Spark 系列（八）SparkSQL和集成数据源-及简单优化方案----简化工作的利器！！
文章目录
SparkSQL和集成数据源-及简单优化：
SparkSQL优化器--Catalyst Optimizer
具体流程：
Spark SQL API ：
具体优化流程：
原流程：
优化流程：
DataSet与DataFrame操作
Spark SQL操作外部数据源
Parquet文件：
Hive数据源集成：
Mysql数据源集成：
Spark函数UDF使用：
Spark性能优化
一：序列化：
二：使用对象数组
三：避免嵌套结构
四：尽量使用数字作为Key，而非字符串
五：以较大的RDD使用MEMORY_ONLY_SER
六：加载CSV、JSON时，仅加载所需字段
七：仅在需要时持久化中间结果（RDD/DS/DF）
八：避免不必要的中间结果（RDD/DS/DF）的生成
九：DF的执行速度比DS快约3倍
SparkSQL和集成数据源-及简单优化：
SparkSQL优化器—Catalyst Optimizer
Catalyst是Spark SQL的核心
Catalyst Optimizer：Catalyst优化器，将逻辑计划转为物理计划
具体流程：
代码转化为逻辑计划
优化
在投影上面查询过滤器
检查过滤是否可下压
转化为物理计划
Spark SQL API ：
SparkContext
SQLContext
Spark SQL编程入口
HiveContext
SQLContext的子集，包含更多功能
SparkSession
具体优化流程：
原流程：
select name from( select id,name from people
) pwhere p.id = 1先运行子查询
开始scan people
选择字段id，name
运行where，filter掉id字段
选择字段name
优化流程：
在投影（select）上面查询过滤器
检查过滤是否可下压
先运行子查询
开始scan people
运行where，filter掉id字段
选择字段name
DataSet与DataFrame操作
DataSet = RDD + Schema
特定域对象中的强类型集合
createDataset()的参数可以是：Seq、Array、RDD
case class Point(label:String,x:Double,y:Double)case class Category(id:Long,name:String)
val pointsRDD=sc.parallelize(List(("bar",3.0,5.6),("foo",-1.0,3.0)))
val categoriesRDD=sc.parallelize(List((1,"foo"),(2,"bar")))
val points=pointsRDD.map(line=>Point(line._1,line._2,line._3)).toDS
val categories=categories.map(line=>Category(line._1,line._2)).toDS
points.join(categories,points("label")===categories("name")).showDataFrame = DataSet[Row]
struct
map
array
类似二维表格
在RDD基础上加入了Schema数据结构信息
DataFrame Schema支持嵌套数据类型
Spark SQL操作外部数据源
Parquet文件：
是一种流行的列式存储格式，以二进制存储，文件中包含数据与元数据
val schema=StructType(Array(StructField("name",StringType),
StructField("favorite_color",StringType),
StructField("favorite_numbers",ArrayType(IntegerType))))
val rdd=sc.parallelize(List(("Alyssa",null,Array(3,9,15,20)),("Ben","red",null)))
val rowRDD=rdd.map(p=>Row(p._1,p._2,p._3))
val df=spark.createDataFrame(rowRDD,schema)
df.write.parquet("/data/users") //在该目录下生成parquet文件val df=spark.read.parquet("/data/users") //该目录下存在parquet文件df.show
df.printSchema读parquet文件
写parquet文件
Hive数据源集成：
1、hive-site.xml，core-site.xml
hdfs-site.xml拷贝至resource包下2、导porn.xml依赖包
3、自行创建SparkSession，启用Hive支持
<!-- https://mvnrepository.com/artifact/org.apache.spark/spark-hive -->
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.11</artifactId>
<version>2.3.4</version>
</dependency>val spark = SparkSession.builder()
.appName("wyw")
.master("local[*]")
.enableHiveSupport()
.getOrCreate()Hive在idea配置：
Mysql数据源集成：
$spark-shell --jars /opt/spark/ext_jars/mysql-connector-java-5.1.38.jar
val url = "jdbc:mysql://localhost:3306/metastore"val tableName = "TBLS"// 设置连接用户、密码、数据库驱动类val prop = new java.util.Properties
prop.setProperty("user","hive")
prop.setProperty("password","mypassword")
prop.setProperty("driver","com.mysql.jdbc.Driver")// 取得该表数据val jdbcDF = spark.read.jdbc(url,tableName,prop)
jdbcDF.show//DF存为新的表jdbcDF.write.mode("append").jdbc(url,"t1",prop)
Spark函数UDF使用：
SparkSession.udf.register()：
只在sql()中有效
import spark.implicits._//注册自定义函数，注意是匿名函数spark.udf.register("hobby_num", (s: String) => s.split(',').size)
spark.sql("select name, hobbies, hobby_num(hobbies) as hobby_num from hobbies").showfunctions.udf()：
对DataFrame API均有效
val scoreTransaction = udf{score: String => {
score.toInt match { case x if x > 85 => "A"
case x if x > 70 => "B"
case x if x > 60 => "C"
case _ => "D"
}
}Spark性能优化
一：序列化：
java序列化，spark默认方式
kryo序列化，比java序列化快约10倍
conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");//向Kryo注册自定义类型conf.registerKryoClasses(Array(classOf[MyClass1], classOf[MyClass2]));如果没有注册需要序列化的class，Kyro依然可以照常工作，但会存储每个对象的全类名(full class name)，这样往往比默认的 Java serialization 更浪费空间