目标
掌握sparksql操作jdbc数据源
掌握sparksql保存数据操作
掌握sparksql整合hive
要点
1. jdbc数据源
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
1.1 通过sparksql加载mysql表中的数据
添加mysql连接驱动jar包
<dependency> <groupId>mysql</groupId> <artifactId>mysql-connector-java</artifactId> <version>5.1.38</version> </dependency>
代码开发
package com.kaikeba.sql import java.util.Properties import org.apache.spark.SparkConf import org.apache.spark.sql.{DataFrame, SparkSession} //todo:利用sparksql加载mysql表中的数据 object DataFromMysql { def main(args: Array[String]): Unit = { //1、创建SparkConf对象 val sparkConf: SparkConf = new SparkConf().setAppName("DataFromMysql").setMaster("local[2]") //2、创建SparkSession对象 val spark: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate() //3、读取mysql表的数据 //3.1 指定mysql连接地址 val url="jdbc:mysql://node1:3306/spark" //3.2 指定要加载的表名 val tableName="iplocation" // 3.3 配置连接数据库的相关属性 val properties = new Properties() //用户名 properties.setProperty("user","root") //密码 properties.setProperty("password","123456") val mysqlDF: DataFrame = spark.read.jdbc(url,tableName,properties) //打印schema信息 mysqlDF.printSchema() //展示数据 mysqlDF.show() //把dataFrame注册成表 mysqlDF.createTempView("iplocation") spark.sql("select * from iplocation where total_count >1500").show() spark.stop() } }
1.2 通过sparksql保存结果数据到mysql表中
代码开发(本地运行)
package com.kaikeba.sql import java.util.Properties import org.apache.spark.sql.{DataFrame, SparkSession} //todo:通过sparksql把结果数据写入到mysql表中 object Data2Mysql { def main(args: Array[String]): Unit = { //1、创建SparkSession val spark: SparkSession = SparkSession .builder() .appName("Data2Mysql") .master("local[2]") .getOrCreate() //2、读取mysql表中数据 //2.1 定义url连接 val url="jdbc:mysql://node1:3306/spark" //2.2 定义表名 val table="iplocation" //2.3 定义属性 val properties=new Properties() properties.setProperty("user","root") properties.setProperty("password","123456") val mysqlDF: DataFrame = spark.read.jdbc(url,table,properties) //把dataFrame注册成一张表 mysqlDF.createTempView("iplocation") //通过sparkSession调用sql方法 //需要统计经度和维度出现的人口总数大于1000的记录 保存到mysql表中 val result: DataFrame = spark.sql("select * from iplocation where total_count >1000") //保存结果数据到mysql表中 //mode:指定数据的插入模式 //overwrite: 表示覆盖，如果表不存在，事先帮我们创建 //append :表示追加， 如果表不存在，事先帮我们创建 //ignore :表示忽略，如果表事先存在，就不进行任何操作 //error :如果表事先存在就报错（默认选项） result.write.mode("append").jdbc(url,"kaikeba",properties) // result.write.mode(args(0)).jdbc(url,args(1),properties) //关闭 spark.stop() } }
打成jar包集群提交
代码开发
package com.kaikeba.sql import java.util.Properties import org.apache.spark.sql.{DataFrame, SparkSession} //todo:通过sparksql把结果数据写入到mysql表中 object Data2Mysql { def main(args: Array[String]): Unit = { //1、创建SparkSession val spark: SparkSession = SparkSession .builder() .appName("Data2Mysql") .getOrCreate() //2、读取mysql表中数据 //2.1 定义url连接 val url="jdbc:mysql://node1:3306/spark" //2.2 定义表名 val table="iplocation" //2.3 定义属性 val properties=new Properties() properties.setProperty("user","root") properties.setProperty("password","123456") val