第一章 SparkSQL概述
1.1 SparkSQL是什么
Spark SQL 是 Spark 用于结构化数据(structured data)处理的 Spark 模块。
1.2 Hive and SparkSQL
SparkSQL的前身是Shark,给熟悉EDBMS但又不理解MapReduce的技术人员提供快速上手的工具。
Hive是早期唯一运行在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:
- Drill
- Impala
- Shark
其中Shark是伯克利实验室Spark生态环境的组件之一,是基于Hive所开发的工具,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。Shark 的出现,使得 SQL-on-Hadoop 的性能比 Hive 有了 10-100 倍的提高。
2014 年 6 月 1 日 Shark 项目和 SparkSQL 项目的主持人 Reynold Xin 宣布:停止对 Shark 的开发,团队将所有资源放 SparkSQL 项目上,至此,Shark 的发展画上了句话,但也因此发 展出两个支线:SparkSQL 和 Hive on Spark。
其中 SparkSQL 作为 Spark 生态的一员继续发展,而不再受限于 Hive,只是兼容 Hive;而Hive on Spark 是一个 Hive 的发展计划,该计划将 Spark 作为Hive 的底层引擎之一,也就是说,Hive 将不再受限于一个引擎,可以采用 Map-Reduce、Tez、Spark 等引擎。
对于开发人员来讲,SparkSQL 可以简化 RDD 的开发,提高开发效率,且执行效率非常快,所以实际工作中,基本上采用的就是SparkSQL。Spark SQL 为了简化 RDD 的开发, 提高开发效率,提供了 2 个编程抽象,类似 Spark Core 中的 RDD
- DataFrame
- DataSet
1.3 SparkSQL特点
- 易整合
- 统一的数据访问
- 兼容Hive
- 标准数据连接
1.4 DataFrame介绍
在 Spark 中,DataFrame 是一种以 RDD 为基础的分布式数据集,类似于传统数据库中的二维表格。DataFrame 与 RDD 的主要区别在于,前者带有 schema 元信息,即 DataFrame所表示的二维表数据集的每一列都带有名称和类型。这使得 Spark SQL 得以洞察更多的结构信息,从而对藏于 DataFrame 背后的数据源以及作用于 DataFrame 之上的变换进行了针对性的优化,最终达到大幅提升运行时效率的目标。反观 RDD,由于无从得知所存数据元素的具体内部结构,Spark Core 只能在 stage 层面进行简单、通用的流水线优化。
同时,与 Hive 类似,DataFrame 也支持嵌套数据类型(struct、array 和 map)。从 API 易用性的角度上看,DataFrame API 提供的是一套高层的关系操作,比函数式的 RDD API 要更加友好,门槛更低。
左侧的 RDD[Person]虽然以 Person 为类型参数,但 Spark 框架本身不了解 Person 类的内部结构。而右侧的 DataFrame 却提供了详细的结构信息,使得 Spark SQL 可以清楚地知道该数据集中包含哪些列,每列的名称和类型各是什么。
DataFrame 是为数据提供了 Schema 的视图。可以把它当做数据库中的一张表来对待DataFrame 也是懒执行的,但性能上比 RDD 要高,主要原因:优化的执行计划,即查询计划通过 Spark catalyst optimiser 进行优化。
1.5 DataSet介绍
DataSet是分布式数据集合。DataSet是Spark1.6中的新抽象,是DataFrame的一个拓展。它提供了RDD的优势(强类型,使用强大的lambda函数的能力)以及SparkSQL优化执行引擎的优点。DataSet也可以使用此功能性的转换(如map,flatMap,filter等等)。
- DataSet是DataFrame API的一个拓展,是SparkSQL最新的数据抽象;
- 友好的 API 风格,既具有类型安全检查也具有 DataFrame 的查询优化特性;
- 用样例类来对 DataSet 中定义数据的结构信息,样例类中每个属性的名称直接映射到DataSet 中的字段名称;
- DataSet 是强类型的。比如可以有 DataSet[Car],DataSet[Person];
- DataFrame 是 DataSet 的特列,DataFrame=DataSet[Row] ,所以可以通过 as 方法将DataFrame 转换为 DataSet。Row 是一个类型,跟 Car、Person 这些的类型一样,所有的表结构信息都用 Row 来表示。获取数据时需要指定顺序。
第二章 SparkSQL编程
2.1 不同之处
SparkCore编程中,需要先构建SparkContext上下文,SparkSQL其实是对SparkCore的一次封装。
- 旧版SparkSQL,提供两种SQL查询起始点:SQLContext,用于Spark自己提供的SQL查询;HiveContext,用于连接Hive查询。
- 新版SparkSQL,提供 SparkSession,实质上是 SQLContext 和 HiveContext 的组合,所以在 SQLContex 和 HiveContext 上可用的 API 在 SparkSession 上同样是可以使用的。
2.2 DataFrame
Spark SQL 的 DataFrame API 允许我们使用 DataFrame 而不用必须去注册临时表或者生成 SQL 表达式。DataFrame API 既有 transformation 操作也有 action 操作。
2.2.1 创建DataFrame
(1)从Spark数据源进行创建
查看Spark支持创建文件的数据源格式(按tab提示可以看到支持的文件类型)
scala> spark.read.
