Spark大数据分析与实战笔记（第四章 Spark SQL结构化数据文件处理-01）
文章目录
- 每日一句正能量
- 第4章 Spark SQL结构化数据文件处理
- 章节概要
- 4.1 Spark SQL概述
- 4.1.1 Spark SQL的简介
- 4.1.2 Spark SQL架构
每日一句正能量
世事洞明皆学问，人情练达即文章。
第4章 Spark SQL结构化数据文件处理
章节概要
在很多情况下，开发工程师并不了解Scala语言，也不了解Spark常用API，但又非常想要使用Spark框架提供的强大的数据分析能力。Spark的开发工程师们考虑到了这个问题，利用SQL语言的语法简洁、学习门槛低以及在编程语言普及程度和流行程度高等诸多优势，从而开发了Spark SQL模块，通过Spark SQL，开发人员能够通过使用SQL语句，实现对结构化数据的处理。本章将针对Spark SQL的基本原理、使用方式进行详细讲解。
4.1 Spark SQL概述
Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象结构叫做DataFrame的数据模型（即带有Schema信息的RDD），Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrames API和Datasets API三种方式实现对结构化数据的处理。但无论是哪种API或者是编程语言，它们都是基于同样的执行引擎，因此可以在不同的API之间进行随意切换。
4.1.1 Spark SQL的简介
Spark SQL的前身是Shark，Shark最初是伯克利实验室Spark生态系统的组件之一，其运行在Spark系统之上，Shark重用了Hive的工作机制，并直接继承了Hive的各个组件，但由于Shark过于依赖Hive，因此在版本迭代时很难添加新的优化策略，从而限制了Spark的发展，在2014年，Shark停止了维护，转向Spark SQL开发。Spark SQL主要提供了以下三个功能:
- Spark SQL可以从各种结构化数据源（例如JSON、Hive、Parquet等)中读取数据，进行数据分析。
- Spark SQL包含行业标准的JDBC和ODBC连接方式，因此它不局限于在Spark程序内使用SQL语句进行查询。
- Spark SQL可以无缝地将SQL查询与Spark程序进行结合，它能够将结构化数据作为Spark中的分布式数据集(RDD）进行查询，在Python、Scala和Java中均集成了相关API，这种紧密的集成方式能够轻松地运行SQL查询以及复杂的分析算法。
总体来说，Spark SQL支持多种数据源的查询和加载，兼容HQL、可以使用JDBC/ODBC的连接方式来执行SQL语句，它为Spark框架在结构化数据分析方面提供重要技术支持。
4.1.2 Spark SQL架构
Spark SQL兼容Hive，这是因为Spark SQL架构与Hive底层结构相似，Spark SQL复用了Hive提供的元数据仓库(Metastore) ,HiveQL、用户自定义函数(UDF）以及序列化和反序列工具(SerDes)。
Spark SQL架构与Hive架构相比，把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。
从图可以看出，Spark SQL架构与Hive架构相比，除了把底层的MapReduce执行引擎更改为Spark，还修改了Catalyst优化器，Spark SQL快速的计算效率得益于Catalyst优化器。从HiveQL被解析成语法抽象树起，执行计划生成和优化的工作全部交给Spark SQL的Catalyst优化器进行负责和管理。
Catalyst优化器是一个新的可扩展的查询优化器，它是基于Scala函数式编程结构，另外，Spark作为开源项目，外部开发人员可以针对项目需求自行扩展Catalyst优化器的功能。
Spark要想很好地支持SQL，就需要完成解析(Parser)、优化(Optimizer)、执行(Execution）三大过程。Catalyst优化器在执行计划生成和优化的工作时候，它离不开自己内部的五大组件，具体介绍如下所示。.
- SqlParse
完成SQL语法解析功能，目前只提供了一个简单的SQL解析器。 - Analyze
主要完成绑定工作，将不同来源的Unresolved LogicalPlan和元数据进行绑定，生成Resolved LogicalPlan。 - Optimizer
对Resolved Lo;gicalPlan进行优化，生成OptimizedLogicalPlan。 - Planner
将LogicalPlan转换成PhysicalPlan。 - CostModel
主要根据过去的性能统计数据，选择最佳的物理执行计划。
在了解了上述组件的作用后，下面分步骤讲解Spark SQL工作流程。
- 在解析SQL语句之前，会创建SparkSession，涉及到表名、字段名称和字段类型的元数据都将保存在SessionCatalog中；
- 当调用SparkSession的sql()方法时就会使用SparkSqlParser进行解析SQL语句，解析过程中使用的ANTLR进行词法解析和语法解析；
- 使用Analyzer分析器绑定逻辑计划，在该阶段，Analyzer会使用Analyzer Rules，并结合SessionCatalog，对未绑定的逻辑计划进行解析，生成已绑定的逻辑计划；
- 使用Optimizer优化器优化逻辑计划，该优化器同样定义了一套规则（Rules），利用这些规则对逻辑计划和语句进行迭代处理；
- 使用SparkPlanner对优化后的逻辑计划进行转换，生成可以执行的物理计划SparkPlan；
- 使用QueryExecution执行物理计划，此时则调用SparkPlan的execute()方法，返回RDDs。
转载自：https://blog.csdn.net/u014727709/article/details/136033196
欢迎 👍点赞✍评论⭐收藏，欢迎指正