mysqlDF: DataFrame = spark.read.jdbc(url,table,properties) //把dataFrame注册成一张表 mysqlDF.createTempView("iplocation") //通过sparkSession调用sql方法 //需要统计经度和维度出现的人口总数大于1000的记录 保存到mysql表中 val result: DataFrame = spark.sql("select * from iplocation where total_count >1000") //保存结果数据到mysql表中 //mode:指定数据的插入模式 //overwrite: 表示覆盖，如果表不存在，事先帮我们创建 //append :表示追加， 如果表不存在，事先帮我们创建 //ignore :表示忽略，如果表事先存在，就不进行任何操作 //error :如果表事先存在就报错（默认选项） result.write.mode(args(0)).jdbc(url,args(1),properties) //关闭 spark.stop() } }
提交任务脚本
spark-submit \ --master spark://node1:7077 \ --class com.kaikeba.sql.Data2Mysql \ --executor-memory 1g \ --total-executor-cores 4 \ --driver-class-path /opt/bigdata/hive/lib/mysql-connector-java-5.1.38.jar \ --jars /export/servers/hive/lib/mysql-connector-java-5.1.35.jar \ spark_class01-1.0-SNAPSHOT.jar \ append kaikeba
2. sparksql保存数据操作
代码开发
package com.kaikeba.sql import org.apache.spark.SparkConf import org.apache.spark.sql.{DataFrame, SparkSession} //todo:sparksql可以把结果数据保存到不同的外部存储介质中 object SaveResult { def main(args: Array[String]): Unit = { //1、创建SparkConf对象 val sparkConf: SparkConf = new SparkConf().setAppName("SaveResult").setMaster("local[2]") //2、创建SparkSession对象 val spark: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate() //3、加载数据源 val jsonDF: DataFrame = spark.read.json("E:\\data\\score.json") //4、把DataFrame注册成表 jsonDF.createTempView("t_score") //todo:5、统计分析 val result: DataFrame = spark.sql("select * from t_score where score > 80") //保存结果数据到不同的外部存储介质中 //todo: 5.1 保存结果数据到文本文件 ---- 保存数据成文本文件目前只支持单个字段，不支持多个字段 result.select("name").write.text("./data/result/123.txt") //todo: 5.2 保存结果数据到json文件 result.write.json("./data/json") //todo: 5.3 保存结果数据到parquet文件 result.write.parquet("./data/parquet") //todo: 5.4 save方法保存结果数据，默认的数据格式就是parquet result.write.save("./data/save") //todo: 5.5 保存结果数据到csv文件 result.write.csv("./data/csv") //todo: 5.6 保存结果数据到表中 result.write.saveAsTable("t1") //todo: 5.7 按照单个字段进行分区 分目录进行存储 result.write.partitionBy("classNum").json("./data/partitions") //todo: 5.8 按照多个字段进行分区 分目录进行存储 result.write.partitionBy("classNum","name").json("./data/numPartitions") spark.stop() } }
3. sparksql中自定义函数
自定义UDF函数
代码开发
package com.kaikeba.sql import org.apache.spark.sql.api.java.UDF1 import org.apache.spark.sql.types.StringType import org.apache.spark.sql.{DataFrame, SparkSession} //TODO:自定义sparksql的UDF函数 一对一的关系 object SparkSQLFunction { def main(args: Array[String]): Unit = { //1、创建SparkSession val sparkSession: SparkSession = SparkSession.builder().appName("SparkSQLFunction").master("local[2]").getOrCreate() //2、构建数据源生成DataFrame val dataFrame: DataFrame = sparkSession.read.text("E:\\data\\test_udf_data.txt") //3、注册成表 dataFrame.createTempView("t_udf") //4、实现自定义的UDF函数 //小写转大写 sparkSession.udf.register("low2Up",new UDF1[String,String]() { override def call(t1: String): String = { t1.toUpperCase } },StringType) //大写转小写 sparkSession.udf.register("up2low",(x:String)=>x.toLowerCase) //4、把数据文件中的单词统一转换成大小写 sparkSession.sql("select value from t_udf").show() sparkSession.sql("select low2Up(value) from t_udf").show() sparkSession.sql("select up2low(value) from t_udf").show() sparkSession.stop() } }