csv jdbc load options parquet table textFile
format json option orc schema text
在Spark的bin/data目录下创建测试数据user.json文件(存放数据的路径可以随便,只要路径写对即可)
{"username": "zhangsan","age": 20}
{"username": "lisi","age": 30}
{"username": "wangwu","age": 40}
{"username": "laoliu","age": 60}
{"username": "aqi","age": 17}
读取json文件创建DataFrame
scala> val df = spark.read.json("datas/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]
scala> df.show()
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|
| 60| laoliu|
| 17| aqi|
+---+--------+
注意:如果从内存中获取数据,spark 可以知道具体的数据类型。如果是数字,默认作为 Int 处理;但是从文件中读取的数字,不能确定是什么类型,所以用 bigint 接收,可以和Long类型转换,但是和 Int 不能进行转换。
(2)从RDD进行转换
(3)从Hive Table 进行查询返回
2.2.2 SQL语法
SQL 语法风格是指我们查询数据的时候使用 SQL 语句来查询,这种风格的查询必须要有临时视图或者全局视图来辅助。
(1)读取 JSON 文件创建一个临时表
scala> val df = spark.read.json("..//data//user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]
(2)DataFrame创建一个临时表(仅Session范围内有效)
scala> df.createOrReplaceTempView("user")
(3)通过SQL语句实现查询全表并展示
scala> val sql_df = spark.sql("select * from user")
sql_df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]
scala> sql_df.show
+---+--------+
|age|username|
+---+--------+
| 20|zhangsan|
| 30| lisi|
| 40| wangwu|
| 60| laoliu|
| 17| aqi|
+---+--------+
(4)DataFrame创建一个全局表
scala> df.createGlobalTempView("globalUser")
(5)通过SQL语句实现查询全表
scala> spark.sql("SELECT * FROM global_temp.globalUser").show()
scala> spark.newSession().sql("SELECT * FROM global_temp.globalUser").show()
2.2.3 DSL语法
DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。可以在 Scala, Java, Python 和 R 中使用 DSL,使用 DSL 语法风格不必去创建临时视图了。
(1)创建一个 DataFrame
scala> val df = spark.read.json("..//data//user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]
(2)查看dataFrame的Scheme信息
scala> df.printSchema
root
|-- age: long (nullable = true)
|-- username: string (nullable = true)
(3)只查看“username”列数据
scala> df.select("username").show
+--------+
|username|
+--------+
|zhangsan|
| lisi|
| wangwu|
| laoliu|
| aqi|
+--------+
(4)查看“username”列数据以及“age+1”数据
注意:涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式:单引号+字段名
scala> df.select($"username",$"age"+1).show
+--------+---------+
|username|(age + 1)|
+--------+---------+
|zhangsan| 21|
| lisi| 31|
| wangwu| 41|
| laoliu| 61|
| aqi| 18|
+--------+---------+
scala> df.select('username,'age+1).show()
+--------+---------+
|username|(age + 1)|
+--------+---------+
|zhangsan| 21|
| lisi| 31|
| wangwu| 41|
| laoliu| 61|
| aqi| 18|
+--------+---------+
scala> df.select('username,'age+1 as "newage").show
+--------+------+
|username|newage|
+--------+------+
|zhangsan| 21|
| lisi| 31|
| wangwu| 41|
| laoliu| 61|
| aqi| 18|
+--------+------+
(5)查看“age”大于30的数据
scala> df.filter('age>30).show
+---+--------+
|age|username|
+---+--------+
| 40| wangwu|
| 60| laoliu|
+---+--------+
(6)按照“age”分组,查看数据条数
scala> df.groupBy('age).count.show
+---+-----+
|age|count|
+---+-----+
| 17| 1|
| 30| 1|
| 20| 1|
| 60| 1|
| 40| 1|
+---+-----+
2.2.4 RDD转换为DataFrame
注意:RDD 和 DataFrame 或 DataSet 之间转换,需要引入
import sparkSession.implicits._
创建的 sparkSession 对象不能使用 var 声明,因为 Scala 只支持 val 修饰的对象的引入。在spark-shell 中无需导入,自动完成此操作。在实际开发中,一般通过样例类将 RDD 转换为 DataFrame。
scala> val RDD1 = sc.textFile("..//data/test.txt").toDF.show
+-----------+
| value|
+-----------+
| name age|
|zhangsan 16|
| lisi 20|
| wangwu 24|
+-----------+
scala> case class User(name:String, age:Int)
defined class User
scala> sc.makeRDD(List(("zhangsan",30),("lisi",40))).map(t=>User(t._1,t._2)).toDF.show
+--------+---+
| name|age|
+--------+---+
|zhangsan| 30|
| lisi| 40|
+--------+---+
2.2.5 DataFrame 转换为 RDD
DataFrame 其实就是对 RDD 的封装,所以可以直接获取内部的 RDD
scala> case class User(name:String,age:Int)
defined class User
scala> val df = sc.makeRDD(List(("zhangsan",30),("lisi",40))).map(t => User(t._1,t._2)).toDF
df: org.apache.spark.sql.DataFrame = [name: string, age: int]
scala> val rdd = df.rdd
rdd: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[6] at rdd at <console>:25
scala> val array = rdd.collect
array: Array[org.apache.spark.sql.Row] = Array([zhangsan,30], [lisi,40])
scala> array(0)(1)
res0: Any = 30
scala> array(0)(0)
res1: Any = zhangsan
scala> array(0).getAs[String]("name")
res3: String = zhangsan
2.3 DataSet
DataSet 是具有强类型的数据集合,需要提供对应的类型信息。
2.3.1 创建DataSet
注意:在实际使用的时候,很少用到把序列转换成DataSet,更多的是通过RDD来得到DataSet
(1)使用样例类序列创建DataSet
scala> case class Person(name:String,age:Long)
defined class Person
scala> val caseClassDS = Seq(Person("zhangsan",25)).toDS
caseClassDS: org.apache.spark.sql.Dataset[Person] = [name: string, age: bigint]
scala> caseClassDS.show
+--------+---+
| name|age|
+--------+---+
|zhangsan| 25|
+--------+---+
(2)使用基本类型的序列创建DataSet
scala> val ds = Seq("1","2","3","4","5","zhangsan","lisi").toDS
ds: org.apache.spark.sql.Dataset[String] = [value: string]
scala> ds.show
+--------+
| value|
+--------+
| 1|
| 2|
| 3|
| 4|
| 5|
|zhangsan|
| lisi|
+--------+
2.3.2 RDD 转换为 DataSet(重点,常用)
SparkSQL能自动将包含case类的RDD转换成DataSet,case类定义了table的结构,case类属性通过反射变成了表的列名。case类可以包含诸如Seq或者Array等复杂的结构。
scala> sc.makeRDD(List(("zhangsan",33),("luoxiang",50))).map
map mapPartitions mapPartitionsWithIndex mapValues
scala> sc.makeRDD(List(("zhangsan",33),("luoxiang",50))).map(t=>User(t._1,t._2)).toDS
res2: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
2.3.3 DataSet 转化为 RDD
DataSet 其实也是对 RDD 的封装,所以可以直接获取内部的 RDD。
scala> case class User(name:String,age:Int)
defined class User
scala> val ds1 = sc.makeRDD(List(("zhangsan",30),("luoxiang",50))).map(t=>User(t._1,t._2)).toDS
ds1: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> val rdd1 = ds1.rdd
