Spark SQL 下DateFrame的初步认识（1）

1, SparkSQL简介

SparkSQL的前身是Shark，给熟悉RDBMS但又不理解MapReduce的技术人员提供快速上手的工具，Hive应运而生，它是当时唯一运行在Hadoop上的SQL-on-Hadoop工具。但是MapReduce计算过程中大量的中间磁盘落地过程消耗了大量的I/O，降低的运行效率，为了提高SQL-on-Hadoop的效率，大量的SQL-on-Hadoop工具开始产生，其中表现较为突出的是：
MapR的Drill；Cloudera的Impala；Shark
其中Shark是伯克利实验室Spark生态环境的组件之一，它修改了下图所示的右下角的内存管理、物理计划、执行三个模块，并使之能运行在Spark引擎上，从而使得SQL查询的速度得到10-100倍的提升。
但是，随着Spark的发展，对于野心勃勃的Spark团队来说，Shark对于Hive的太多依赖（如采用Hive的语法解析器、查询优化器等等），制约了Spark的One Stack Rule Them All的既定方针，制约了Spark各个组件的相互集成，所以提出了SparkSQL项目。SparkSQL抛弃原有Shark的代码，汲取了Shark的一些优点，*如内存列存储（In-Memory Columnar Storage）、Hive兼容性等，重新开发了SparkSQL代码；由于摆脱了对Hive的依赖性，SparkSQL无论在数据兼容、性能优化、组件扩展方面都得到了极大的方便。*

2， SparkSQL的优势

(1) 数据兼容
SparkSQL可以处理一切存储介质和各种格式的数据，目前来看不但兼容Hive，还可以从RDD、parquet文件、JSON文件中获取数据，未来版本甚至支持获取RDBMS数据以及cassandra等NOSQL数据；同时SparkSQL可以通过扩展功能来支持更多的数据类型，例如Kudo等。

(2) 计算能力
由于SparkSQL基于Spark的高效计算引擎，导致其对于数据仓库的计算能力具有级大规模的提升(尤其在2.0版本钨丝计划成熟以后)，提升包括两方面：

1) 计算速度
Spark的强大计算能力为保证，提升计算速度。
2) 计算复杂度
由于SparkSQL可以直接操作DataFrame，从而使数据仓库的数据可以直接使用复杂算法库中的算法(例如机器学习，图计算等)，从而可以进行复杂升读的数据价值的挖掘。

3， SparkSQL的未来

(1) SparkSQL将是数据仓库引擎，将是数据挖掘的引擎，将是数据科学计算和分析的引擎
(2) DataFrame会让Spark(SQL)成为大数据计算引擎的霸主地位
(3) 传统数据库对于实时事务性分析具有优势：例如银行转账。
(4) 未来大数据解决方案雏形：Hive提供廉价的数据仓库存储，SparkSQL负责高速的计算，DataFrame负责复杂的数据挖掘

4. DataFrame简介

(1) 理解
Spark的DataFrame可以简单的理解为一个分布式的二维表，这样也就意味着他的每一列都带有名称和类型，也就意味着SparkSQL在基于每一列数据的元数据进行更加细粒度的分析，而不是如同以往分析RDD的时候那种粗粒度的分析。也就意味着这样SparkSQL基于DataFrame可以进行更加高效的性能优化。
(2) 与RDD的区别
DataFrame的数据特点有点类似下图，其包含了每个Record的Metadata信息，让你可以在优化时基于列内部进行优化(例如一共30列，你只需要其中10列，你就可以只获取其中10列的信息)

RDD的数据特点有点类似下图，框架只知道每个Record是个person,但是无法洞悉内部是什么，这样也就导致了框架无法洞悉Record内部的细节，也就在优化的时候闲置了SparkSQL的性能提升

5， 企业级实践发展历史

(1) 最开始阶段的文件存储
(2) JavaEE加数据库
(3) 数据局限导致Hive的出现，但是Hive的计算能力太慢，拖累数据的价值
(4) Hive计算引擎逐渐转向SparkSQL(大部分公司存在阶段)
(5) Hive+SparkSQL+DataFrame(小部分公司存在阶段)
(6) Hive+SparkSQL+DataFrame+DataSet(极少数公司存在阶段)

6，sparkSql 基础案例实战

<configuration>
    <property>
        <name>hive.metastore.uris</name>
        <value>thrift://master:9083</value>
        <description>thrift URI for the remote metastore.Used by metastore client to connect to remote metastore. </description>
    </property>
</configuration>

用sparksql操作hive实际上是把hive 当做数据仓库。数据仓库肯定有元数据和数据本身。要访问真正的数据就要访问他的元数据。所以只需要配置hive.metastore.uris 即可。（不需在每台机器上配置）

2，启动集群
（1）. 启动dfs 服务 start-dfs.sh
//>metastore.log 2>& 1& 此造作为了增加日志信息
（2） 启动hive 数据仓库服务 hive –service metastore >metastore.log 2>& 1&
（3） 启动spark服务 start-all.sh
（4）启动sparkshell ./spark-shell –master spark://master:7077
,
3，案例实战
1. Spark on hive 实战 在spark-shell 模式下
Val hiveContext= new org.apache.spark.sql.hive.HiveContext(sc)
hiveContext.sql(“use hive”) //使用hive 数据库
hiveContext.sql(“show tables”).collect.foreach(println) // 查询数据库中的表
//此处操作的数据来自于搜狗实验室
hiveContext.sql(“select count(*) from sogouq1”).collect.foreach(println)(注意此时使用的是spark的引擎)
hiveContext.sql(“select count(*) from sogouq2 where website like ‘%baidu%’”).collect.foreach(println)

hiveContext.sql(“select count(*) from sogouq2 where s_seq=1 and c_seq=1 and website like ‘%baidu%’”).collect.foreach(println)

4， 不基于hive 的实战代码，在spark-shell 模式下

scala>val sqlContext = new org.apache.spark.sql.SQLContext(sc)

（可以创建很多hiveContext，hivecongtext连接的是数据仓库，程序本身（spark中的job），job在程序中并行运行，如果都hive的数据，如果用句柄，对句柄的占用比较麻烦，所有用多个实例。从查询的角度来说，有多个实例也很正常）

val  df=sqlcontext.read.json(“library/examples/src/main/resources/people.json”) //读取json 数据
df.show()
df.printSchema
df.select(“name”).show()
df.select(df(“name”),df(“age”)+1).show()