4. sparksql整合hive
步骤
1、需要把hive安装目录下的配置文件hive-site.xml拷贝到每一个spark安装目录下对应的conf文件夹中
2、需要一个连接mysql驱动的jar包拷贝到spark安装目录下对应的jars文件夹中
3、可以使用spark-sql脚本 后期执行sql相关的任务
启动脚本
spark-sql \ --master spark://node1:7077 \ --executor-memory 1g \ --total-executor-cores 4 \ --conf spark.sql.warehouse.dir=hdfs://node1:9000/user/hive/warehouse
应用场景
#!/bin/sh #定义spark.sql提交脚本的头信息 SUBMITINFO="spark-sql --master spark://node1:7077 --executor-memory 1g --total-executor-cores 4 --conf spark.sql.warehouse.dir=hdfs://node1:9000/user/hive/warehouse" #定义一个sql语句 SQL="select * from employee;" #执行sql语句 类似于 hive -e sql语句 echo "$SUBMITINFO" echo "$SQL" $SUBMITINFO -e "$SQL"
sh spark.sql
5. spark的shuffle原理分析
5.1 shuffle概述
Shuffle就是对数据进行重组，由于分布式计算的特性和要求，在实现细节上更加繁琐和复杂。 在MapReduce框架，Shuffle是连接Map和Reduce之间的桥梁，Map阶段通过shuffle读取数据并输出到对应的Reduce；而Reduce阶段负责从Map端拉取数据并进行计算。
在整个shuffle过程中，往往伴随着大量的磁盘和网络I/O。所以shuffle性能的高低也直接决定了整个程序的性能高低。Spark也会有自己的shuffle实现过程。
5.2 spark中的shuffle介绍
在DAG调度的过程中，Stage阶段的划分是根据是否有shuffle过程，也就是存在wide Dependency宽依赖的时候,需要进行shuffle,这时候会将作业job划分成多个Stage，
每一个stage内部有很多可以并行运行的task。 stage与stage之间的过程就是shuffle阶段，在Spark的中，负责shuffle过程的执行、计算和处理的组件主要就是ShuffleManager，也即shuffle管理器。
ShuffleManager随着Spark的发展有两种实现的方式，分别为HashShuffleManager和SortShuffleManager，因此spark的Shuffle有Hash Shuffle和Sort Shuffle两种。
5.3 HashShuffle机制
5.3.1 HashShuffle概述
在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。 该ShuffleManager-HashShuffleManager有着一个非常严重的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操作影响了性能。因此在Spark 1.2以后的版本中，
默认的ShuffleManager改成了SortShuffleManager。 SortShuffleManager相较于HashShuffleManager来说，有了一定的改进。主要就在于每个Task在进行shuffle操作时，虽然也会产生较多的临时磁盘文件，但是最后会将所有的
临时文件合并(merge)成一个磁盘文件，因此每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。
Hash shuffle
HashShuffleManager的运行机制主要分成两种
一种是普通运行机制
另一种是合并的运行机制。
合并机制主要是通过复用buffer来优化Shuffle过程中产生的小文件的数量。
Hash shuffle是不具有排序的Shuffle。
5.3.2 普通机制的Hash shuffle
图解
这里我们先明确一个假设前提：每个Executor只有1个CPU core，也就是说，无论这个Executor上分配多少个task线程，同一时间都只能执行一个task线程。
图中有3个ReduceTask，从ShuffleMapTask 开始那边各自把自己进行 Hash 计算(分区器：hash/numreduce取模)，分类出3个不同的类别，
每个 ShuffleMapTask 都分成3种类别的数据，想把不同的数据汇聚然后计算出最终的结果，所以ReduceTask 会在属于自己类别的数据收集过来，汇聚成一个同类别的大集合，
每1个 ShuffleMapTask 输出3份本地文件，这里有4个 ShuffleMapTask，所以总共输出了4 x 3个分类文件 = 12个本地小文件。
shuffle Write阶段
主要就是在一个stage结束计算之后，为了下一个stage可以执行shuffle类的算子(比如reduceByKey，groupByKey)，而将每个task处理的数据按key进行“分区”。
所谓“分区”，就是对相同的key执行hash算法，从而将相同key都写入同一个磁盘文件中，而每一个磁盘文件都只属于reduce端的stage的一个task。在将数据写入磁盘之前，
会先将数据写入内存缓冲中，当内存缓冲填满之后，才会溢写到磁盘文件中去。 那么每个执行shuffle write的task，要为下一个stage创建多少个磁盘文件呢? 很简单，下一个stage的task有多少个，当前stage的每个task就要创建多少份磁盘文件。
比如下一个stage总共有100个task，那么当前stage的每个task都要创建100份磁盘文件。如果当前stage有50个task，总共有10个Executor，每个Executor执行5个Task，
那么每个Executor上总共就要创建500个磁盘文件，所有Executor上会创建5000个磁盘文件。由此可见，未经优化的shuffle write操作所产生的磁盘文件的数量是极其惊人的。
shuffle Read阶段