rdd1: org.apache.spark.rdd.RDD[User] = MapPartitionsRDD[6] at rdd at <console>:25
scala> rdd1.collect
res3: Array[User] = Array(User(zhangsan,30), User(luoxiang,50))
2.3.4 DataFrame 和 DataSet转换
DataFrame 其实是 DataSet 的特例,所以它们之间是可以互相转换的。
(1)DataFrame 转换为 DataSet
scala> case class User(name:String,age:Int)
defined class User
scala> val df = sc.makeRDD(List(("zhansgan",30),("luoxiang",50))).toDF("name","age")
df: org.apache.spark.sql.DataFrame = [name: string, age: int]
scala> val ds = df.as[User]
ds: org.apache.spark.sql.Dataset[User] = [name: string, age: int]
scala> ds.show
+--------+---+
| name|age|
+--------+---+
|zhansgan| 30|
|luoxiang| 50|
+--------+---+
(2)DataSet 转换为 DataFrame
scala> val df1 = ds1.toDF
df1: org.apache.spark.sql.DataFrame = [name: string, age: int]
scala> df1.show
+--------+---+
| name|age|
+--------+---+
|zhangsan| 30|
|luoxiang| 50|
+--------+---+
2.4 RDD-DataFrame-DataSet的关系
在 SparkSQL 中 Spark 为我们提供了两个新的抽象,分别是 DataFrame 和 DataSet。他们和 RDD 有什么区别呢?首先从版本的产生上来看:
-
Spark1.0 => RDD
-
Spark1.3 => DataFrame
-
Spark1.6 => Dataset
如果同样的数据都给到这三个数据结构,他们分别计算之后,都会给出相同的结果。不同是的他们的执行效率和执行方式。在后期的 Spark 版本中,DataSet 有可能会逐步取代 RDD和 DataFrame 成为唯一的 API 接口。
2.4.1 三者的共性
- RDD、DataFrame、DataSet 全都是 spark 平台下的分布式弹性数据集,为处理超大型数据提供便利;
- 三者都有惰性机制,在进行创建、转换,如 map 方法时,不会立即执行,只有在遇到Action 如 foreach 时,三者才会开始遍历运算;
- 三者有许多共同的函数,如 filter,排序等;
- 在对 DataFrame 和 Dataset 进行操作许多操作都需要这个包:import spark.implicits._(在创建好 SparkSession 对象后尽量直接导入)
- 三者都会根据 Spark 的内存情况自动缓存运算,这样即使数据量很大,也不用担心会内存溢出
- 三者都有 partition 的概念
- DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型
2.4.2 三者的区别
(1)RDD
- RDD 一般和 spark mllib 同时使用
- RDD 不支持 sparksql 操作
(2)DataFrame
- 与 RDD 和 Dataset 不同,DataFrame 每一行的类型固定为 Row,每一列的值没法直接访问,只有通过解析才能获取各个字段的值
- DataFrame 与 DataSet 一般不与 spark mllib 同时使用
- DataFrame 与 DataSet 均支持 SparkSQL 的操作,比如 select,groupby 之类,还能注册临时表/视窗,进行 sql 语句操作
- DataFrame 与 DataSet 支持一些特别方便的保存方式,比如保存成 csv,可以带上表头,这样每一列的字段名一目了然
(3)DataSet
- Dataset 和 DataFrame 拥有完全相同的成员函数,区别只是每一行的数据类型不同。DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row]
- DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row,不解析,每一行究竟有哪些字段,各个字段又是什么类型都无从得知,只能用上面提到的 getAS 方法或者共性中的第七条提到的模式匹配拿出特定字段。而 Dataset 中,每一行是什么类型是不一定的,在自定义了 case class 之后可以很自由的获得每一行的信息
2.4.3 三者之间的互相转换
2.5 开发SparkSQL
2.5.1 添加maven依赖
主要是spark-sql_2.12,其他依赖可自行选择,生产环境最好还是使用新版本。
<dependencies>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-yarn_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.27</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>1.2.1</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-streaming-kafka-0-10_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>com.fasterxml.jackson.core</groupId>
<artifactId>jackson-core</artifactId>
<version>2.10.1</version>
</dependency>
<!-- https://mvnrepository.com/artifact/com.alibaba/druid -->
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>druid</artifactId>
<version>1.1.10</version>
</dependency>
</dependencies>
2.5.2 简单实现(学习)
package com.fyj.bigdata.spark.sql
import org.apache.spark.SparkConf
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}
object Spark01_SparkSQL_Basic {
def main(args: Array[String]): Unit = {
// TODO 创建SparkSQL的运行环境
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark01_SparkSQL_Basic")
val sparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
// 隐式转换,在使用DataFrame时,如果涉及到转换操作,需要引入转换规则
import sparkSession.implicits._
// TODO 执行逻辑操作
val dataFrame: DataFrame = sparkSession.read.json("datas/user.json")
// 1 可直接查看dataFrame的内容
// dataFrame.show()
// 2 创建视图
dataFrame.createOrReplaceTempView("user")
// 2.1 DataFrame => SQL
sparkSession.sql("select * from user").show()
// sparkSession.sql("select age,username from user").show()
// sparkSession.sql("select avg(age) from user").show()
// 2.2 DataFrame => DSL
// 在使用DataFrame时,如果涉及到转换操作,需要引入转换规则
// dataFrame.select("age","username").show()
// dataFrame.select($"age"+1).show()
// dataFrame.select('age+1).show() // ' 作用等同于 $""
// TODO DataSet(DataFrame其实是特定泛型的DataSet)
// val seq = Seq(1,2,3,4)
// val ds: Dataset[Int] = seq.toDS()
// ds.show()
// RDD <==转换==> DataFrame
// val rdd = sparkSession.sparkContext.makeRDD(List((1, "zhangsan", 30), (2, "lisi", 18)))
// val dF: DataFrame = rdd.toDF("id", "name", "age")
// val rowRDD: RDD[Row] = dF.rdd
//
// // DataFrame <==转换==> DataSet
// val ds: Dataset[User] = dF.as[User]
// val dataFrame1 = ds.toDF()
//
// // RDD <==转换==> DataSet
// val ds1: Dataset[User] = rdd.map {
// case (id, name, age) => {
// User(id, name, age)
// }
// }.toDS()
// val rdd1: RDD[User] = ds1.rdd
// TODO 关闭环境
sparkSession.close()
}
// 创建类
case class User(id: Int, name: String, age: Int)
}
2.6 自定义函数
用户可以通过 spark.udf 功能添加自定义函数,实现自定义功能。
2.6.1 UDF函数
目标:给username加一个自定义前缀。
package com.fyj.bigdata.spark.sql
import org.apache.spark.SparkConf
import org.apache.spark.sql.SparkSession
object Spark02_SparkSQL_UDF {
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark02_SparkSQL_UDF")
val sparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
import sparkSession.implicits._
val dataFrame = sparkSession.read.json("datas/user.json")
dataFrame.createOrReplaceTempView("user")
//sparkSession.sql("select age from user where username='lisi'").show()
// 注册UDF函数
sparkSession.udf.register("perfixname", (name: String) => {
"Name:" + name
})
// 在SparkSQL中引用UDF函数
sparkSession.sql("select age,perfixname(username) from user").show()
sparkSession.close()
}
}
2.6.2 UDAF
SparkSQL中强类型的DataSet和弱类型的DataFrame都提供了相关的聚合函数,如count(),countDistinct(),avg(),max(),min()。
