HQL的解析、邏輯執行計劃翻譯、執行計劃優化等邏輯，可以近似認為僅將物理執行計劃從MR作業替換成了Spark作業（輔以記憶體列式儲存等各種和Hive關係不大的優化）；

同時還依賴Hive Metastore和Hive SerDe（用於相容現有的各種Hive儲存格式）。
Spark SQL在Hive相容層面僅依賴HQL parser、Hive Metastore和Hive SerDe。也就是說，從HQL被解析成抽象語法樹（AST）起，就全部由Spark SQL接管了。執行計劃生成和優化都由Catalyst負責。藉助Scala的模式匹配等函式式語言特性，利用Catalyst開發執行計劃優化策略比Hive要簡潔得多。

Spark SQL

spark sql提供了多種介面：

1. 純Sql 文字

2. dataset/dataframe api

當然，相應的，也會有各種客戶端：

sql文字，可以用thriftserver/spark-sql

編碼，Dataframe/dataset/sql

 

 Dataframe/Dataset API簡介

 

Dataframe/Dataset也是分散式資料集，但與RDD不同的是其帶有schema資訊，類似一張表。

可以用下面一張圖詳細對比Dataset/dataframe和rdd的區別：

Dataset是在spark1.6引入的，目的是提供像RDD一樣的強型別、使用強大的lambda函式，同時使用spark sql的優化執行引擎。到spark2.0以後，DataFrame變成型別為Row的Dataset，即為：

type DataFrame = Dataset[Row]

 

所以，很多移植spark1.6及之前的程式碼到spark2+的都會報錯誤，找不到dataframe類。

基本操作
 

val df = spark.read.json(“file:///opt/meitu/bigdata/src/main/data/people.json”)
df.show()
import spark.implicits._
df.printSchema()
df.select("name").show()
df.select($"name", $"age" + 1).show()
df.filter($"age" > 21).show()
df.groupBy("age").count().show()
spark.stop()
 

分割槽分桶 排序
 

分桶排序儲存hive表
df.write.bucketBy(42,“name”).sortBy(“age”).saveAsTable(“people_bucketed”)
分割槽以parquet輸出到指定目錄
df.write.partitionBy("favorite_color").format("parquet").save("namesPartByColor.parquet")
分割槽分桶儲存到hive表
df.write .partitionBy("favorite_color").bucketBy(42,"name").saveAsTable("users_partitioned_bucketed")

cube rullup pivot

cube
sales.cube("city", "year”).agg(sum("amount")as "amount”) .show()
rull up
sales.rollup("city", "year”).agg(sum("amount")as "amount”).show()
pivot 只能跟在groupby之後
sales.groupBy("year").pivot("city",Seq("Warsaw","Boston","Toronto")).agg(sum("amount")as "amount”).show()

 

SQL程式設計

Spark SQL允許使用者提交SQL文字，支援一下三種手段編寫sql文字：

1. spark 程式碼

2. spark-sql的shell

3. thriftserver

支援Spark SQL自身的語法，同時也相容HSQL。

1. 編碼

要先宣告構建SQLContext或者SparkSession，這個是SparkSQL的編碼入口。早起的版本使用的是SQLContext或者HiveContext，spark2以後，建議使用的是SparkSession。

1. SQLContext
new SQLContext(SparkContext)

2. HiveContext
new HiveContext(spark.sparkContext)

3. SparkSession
不使用hive元資料：
val spark = SparkSession.builder()
 .config(sparkConf) .getOrCreate()
使用hive元資料
val spark = SparkSession.builder()
 .config(sparkConf) .enableHiveSupport().getOrCreate()

使用

val df =spark.read.json("examples/src/main/resources/people.json") 
df.createOrReplaceTempView("people") 
spark.sql("SELECT * FROM people").show()

2. spark-sql指令碼

spark-sql 啟動的時候類似於spark-submit 可以設定部署模式資源等，可以使用

bin/spark-sql –help 檢視配置引數。 

需要將hive-site.xml放到${SPARK_HOME}/conf/目錄下，然後就可以測試

show tables;

select count(*) from student;

3. thriftserver

thriftserver jdbc/odbc的實現類似於hive1.2.1的hiveserver2，可以使用spark的beeline命令來測試jdbc server。

安裝部署
1). 開啟hive的metastore
bin/hive --service metastore 
2). 將配置檔案複製到spark/conf/目錄下
3). thriftserver
sbin/start-thriftserver.sh --masteryarn  --deploy-mode client
對於yarn只支援client模式
4). 啟動bin/beeline
5). 連線到thriftserver
!connect jdbc:hive2://localhost:10001