shuffle read，通常就是一个stage刚开始时要做的事情。此时该stage的每一个task就需要将上一个stage的计算结果中的所有相同key，从各个节点上通过网络都拉取到自己
所在的节点上，然后进行key的聚合或连接等操作。由于shuffle write的过程中，task给Reduce端的stage的每个task都创建了一个磁盘文件，因此shuffle read的过程中，
每个task只要从上游stage的所有task所在节点上，拉取属于自己的那一个磁盘文件即可。 shuffle read的拉取过程是一边拉取一边进行聚合的。每个shuffle read task都会有一个自己的buffer缓冲，每次都只能拉取与buffer缓冲相同大小的数据，
然后通过内存中的一个Map进行聚合等操作。聚合完一批数据后，再拉取下一批数据，并放到buffer缓冲中进行聚合操作。以此类推，直到最后将所有数据到拉取完，并得到最终的结果。
注意
（1）buffer起到的是缓存作用，缓存能够加速写磁盘，提高计算的效率,buffer的默认大小32k。 （2）分区器：根据hash/numRedcue取模决定数据由几个Reduce处理，也决定了写入几个buffer中 （3）block file：磁盘小文件，从图中我们可以知道磁盘小文件的个数计算公式：block file=M*R (4) M为map task的数量，R为Reduce的数量，一般Reduce的数量等于buffer的数量，都是由分区器决定的
Hash shuffle普通机制的问题
（1).Shuffle阶段在磁盘上会产生海量的小文件，建立通信和拉取数据的次数变多,此时会产生大量耗时低效的 IO 操作 (因为产生过多的小文件) （2).可能导致OOM，大量耗时低效的 IO 操作 ，导致写磁盘时的对象过多，读磁盘时候的对象也过多，这些对象存储在堆内存中，会导致堆内存不足，相应会导致频繁的GC，
GC会导致OOM。由于内存中需要保存海量文件操作句柄和临时信息，如果数据处理的规模比较庞大的话，内存不可承受，会出现 OOM 等问题
5.3.3 合并机制的Hash shuffle
合并机制就是复用buffer缓冲区，开启合并机制的配置是spark.shuffle.consolidateFiles。该参数默认值为false，将其设置为true即可开启优化机制。
通常来说，如果我们使用HashShuffleManager，那么都建议开启这个选项。
图解
这里有6个这里有6个shuffleMapTask，数据类别还是分成3种类型，因为Hash算法会根据你的 Key 进行分类，在同一个进程中，无论是有多少过Task，
都会把同样的Key放在同一个Buffer里，然后把Buffer中的数据写入以Core数量为单位的本地文件中，(一个Core只有一种类型的Key的数据)，每1个Task所在的进程中，
分别写入共同进程中的3份本地文件，这里有6个shuffleMapTasks，所以总共输出是 2个Cores x 3个分类文件 = 6个本地小文件。
注意
（1).启动HashShuffle的合并机制ConsolidatedShuffle的配置 spark.shuffle.consolidateFiles=true （2).block file=Core*R Core为CPU的核数，R为Reduce的数量
Hash shuffle合并机制的问题
如果 Reducer 端的并行任务或者是数据分片过多的话则 Core * Reducer Task 依旧过大，也会产生很多小文件。
5.4 Sort shuffle
SortShuffleManager的运行机制主要分成两种，
一种是普通运行机制
另一种是bypass运行机制
5.4.1 Sort shuffle的普通机制
图解
在该模式下，数据会先写入一个数据结构，聚合算子写入Map，一边通过Map局部聚合，一遍写入内存。Join算子写入ArrayList直接写入内存中。然后需要判断是否达到阈值（5M），如果达到就会将内存数据结构的数据写入到磁盘，清空内存数据结构。
在溢写磁盘前，先根据key进行排序，排序过后的数据，会分批写入到磁盘文件中。默认批次为10000条，数据会以每批一万条写入到磁盘文件。写入磁盘文件通过缓冲区溢写的方式，每次溢写都会产生一个磁盘文件，也就是说一个task过程会产生多个临时文件。
最后在每个task中，将所有的临时文件合并，这就是merge过程，此过程将所有临时文件读取出来，一次写入到最终文件。意味着一个task的所有数据都在这一个文件中。同时单独写一份索引文件，标识下游各个task的数据在文件中的索引start offset和end offset。
这样算来如果第一个stage 50个task，每个Executor执行一个task，那么无论下游有几个task，就需要50*2=100个磁盘文件。
好处
1. 小文件明显变少了，一个task只生成一个file文件 2. file文件整体有序，加上索引文件的辅助，查找变快，虽然排序浪费一些性能，但是查找变快很多
5.4.2 bypass模式的sortShuffle
bypass机制运行条件
shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值
不是聚合类的shuffle算子（比如reduceByKey）
好处
该机制与sortshuffle的普通机制相比，在shuffleMapTask不多的情况下，首先写的机制是不同，其次不会进行排序。这样就可以节约一部分性能开销。总结
在shuffleMapTask数量小于默认值200时，启用bypass模式的sortShuffle，并没有进行sort，原因是数据量本身比较少，没必要进行sort全排序，因为数据量少本身查询速度就快，正好省了sort的那部分性能开销。6. Spark Shuffle调优
//buffer大小默认是32K maptask端的shuffle 降低磁盘IO
spark.shuffle.file.buffer 32k
//shuffle read拉取数据量的大小
spark.reducer.MaxSizeFlight 48M
//shuffle聚合内存的比例
spark.shuffle.memoryFraction 0.2
//拉取数据重试次数
spark.shuffle.io.maxRetries 3
//调整到重试间隔时间60s
spark.shuffle.io.retryWait 5s
//Spark Shuffle的种类
spark.shuffle.manager hash|sort
//针对HashShuffle HashShuffle 合并机制
spark.shuffle.consolidateFiles false
//针对SortShuffle SortShuffle bypass机制 200次
spark.shuffle.sort.bypassMergeThreshold 200