用户也可以自定义聚合函数UDAF:老版本的方式:通过继承 UserDefinedAggregateFunction 来实现用户自定义弱类型聚合函数;从 Spark3.0 版本后的方式:可以统一采用强类型聚合函数 Aggregator。
目标:计算出年龄的平均值
(1)实现方式-弱类型-UDAF
package com.fyj.bigdata.spark.sql
import io.netty.buffer.Unpooled.buffer
import org.apache.calcite.adapter.enumerable.RexImpTable.UserDefinedAggReflectiveImplementor
import org.apache.spark.SparkConf
import org.apache.spark.sql.{Row, SparkSession}
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types.{DataType, LongType, StructField, StructType}
object Spark03_SparkSQL_UDAF {
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark03_SparkSQL_UDAF")
val sparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
val dataFrame = sparkSession.read.json("datas/user.json")
dataFrame.createOrReplaceTempView("user")
//sparkSession.sql("select age from user where username='lisi'").show()
//sparkSession.sql("select * from user").show()
// 注册UDF函数-弱类型
sparkSession.udf.register("avgAge", new MyAvgUDAF())
// 在SparkSQL中引用UDF函数
sparkSession.sql("select avgAge(age) from user").show()
sparkSession.close()
}
/**
* 自定义聚合函数类:计算年龄的平均值
* 1.继承UserDefinedAggregateFunction
* 2.重写方法
*/
class MyAvgUDAF extends UserDefinedAggregateFunction {
// 1.输入数据的结构 intput
override def inputSchema: StructType = {
StructType(
Array(StructField("age", LongType))
)
}
// 2.缓冲区数据的结构 buffer
override def bufferSchema: StructType = {
StructType(
Array(
StructField("total", LongType),
StructField("count", LongType),
)
)
}
// 3.输出数据的结构 output
override def dataType: DataType = LongType
// 4.函数的稳定性
override def deterministic: Boolean = true
// 5.缓冲区的初始化
override def initialize(buffer: MutableAggregationBuffer): Unit = {
// 0和1表示位置
buffer.update(0, 0L)
buffer.update(1, 0L)
}
// 6.根据输入的值更新缓冲区的数据 按照业务逻辑处理数据
override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
buffer.update(0, buffer.getLong(0) + input.getLong(0))
buffer.update(1, buffer.getLong(1) + 1)
}
// 7.缓冲区的数据合并(分布式运算后需要合并)
override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
buffer1.update(0, buffer1.getLong(0) + buffer2.getLong(0))
buffer1.update(1, buffer1.getLong(1) + buffer2.getLong(1))
}
// 8.计算平均值
override def evaluate(buffer: Row): Any = {
buffer.getLong(0) / buffer.getLong(1)
}
}
}
(2)实现方式-强类型-UDAF-老版本
package com.fyj.bigdata.spark.sql
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.{Dataset, Encoder, Encoders, SparkSession, TypedColumn, functions}
object Spark05_SparkSQL_UDAF {
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark05_SparkSQL_UDAF")
val sparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
import sparkSession.implicits._
val dataFrame = sparkSession.read.json("datas/user.json")
val ds: Dataset[User] = dataFrame.as[User]
// 注册UDF函数-早期强类型方式,将UDAF函数转换为查询的列对象
val column: TypedColumn[User, Long] = new MyAvgUDAF().toColumn
// 在SparkSQL中引用UDF函数
ds.select(column).show()
sparkSession.close()
}
/**
* 自定义聚合函数类:计算年龄的平均值
* 1.继承org.apache.spark.sql.expressions.Aggregator 定义泛型
* IN:输入的数据类型User
* BUF:缓冲区的数据类型Buff
* OUT:输出的数据类型Long
*
* 2.重写方法(6个)
*/
// 定义用于dataset的类
case class User(var age: Long, var username: String)
// 定义缓冲区数据类型
case class Buff(var total: Long, var count: Long)
class MyAvgUDAF extends Aggregator[User, Buff, Long] {
// 1. z & zero 通常表示初始化或零值的意思,这里是做缓冲区初始化
override def zero: Buff = {
Buff(0L, 0L)
}
// 2. 根据输入的数据更新缓冲区的数据
override def reduce(b: Buff, user: User): Buff = {
b.total = b.total + user.age
b.count = b.count + 1
b
}
// 3. 合并缓冲区
override def merge(b1: Buff, b2: Buff): Buff = {
b1.total = b1.total + b2.total
b1.count = b1.count + b2.count
b1
}
// 4. 计算结果
override def finish(reduction: Buff): Long = {
reduction.total / reduction.count
}
// 5. 缓冲区的编码操作
override def bufferEncoder: Encoder[Buff] = Encoders.product
// 6. 输出的编码操作
override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}
}
(3)实现方式-强类型-UDAF-新版本
package com.fyj.bigdata.spark.sql
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.{Aggregator, MutableAggregationBuffer}
import org.apache.spark.sql.types.{DataType, LongType, StructField, StructType}
import org.apache.spark.sql.{Encoder, Encoders, Row, SparkSession, functions}
object Spark04_SparkSQL_UDAF {
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark04_SparkSQL_UDAF")
val sparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
val dataFrame = sparkSession.read.json("datas/user.json")
dataFrame.createOrReplaceTempView("user")
// 注册UDF函数-强类型
sparkSession.udf.register("avgAge", functions.udaf(new MyAvgUDAF()))
// 在SparkSQL中引用UDF函数
sparkSession.sql("select avgAge(age) from user").show()
sparkSession.close()
}
/**
* 自定义聚合函数类:计算年龄的平均值
* 1.继承org.apache.spark.sql.expressions.Aggregator 定义泛型
* IN:输入的数据类型Long
* BUF:缓冲区的数据类型Buff
* OUT:输出的数据类型Long
*
* 2.重写方法(6个)
*/
// 定义缓冲区数据类型
case class Buff(var total: Long, var count: Long)
class MyAvgUDAF extends Aggregator[Long, Buff, Long] {
// 1. z & zero 通常表示初始化或零值的意思,这里是做缓冲区初始化
override def zero: Buff = {
Buff(0L, 0L)
}
// 2. 根据输入的数据更新缓冲区的数据
override def reduce(b: Buff, a: Long): Buff = {
b.total = b.total + a
b.count = b.count + 1
b
}
// 3. 合并缓冲区
override def merge(b1: Buff, b2: Buff): Buff = {
b1.total = b1.total + b2.total
b1.count = b1.count + b2.count
b1
}
// 4. 计算结果
override def finish(reduction: Buff): Long = {
reduction.total / reduction.count
}
// 5. 缓冲区的编码操作
override def bufferEncoder: Encoder[Buff] = Encoders.product
// 6. 输出的编码操作
override def outputEncoder: Encoder[Long] = Encoders.scalaLong
}
}
2.7 数据的加载和保存
2.7.1 通用的加载和保存方式
SparkSQL 提供了通用的保存数据和数据加载的方式。这里的通用指的是使用相同的API,根据不同的参数读取和保存不同格式的数据,SparkSQL 默认读取和保存的文件格式为 parquet。
2.7.1.1 加载数据
spark.read.load 是加载数据的通用方法,如果读取不同格式的数据,可以对不同的数据格式进行设定。
scala> spark.read.