使用者自定義函式 

1. UDF

定義一個udf很簡單，例如我們自定義一個求字串長度的udf。

val len = udf{(str:String) => str.length}
spark.udf.register("len",len)
val ds =spark.read.json("file:///opt/meitu/bigdata/src/main/data/employees.json")
ds.createOrReplaceTempView("employees")
ds.show()
spark.sql("select len(name) from employees").show()

2. UserDefinedAggregateFunction

定義一個UDAF

import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.expressions.MutableAggregationBuffer
import org.apache.spark.sql.expressions.UserDefinedAggregateFunction
import org.apache.spark.sql.types._

object MyAverageUDAF extends UserDefinedAggregateFunction {
 //Data types of input arguments of this aggregate function
 definputSchema:StructType = StructType(StructField("inputColumn", LongType) :: Nil)
 //Data types of values in the aggregation buffer
 defbufferSchema:StructType = {
   StructType(StructField("sum", LongType):: StructField("count", LongType) :: Nil)
 }
 //The data type of the returned value
 defdataType:DataType = DoubleType
 //Whether this function always returns the same output on the identical input
 defdeterministic: Boolean = true
 //Initializes the given aggregation buffer. The buffer itself is a `Row` that inaddition to
 // standard methods like retrieving avalue at an index (e.g., get(), getBoolean()), provides
 // the opportunity to update itsvalues. Note that arrays and maps inside the buffer are still
 // immutable.
 definitialize(buffer:MutableAggregationBuffer): Unit = {
   buffer(0) = 0L
   buffer(1) = 0L
 }
 //Updates the given aggregation buffer `buffer` with new input data from `input`
 defupdate(buffer:MutableAggregationBuffer, input: Row): Unit ={
   if(!input.isNullAt(0)) {
     buffer(0) = buffer.getLong(0)+ input.getLong(0)
     buffer(1) = buffer.getLong(1)+ 1
   }
 }
 // Mergestwo aggregation buffers and stores the updated buffer values back to `buffer1`
 defmerge(buffer1:MutableAggregationBuffer, buffer2: Row): Unit ={
   buffer1(0) = buffer1.getLong(0)+ buffer2.getLong(0)
   buffer1(1) = buffer1.getLong(1)+ buffer2.getLong(1)
 }
 //Calculates the final result
 defevaluate(buffer:Row): Double =buffer.getLong(0).toDouble /buffer.getLong(1)
}

使用UDAF

val ds = spark.read.json("file:///opt/meitu/bigdata/src/main/data/employees.json")
ds.createOrReplaceTempView("employees")
ds.show()
spark.udf.register("myAverage", MyAverageUDAF)
val result = spark.sql("SELECT myAverage(salary) as average_salary FROM employees")
result.show()

3. Aggregator

定義一個Aggregator

import org.apache.spark.sql.{Encoder, Encoders, SparkSession}
import org.apache.spark.sql.expressions.Aggregator
case class Employee(name: String, salary: Long)
case class Average(var sum: Long, var count: Long)

object MyAverageAggregator extends Aggregator[Employee, Average, Double] {

 // A zero value for this aggregation. Should satisfy the property that any b + zero = b
 def zero: Average = Average(0L, 0L)
 // Combine two values to produce a new value. For performance, the function may modify `buffer`
 // and return it instead of constructing a new object
 def reduce(buffer: Average, employee: Employee): Average = {
   buffer.sum += employee.salary
   buffer.count += 1
   buffer
 }
 // Merge two intermediate values
 def merge(b1: Average, b2: Average): Average = {
   b1.sum += b2.sum
   b1.count += b2.count
   b1
 }
 // Transform the output of the reduction
 def finish(reduction: Average): Double = reduction.sum.toDouble / reduction.count
 // Specifies the Encoder for the intermediate value type
 def bufferEncoder: Encoder[Average] = Encoders.product
 // Specifies the Encoder for the final output value type
 def outputEncoder: Encoder[Double] = Encoders.scalaDouble
}

使用

spark.udf.register("myAverage2", MyAverageAggregator)
import spark.implicits._
val ds = spark.read.json("file:///opt/meitu/bigdata/src/main/data/employees.json").as[Employee]
ds.show()
val averageSalary = MyAverageAggregator.toColumn.name("average_salary")
val result = ds.select(averageSalary)
result.show() 

 

資料來源

 