csv format jdbc json load option options orc parquet schema table text textFile
格式如下:
scala> spark.read.format("…")[.option("…")].load("…")
- format(“…”):指定加载的数据类型,包括"csv"、“jdbc”、“json”、“orc”、“parquet"和"textFile”。
- load(“…”):在"csv"、“jdbc”、“json”、“orc”、"parquet"和"textFile"格式下需要传入加载数据的路径。
- option(“…”):在"jdbc"格式下需要传入 JDBC 相应参数,url、user、password 和 dbtable。
可支持直接文件上操作:
scala>spark.sql("select * from json.`/opt/module/data/user.json`").show
2.7.1.2 保存数据
df.write.save 是保存数据的通用方法,如果保存不同格式的数据,可以对不同的数据格式进行设定.
scala> val df = spark.read.json("../data/user.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, username: string]
scala> df.write.
bucketBy format jdbc mode options parquet save sortBy
csv insertInto json option orc partitionBy saveAsTable text
格式如下:
scala>df.write.format("…")[.option("…")].save("…")
- format(“…”):指定保存的数据类型,包括"csv"、“jdbc”、“json”、“orc”、“parquet"和"textFile”。
- save (“…”):在"csv"、“orc”、"parquet"和"textFile"格式下需要传入保存数据的路径。
- option(“…”):在"jdbc"格式下需要传入 JDBC 相应参数,url、user、password 和 dbtable.
保存操作可以使用 SaveMode, 用来指明如何处理数据,使用 mode()方法来设置。有一点很重要: 这些 SaveMode 都是没有加锁的, 也不是原子操作。
SaveMode 是一个枚举类,其中的常量包括:
Scala/Java | Any Language | Meaning |
---|---|---|
SaveMode.ErrorIfExists(default) | “error”(default) | 如果文件已经存在则抛出异常 |
SaveMode.Append | “append” | 如果文件已经存在则追加 |
SaveMode.Overwrite | “overwrite” | 如果文件已经存在则覆盖 |
SaveMode.Ignore | “ignore” | 如果文件已经存在则忽略 |
df.write.mode("append").json("/opt/module/data/output")
2.7.2 Parquet
Spark SQL 的默认数据源为 Parquet 格式。Parquet 是一种能够有效存储嵌套数据的列式存储格式。数据源为 Parquet 文件时,Spark SQL 可以方便的执行所有的操作,不需要使用 format。修改配置项 spark.sql.sources.default,可修改默认数据源格式。
(1)加载数据
scala> val df = spark.read.load("../examples/src/main/resources/users.parquet")
df: org.apache.spark.sql.DataFrame = [name: string, favorite_color: string ... 1 more field]
scala> df.show
+------+--------------+----------------+
| name|favorite_color|favorite_numbers|
+------+--------------+----------------+
|Alyssa| null| [3, 9, 15, 20]|
| Ben| red| []|
+------+--------------+----------------+
(2)保存数据
dataframe保存数据:
scala> val df1 = spark.read.json("../data/user.json")
scala> df1.write.mode("append").save("../data/user")
dataSet保存数据:
scala> case class User(username:String,age:Long)
scala> df1.write.mode("append").save("../data/user")
scala> val ds1 = df1.as[User]
scala> ds1.write.mode("append").format("json").save("../data/dsUser")
2.7.3 JSON
Spark SQL 能够自动推测 JSON 数据集的结构,并将它加载为一个 Dataset[Row]. 可以通过 SparkSession.read.json()去加载 JSON 文件。
注意:Spark 读取的 JSON 文件不是传统的 JSON 文件,每一行都应该是一个 JSON 串。
读取JSON文件的步骤:
(1)导入隐式转换
scala> import spark.implicits._
(2)加载JSON文件
scala> val path = "/opt/module/spark-local/people.json"
scala> val peopleDF = spark.read.json(path)
(3)创建临时表
scala> peopleDF.createOrReplaceTempView("people")
(4)数据查询
scala> val teenagerNamesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13 AND 19")
scala> teenagerNamesDF.show()
+------+
| name|
+------+
|Justin|
+------+
2.7.4 CSV
Spark SQL 可以配置 CSV 文件的列表信息,读取 CSV 文件,CSV 文件的第一行设置为数据列
scala> val df = spark.read.format("csv").option("sep",";").option("inferSchema","true").option("header",true).load("..\\
examples\\src\\main\\resources\\people.csv")
df: org.apache.spark.sql.DataFrame = [name: string, age: int ... 1 more field]
scala> df.show
+-----+---+---------+
| name|age| job|
+-----+---+---------+
|Jorge| 30|Developer|
| Bob| 32|Developer|
+-----+---+---------+
2.7.5 MySQL的加载和保存
Spark SQL 可以通过 JDBC 从关系型数据库中读取数据的方式创建 DataFrame,通过对DataFrame 一系列的计算后,还可以将数据再写回关系型数据库中。如果使用 spark-shell 操作,可在启动 shell 时指定相关的数据库驱动路径或者将相关的数据库驱动放到 spark 的类路径下。
(1)命令行方式
bin/spark-shell --jars mysql-connector-java-5.1.27-bin.jar
(2)代码实现
导入mysql依赖到pom.xml
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>5.1.27</version>
</dependency>
代码:
package com.fyj.bigdata.spark.sql
import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql._
import org.datanucleus.store.types.wrappers.backed.Properties
import scala.collection.JavaConverters._
object Spark06_SparkSQL_Mysql {
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark06_SparkSQL_Mysql")
val sparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
import sparkSession.implicits._
/**
* 读取并加载mysql数据库中的数据的方式一共有三种:
*
*/
//第一种,读取数据
val dataFrame = sparkSession.read.format("jdbc").
option("url", "jdbc:mysql://linux1:3306/spark-sql").
option("driver", "com.mysql.jdbc.Driver").
option("user", "root").
option("password", 1234).