1. 通用的laod/save函式
可支援多種資料格式：json, parquet, jdbc, orc, libsvm, csv, text

val peopleDF = spark.read.format("json").load("examples/src/main/resources/people.json")
peopleDF.select("name", "age").write.format("parquet").save("namesAndAges.parquet")

預設的是parquet，可以通過spark.sql.sources.default，修改預設配置。
2. Parquet 檔案

val parquetFileDF =spark.read.parquet("people.parquet") 
peopleDF.write.parquet("people.parquet")

3. ORC 檔案

val ds = spark.read.json("file:///opt/meitu/bigdata/src/main/data/employees.json")
ds.write.mode("append").orc("/opt/outputorc/")
spark.read.orc("/opt/outputorc/*").show(1)

4. JSON

ds.write.mode("overwrite").json("/opt/outputjson/")
spark.read.json("/opt/outputjson/*").show()

5. Hive 表

spark 1.6及以前的版本使用hive表需要hivecontext。

Spark2開始只需要建立sparksession增加enableHiveSupport()即可。

val spark = SparkSession
.builder()
.config(sparkConf)
.enableHiveSupport()
.getOrCreate()

spark.sql("select count(*) from student").show()

6. JDBC

寫入mysql

wcdf.repartition(1).write.mode("append").option("user", "root")
 .option("password", "[email protected]#").jdbc("jdbc:mysql://localhost:3306/test","alluxio",new Properties())

從mysql裡讀

val fromMysql = spark.read.option("user", "root")
 .option("password", "[email protected]#").jdbc("jdbc:mysql://localhost:3306/test","alluxio",new Properties())

7. 自定義資料來源

自定義source比較簡單，首先我們要看看source載入的方式

指定的目錄下，定義一個DefaultSource類，在類裡面實現自定義source。就可以實現我們的目標。

import org.apache.spark.sql.sources.v2.{DataSourceOptions, DataSourceV2, ReadSupport}

class DefaultSource  extends DataSourceV2 with ReadSupport {

 def createReader(options: DataSourceOptions) = new SimpleDataSourceReader()
}

 

import org.apache.spark.sql.Row
import org.apache.spark.sql.sources.v2.reader.{DataReaderFactory, DataSourceReader}
import org.apache.spark.sql.types.{StringType, StructField, StructType}

class SimpleDataSourceReader extends DataSourceReader {

 def readSchema() = StructType(Array(StructField("value", StringType)))

 def createDataReaderFactories = {
   val factoryList = new java.util.ArrayList[DataReaderFactory[Row]]
   factoryList.add(new SimpleDataSourceReaderFactory())
   factoryList
 }
}

import org.apache.spark.sql.Row
import org.apache.spark.sql.sources.v2.reader.{DataReader, DataReaderFactory}

class SimpleDataSourceReaderFactory extends
 DataReaderFactory[Row] with DataReader[Row] {
 def createDataReader = new SimpleDataSourceReaderFactory()
 val values = Array("1", "2", "3", "4", "5")

 var index = 0

 def next = index < values.length

 def get = {
   val row = Row(values(index))
   index = index + 1
   row
 }

 def close() = Unit
}

使用

val simpleDf = spark.read
 .format("bigdata.spark.SparkSQL.DataSources")
 .load()

simpleDf.show()

優化器及執行計劃

1. 流程簡介

整體流程如下:

總體執行流程如下：從提供的輸入API（SQL，Dataset， dataframe）開始，依次經過unresolved邏輯計劃，解析的邏輯計劃，優化的邏輯計劃，物理計劃，然後根據cost based優化，選取一條物理計劃進行執行.

簡單化成四個部分：

1). analysis

Spark 2.0 以後語法樹生成使用的是antlr4，之前是scalaparse。

2). logical optimization

常量合併，謂詞下推，列裁剪，boolean表示式簡化，和其它的規則

3). physical planning

eg:SortExec          

4). Codegen

codegen技術是用scala的字串插值特性生成原始碼，然後使用Janino，編譯成java位元組碼。Eg： SortExec

2. 自定義優化器

1). 實現

繼承Rule[LogicalPlan]

2). 註冊

spark.experimental.extraOptimizations= Seq(MultiplyOptimizationRule)

3). 使用

selectExpr("amountPaid* 1")

3. 自定義執行計劃

主要是實現過載count函式的功能

1).  物理計劃：

繼承SparkLan實現doExecute方法

2). 邏輯計劃

繼承SparkStrategy實現apply

3). 註冊到Spark執行策略：

spark.experimental.extraStrategies =Seq(countStrategy)

4). 使用

spark.sql("select count(*) fromtest")