option("dbtable", "user")
.load()
dataFrame.show()
//第二种,读取数据
val dataFrame1 = sparkSession.read.format("jdbc").options(Map(
"url" -> "jdbc:mysql://linux1:3306/spark-sql?user=root&password=123123",
"driver" -> "com.mysql.jdbc.Driver",
"dbtable" -> "user"
)).load()
dataFrame1.show()
//第三种,读取数据
// val properties: Properties = new Properties()
// properties.setProperty("user","root")
// properties.setProperty("password","123456")
// val dataFrame2 = sparkSession.read.jdbc("jdbc:mysql://linux1:3306/spark-sql", "user", properties)
// dataFrame2.show()
// 将数据保存至mysql数据库中
dataFrame.write.format("jdbc")
.option("url", "jdbc:mysql://linux1:3306/spark-sql")
.option("driver", "com.mysql.jdbc.Driver")
.option("user", "root")
.option("password", 1234)
.option("dbtable", "user1")
.mode(SaveMode.Append)
.save()
sparkSession.close()
}
}
2.7.6 内部Hive(不常用)
Apache Hive 是 Hadoop 上的 SQL 引擎,Spark SQL 编译时可以包含 Hive 支持,也可以不包含。包含 Hive 支持的 Spark SQL 可以支持 Hive 表访问、UDF (用户自定义函数)以及 Hive 查询语言(HiveQL/HQL)等。需要强调的一点是,如果要在 Spark SQL 中包含Hive 的库,并不需要事先安装 Hive。一般来说,最好还是在编译 Spark SQL 时引入 Hive支持,这样就可以使用这些特性了。如果你下载的是二进制版本的 Spark,它应该已经在编译时添加了 Hive 支持。
若要把 Spark SQL 连接到一个部署好的 Hive 上,你必须把 hive-site.xml 复制到Spark 的配置文件目录中($SPARK_HOME/conf)。即使没有部署好 Hive,Spark SQL 也可以运行。 需要注意的是,如果你没有部署好 Hive,Spark SQL 会在当前的工作目录中创建出自己的 Hive 元数据仓库,叫作 metastore_db。此外,如果你尝试使用 HiveQL 中的CREATE TABLE (并非 CREATE EXTERNAL TABLE)语句来创建表,这些表会被放在你默认的文件系统中的 /user/hive/warehouse 目录中(如果你的 classpath 中有配好的hdfs-site.xml,默认的文件系统就是 HDFS,否则就是本地文件系统)。
spark-shell 默认是 Hive 支持的;代码中是默认不支持的,需要手动指定(加一个参数即可)。
如果使用 Spark 内嵌的 Hive, 则什么都不用做, 直接使用即可.Hive 的元数据存储在 derby 中, 默认仓库地址:$SPARK_HOME/spark-warehouse
scala> spark.sql("show databases;").show
23/08/25 00:05:55 WARN HiveConf: HiveConf of name hive.stats.jdbc.timeout does not exist
23/08/25 00:05:55 WARN HiveConf: HiveConf of name hive.stats.retries.wait does not exist
23/08/25 00:05:57 WARN ObjectStore: Version information not found in metastore. hive.metastore.schema.verification is not enabled so recording the schema version 2.3.0
23/08/25 00:05:57 WARN ObjectStore: setMetaStoreSchemaVersion called but recording version is disabled: version = 2.3.0, comment = Set by MetaStore fyj@192.168.1.102
+---------+
|namespace|
+---------+
| default|
+---------+
scala> spark.sql("show tables;").show
23/08/25 00:06:12 WARN ObjectStore: Failed to get database global_temp, returning NoSuchObjectException
+--------+---------+-----------+
|database|tableName|isTemporary|
+--------+---------+-----------+
+--------+---------+-----------+
向表加载本地数据
数据样例:
[fyj@hadoop102 graphx]$ cat followers.txt
2 1
4 1
1 2
6 3
7 3
7 6
6 7
3 7
用内置hive建表并加载数据
scala> spark.sql("create table followers(aaa String,bbb String) row format delimited fields terminated by ' ';")
23/08/25 00:16:41 WARN HiveMetaStore: Location: file:/opt/module/spark/bin/spark-warehouse/followers specified for non-external table:followers
res19: org.apache.spark.sql.DataFrame = []
scala> spark.sql("load data local inpath '/opt/module/spark/data/graphx/followers.txt' into table followers")
res20: org.apache.spark.sql.DataFrame = []
scala> spark.sql("select * from followers").show
+---+---+
|aaa|bbb|
+---+---+
| 2| 1|
| 4| 1|
| 1| 2|
| 6| 3|
| 7| 3|
| 7| 6|
| 6| 7|
| 3| 7|
+---+---+
2.7.7 外部HIVE(重点)
如果想连接外部已经部署好的 Hive,需要通过以下几个步骤:
- Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下
- 把 Mysql 的驱动 copy 到 jars/目录下
- 如果访问不到 hdfs,则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下
- 重启 spark-shell
(1)用 spark-shell 运行连接外部 hive
scala> spark.sql("show databases;").show
23/08/25 00:25:06 WARN HiveConf: HiveConf of name hive.metastore.event.db.notification.api.auth does not exist
+---------+
|namespace|
+---------+
| default|
| gmall|
+---------+
(2)运行 SparkSQL CLI
Spark SQL CLI 可以很方便的在本地运行 Hive 元数据服务以及从命令行执行查询任务。在Spark 目录下执行如下命令启动 Spark SQL CLI,直接执行 SQL 语句,类似一 Hive 窗口
运行脚本:./spark-sql 会出来一个sql窗口,在窗口内输入sql即可
spark-sql (default)> show databases;
23/08/25 00:28:14 INFO CodeGenerator: Code generated in 163.042892 ms
23/08/25 00:28:14 INFO CodeGenerator: Code generated in 4.845857 ms
namespace
default
gmall
Time taken: 1.238 seconds, Fetched 2 row(s)
23/08/25 00:28:14 INFO SparkSQLCLIDriver: Time taken: 1.238 seconds, Fetched 2 row(s)
(3)运行 Spark beeline
Spark Thrift Server 是 Spark 社区基于 HiveServer2 实现的一个 Thrift 服务。旨在无缝兼容HiveServer2。因为 Spark Thrift Server 的接口和协议都和 HiveServer2 完全一致,因此我们部署好 Spark Thrift Server 后,可以直接使用 hive 的 beeline 访问 Spark Thrift Server 执行相关语句。Spark Thrift Server 的目的也只是取代 HiveServer2,因此它依旧可以和 Hive Metastore进行交互,获取到 hive 的元数据。
如果想连接 Thrift Server,需要通过以下几个步骤:
- Spark 要接管 Hive 需要把 hive-site.xml 拷贝到 conf/目录下;
- 把 Mysql 的驱动 copy 到 jars/目录下;
- 如果访问不到 hdfs,则需要把 core-site.xml 和 hdfs-site.xml 拷贝到 conf/目录下;
- 启动 Thrift Server。
启动:
sbin/start-thriftserver.sh
连接:
bin/beeline -u jdbc:hive2://linux1:10000 -n root -p 123456
报错信息:
Error: Could not open client transport with JDBC Uri: jdbc:hive2://hadoop102:10000: Failed to open new session: java.lang.RuntimeException: org.apache.hadoop.security.AccessControlException: Permission denied: user=root, access=EXECUTE, inode="/tmp":fyj:supergroup:drwxrwx---xxxxxxxxxx
解决办法,将hdfs的/tmp目录设置为777,重连即可
hdfs dfs -chmod 777 /tmp
[fyj@hadoop102 bin]$ ./beeline -u jdbc:hive2://hadoop102:10000 -n root -p 123456
log4j:WARN No appenders could be found for logger (org.apache.hadoop.util.Shell).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
Connecting to jdbc:hive2://hadoop102:10000
Connected to: Apache Hive (version 3.1.2)
Driver: Hive JDBC (version 2.3.7)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 2.3.7 by Apache Hive
0: jdbc:hive2://hadoop102:10000> show databases;
INFO : Compiling command(queryId=fyj_20230825005402_9a3a7ea4-feeb-4e50-b389-b82f065b1428): show databases
INFO : Concurrency mode is disabled, not creating a lock manager
INFO : Semantic Analysis Completed (retrial = false)
INFO : Returning Hive schema: Schema(fieldSchemas:[FieldSchema(name:database_name, type:string, comment:from deserializer)], properties:null)
INFO : Completed compiling command(queryId=fyj_20230825005402_9a3a7ea4-feeb-4e50-b389-b82f065b1428); Time taken: 1.082 seconds
INFO : Concurrency mode is disabled, not creating a lock manager
INFO : Executing command(queryId=fyj_20230825005402_9a3a7ea4-feeb-4e50-b389-b82f065b1428): show databases
INFO : Starting task [Stage-0:DDL] in serial mode
INFO : Completed executing command(queryId=fyj_20230825005402_9a3a7ea4-feeb-4e50-b389-b82f065b1428); Time taken: 0.016 seconds
INFO : OK
INFO : Concurrency mode is disabled, not creating a lock manager
+----------------+
| database_name |
+----------------+
| default |
| gmall |
+----------------+
2 rows selected (1.345 seconds)
0: jdbc:hive2://hadoop102:10000>
(4)代码操作Hive
导入依赖maven pom.xml:
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-hive_2.12</artifactId>
<version>3.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>1.2.1</version>
</dependency>
<!-- https://mvnrepository.com/artifact/mysql/mysql-connector-java -->
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>8.0.33</version>
</dependency>
将 hive-site.xml 文件拷贝到项目的 src/main/resources 目录下和 target/classes 目录下,hdfs的配置文件也可以导入,如果配置文件中没写IP,只写了hostname需要改成IP(如果本地hosts文件有hostname解析就不用改)
代码实现:
package com.fyj.bigdata.spark.sql
import org.apache.spark.SparkConf
import org.apache.spark.sql._
object Spark07_SparkSQL_Hive {
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark07_SparkSQL_Hive")
/**
* 连接外置Hive
* (1)创建可支持Hive的sparkSession,enableHiveSupport()
* (2)拷贝Hive-size.xml文件classpath下
* (3)启用Hive的支持
* (4)增加对应的依赖关系(包含MySQL驱动)
*/
val sparkSession = SparkSession.builder().enableHiveSupport().config(sparkConf).getOrCreate()
sparkSession.sql("show databases").show()
sparkSession.sql("use gmall;").show()
sparkSession.sql("show tables;").show()
sparkSession.close()
}
}
注意:在IDEA开发工具中创建数据库默认是在本地仓库,通过参数修改数据库仓库的地址,修改为自己的 hadoop 用户名称
config("spark.sql.warehouse.dir", "hdfs://IP:8020/user/hive/warehouse")
System.setProperty("HADOOP_USER_NAME", "root")
第三章 实战演练
3.1 数据样例:
user_visit_action:
2019-07-17 95 26070e87-1ad7-49a3-8fb3-cc741facaddf 37 2019-07-17 00:00:02 手机 -1 -1 \N \N \N \N 3
2019-07-17 95 26070e87-1ad7-49a3-8fb3-cc741facaddf 48 2019-07-17 00:00:10 \N 16 98 \N \N \N \N 19
product_info:
1 商品_1 自营
2 商品_2 自营
3 商品_3 自营
city_info:
1 北京 华北
2 上海 华东
3 深圳 华南
3.2 需求:
-
查询出来所有的点击记录,并与 city_info 表连接,得到每个城市所在的地区,与Product_info 表连接得到产品名称
-
按照地区和商品 id 分组,统计出每个商品在每个地区的总点击次数
-
每个地区内按照点击次数降序排列
-
只取前三名
-
城市备注需要自定义 UDAF 函数
3.3 创建表结构和导入数据
package com.fyj.bigdata.spark.sql
import org.apache.spark.SparkConf
import org.apache.spark.sql._
object Spark08_SparkSQL_SalesProject {
def main(args: Array[String]): Unit = {
System.setProperty("HADOOP_USER_NAME", "fyj")
/**
* 销售项目实战演练
* (1)提前创建数据库sales
* (2)建表
* (3)导入数据
* (4)检查数据
*/
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark08_SparkSQL_SalesProject")
val sparkSession = SparkSession.builder().enableHiveSupport().config(sparkConf).getOrCreate()
// 1. 选择数据库
sparkSession.sql("use sales")
// 2. 建表user_visit_action并从本地导入数据
sparkSession.sql(
"""
|CREATE TABLE `user_visit_action`(
| `date` string,
| `user_id` bigint,
| `session_id` string,
| `page_id` bigint,
| `action_time` string,
| `search_keyword` string,
| `click_category_id` bigint,
| `click_product_id` bigint,
| `order_category_ids` string,
| `order_product_ids` string,
| `pay_category_ids` string,
| `pay_product_ids` string,
| `city_id` bigint)
|row format delimited fields terminated by '\t'
|""".stripMargin)
// 注意导入的文件路径
sparkSession.sql("load data local inpath 'datas/user_visit_action.txt' into table sales.user_visit_action")
// 3. 建表product_info并从本地导入数据
sparkSession.sql(
"""
|CREATE TABLE `product_info`(
| `product_id` bigint,
| `product_name` string,
| `extend_info` string)
|row format delimited fields terminated by '\t'
|""".stripMargin)
sparkSession.sql("load data local inpath 'datas/product_info.txt' into table sales.product_info")
// 4. 建表city_info并从本地导入数据
sparkSession.sql(
"""
|CREATE TABLE `city_info`(
| `city_id` bigint,
| `city_name` string,
| `area` string)
|row format delimited fields terminated by '\t'
|""".stripMargin)
sparkSession.sql("load data local inpath 'datas/city_info.txt' into table sales.city_info")
// 5. 抽样检查数据
sparkSession.sql("select * from sales.user_visit_action limit 10").show()
sparkSession.sql("select * from sales.product_info limit 10").show()
sparkSession.sql("select * from sales.city_info limit 10").show()
sparkSession.close()
}
}
3.4 实现需求
package com.fyj.bigdata.spark.sql
import org.apache.spark.SparkConf
import org.apache.spark.sql._
import org.apache.spark.sql.expressions.Aggregator
import scala.collection.mutable
import scala.collection.mutable.ListBuffer
object Spark10_SparkSQL_SalesProject {
def main(args: Array[String]): Unit = {
System.setProperty("HADOOP_USER_NAME", "fyj")
/**
* 销售项目实战演练
* (1)提前创建数据库sales
* (2)建表
* (3)导入数据
* (4)检查数据
*/
val sparkConf = new SparkConf().setMaster("local[*]").setAppName("Spark09_SparkSQL_SalesProject")
val sparkSession = SparkSession.builder().enableHiveSupport().config(sparkConf).getOrCreate()
// 1. 选择数据库
sparkSession.sql("use sales")
sparkSession.sql(
"""
| select
| u.*
| ,p.product_name
| ,c.area
| ,c.city_name
| from user_visit_action u
| join product_info p on u.click_product_id = p.product_id
| join city_info c on u.city_id = c.city_id
| where u.click_product_id > -1
|""".stripMargin).createOrReplaceTempView("t1")
// 注册自定义UDAF函数
sparkSession.udf.register("cityRemark",functions.udaf(new CityRemarkUDAF()))
sparkSession.sql(
"""
| select
| area
| ,product_name
| ,count(*) as clickcnt
| ,cityRemark(city_name) as city_remark
| from t1 group by t1.area,t1.product_name
|""".stripMargin).createOrReplaceTempView("t2")
sparkSession.sql(
"""
| select
| *
| ,rank() over (partition by area order by clickcnt desc ) as rank
| from t2
|""".stripMargin).createOrReplaceTempView("t3")
sparkSession.sql(
"""
| select
| *
| from t3 where rank <= 3
|""".stripMargin).show(false)
sparkSession.close()
}
case class Buffer(var total: Long, var cityMap: mutable.Map[String, Long])
/**
* 自定义聚合函数:实现城市备注功能
* 1.继承Aggregator
* IN : 城市名称 【输入】
* BUF:Buffer -> 总点击量,map[(city,cnt),(city,cnt)]
* OUT:所需要的备注信息【输出】
* 2.重写方法6个
*/
class CityRemarkUDAF extends Aggregator[String, Buffer, String] {
override def zero: Buffer = {
Buffer(0, mutable.Map[String, Long]())
}
override def reduce(buff: Buffer, city: String): Buffer = {
buff.total += 1
val newCount = buff.cityMap.getOrElse(city, 0L) + 1
buff.cityMap.update(city, newCount)
buff
}
override def merge(buff1: Buffer, buff2: Buffer): Buffer = {
buff1.total += buff2.total
val map1 = buff1.cityMap
val map2 = buff2.cityMap
buff1.cityMap = map1.foldLeft(map2) {
case (map, (city, cnt)) => {
val newCount = map.getOrElse(city, 0L) + cnt
map.update(city, newCount)
map
}
}
buff1
}
override def finish(buff: Buffer): String = {
val remarkList = ListBuffer[String]()
val cityMap = buff.cityMap
val totalcnt = buff.total
// 降序排列
val cityCntList = cityMap.toList.sortWith(
(left,right) => {
left._2 > right._2
}
).take(2)
val hasMore = cityMap.size >2
var rsum = 0L
cityCntList.foreach{
case (city,cnt) => {
val r = cnt * 100 / totalcnt
remarkList.append(s"${city} ${r}%")
rsum += r
}
}
if (hasMore){
remarkList.append(s"其他 ${100 - rsum}%")
}
remarkList.mkString(", ")
}
override def bufferEncoder: Encoder[Buffer] = Encoders.product
override def outputEncoder: Encoder[String] = Encoders.STRING
}
}
结果:
+----+------------+--------+------------------------------+----+
|area|product_name|clickcnt|city_remark |rank|
+----+------------+--------+------------------------------+----+
|华东|商品_86 |371 |上海 16%, 杭州 15%, 其他 69% |1 |
|华东|商品_47 |366 |杭州 15%, 青岛 15%, 其他 70% |2 |
|华东|商品_75 |366 |上海 17%, 无锡 15%, 其他 68% |2 |
|西北|商品_15 |116 |西安 54%, 银川 45% |1 |
|西北|商品_2 |114 |银川 53%, 西安 46% |2 |
|西北|商品_22 |113 |西安 54%, 银川 45% |3 |
|华南|商品_23 |224 |厦门 29%, 福州 24%, 其他 47% |1 |
|华南|商品_65 |222 |深圳 27%, 厦门 26%, 其他 47% |2 |
|华南|商品_50 |212 |福州 27%, 深圳 25%, 其他 48% |3 |
|华北|商品_42 |264 |郑州 25%, 保定 25%, 其他 50% |1 |
|华北|商品_99 |264 |北京 24%, 郑州 23%, 其他 53% |1 |
|华北|商品_19 |260 |郑州 23%, 保定 20%, 其他 57% |3 |
|东北|商品_41 |169 |哈尔滨 35%, 大连 34%, 其他 31%|1 |
|东北|商品_91 |165 |哈尔滨 35%, 大连 32%, 其他 33%|2 |
|东北|商品_58 |159 |沈阳 37%, 大连 32%, 其他 31% |3 |
|东北|商品_93 |159 |哈尔滨 38%, 大连 37%, 其他 25%|3 |
|华中|商品_62 |117 |武汉 51%, 长沙 48% |1 |
|华中|商品_4 |113 |长沙 53%, 武汉 46% |2 |
|华中|商品_57 |111 |武汉 54%, 长沙 45% |3 |
|华中|商品_29 |111 |武汉 50%, 长沙 49% |3 |
+----+------------+--------+------------------------------+----+
only showing top 20 rows