1. Shark

    Shark是基于Spark计算框架之上且兼容Hive语法的SQL执行引擎,由于底层的计算采用了Spark,性能比MapReduce的Hive普遍快2倍以上,当数据全部load在内存的话,将快10倍以上,因此Shark可以作为交互式查询应用服务来使用。除了基于Spark的特性外,Shark是完全兼容Hive的语法,表结构以及UDF函数等,已有的HiveSql可以直接进行迁移至Shark上Shark底层依赖于Hive的解析器,查询优化器,但正是由于SHark的整体设计架构对Hive的依赖性太强,难以支持其长远发展,比如不能和Spark的其他组件进行很好的集成,无法满足Spark的一栈式解决大数据处理的需求。

  2. SparkSQL
    1. SparkSQL介绍

    Hive是Shark的前身,Shark是SparkSQL的前身,SparkSQL产生的根本原因是其完全脱离了Hive的限制。

  • SparkSQL支持查询原生的RDD。 RDD是Spark平台的核心概念,是Spark能够高效的处理大数据的各种场景的基础。
  • 能够在Scala中写SQL语句。支持简单的SQL语法检查,能够在Scala中写Hive语句访问Hive数据,并将结果取回作为RDD使用。
  1. Spark on Hive和Hive on Spark

Spark on Hive: Hive只作为储存角色,Spark负责sql解析优化,执行。

Hive on Spark:Hive即作为存储又负责sql的解析优化,Spark负责执行。

  1. DataFrame

Spark day05-LMLPHPDataFrame也是一个分布式数据容器。与RDD类似,然而DataFrame更像传统数据库的二维表格,除了数据以外,还掌握数据的结构信息,即schema。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。

DataFrame的底层封装的是RDD,只不过RDD的泛型是Row类型。

  1. SparkSQL的数据源

    SparkSQL的数据源可以是JSON类型的字符串,JDBC,Parquent,Hive,HDFS等。

  2. SparkSQL底层架构

    首先拿到sql后解析一批未被解决的逻辑计划,再经过分析得到分析后的逻辑计划,再经过一批优化规则转换成一批最佳优化的逻辑计划,再经过SparkPlanner的策略转化成一批物理计划,随后经过消费模型转换成一个个的Spark任务执行。

  3. 谓词下推(predicate Pushdown)

Spark day05-LMLPHP

  1. 创建DataFrame的几种方式
    1. 读取json格式的文件创建DataFrame

      注意:

  • json文件中的json数据不能嵌套json格式数据。
  • DataFrame是一个一个Row类型的RDD,df.rdd()/df.javaRdd()。
  • 可以两种方式读取json格式的文件。
  • df.show()默认显示前20行数据。
  • DataFrame原生API可以操作DataFrame(不方便)。
  • 注册成临时表时,表中的列默认按ascii顺序显示列。

java:

SparkConf
conf = new SparkConf();

conf.setMaster("local").setAppName("jsonfile");

SparkContext sc = new SparkContext(conf);

        

//创建sqlContext

SQLContext sqlContext = new SQLContext(sc);

        

/**

* DataFrame的底层是一个一个的RDD RDD的泛型是Row类型。

* 以下两种方式都可以读取json格式的文件

*/

DataFrame df = sqlContext.read().format("json").load("sparksql/json");

// DataFrame df2 = sqlContext.read().json("sparksql/json.txt");

// df2.show();

/**

* DataFrame转换成RDD

*/

RDD<Row> rdd = df.rdd();

/**

行。如果现实多行要指定多少行show(行数)

* 注意:当有多个列时,显示的列先后顺序是按列的ascii码先后显示。

*/

// df.show();

/**

* 树形的形式显示schema信息

*/

df.printSchema();

        

/**

* dataFram自带的API 操作DataFrame

*/

//select name from table

// df.select("name").show();

//select name age+10 as addage from table

     df.select(df.col("name"),df.col("age").plus(10).alias("addage")).show();

//select name ,age from table where age>19

     df.select(df.col("name"),df.col("age")).where(df.col("age").gt(19)).show();

//select count(*) from table group by age

df.groupBy(df.col("age")).count().show();

        

/**

* 将DataFrame注册成临时的一张表,这张表临时注册到内存中,是逻辑上的表,不会雾化到磁盘

*/

df.registerTempTable("jtable");

        

DataFrame sql = sqlContext.sql("select age,count(1) from jtable group by age");

DataFrame sql2 = sqlContext.sql("select * from jtable");

        

sc.stop();

scala:

val
conf = new SparkConf()

conf.setMaster("local").setAppName("jsonfile")

 

val
sc = new SparkContext(conf)

val
sqlContext = new SQLContext(sc)

val df = sqlContext.read.json("sparksql/json")

//val df1 = sqlContext.read.format("json").load("sparksql/json")

 

df.show()

df.printSchema()

//select * from table

df.select(df.col("name")).show()

//select name from table where age>19

df.select(df.col("name"),df.col("age")).where(df.col("age").gt(19)).show()

//select count(*) from table group by age

df.groupBy(df.col("age")).count().show();

 

/**

* 注册临时表

*/

df.registerTempTable("jtable")

val
result = sqlContext.sql("select * from jtable")

result.show()

sc.stop()

  1. 通过json格式的RDD创建DataFrame

    java:

SparkConf conf = new SparkConf();

conf.setMaster("local").setAppName("jsonRDD");

JavaSparkContext sc = new JavaSparkContext(conf);

SQLContext sqlContext = new SQLContext(sc);

JavaRDD<String> nameRDD = sc.parallelize(Arrays.asList(

    "{\"name\":\"zhangsan\",\"age\":\"18\"}",

    "{\"name\":\"lisi\",\"age\":\"19\"}",

    "{\"name\":\"wangwu\",\"age\":\"20\"}"

));

JavaRDD<String> scoreRDD = sc.parallelize(Arrays.asList(

"{\"name\":\"zhangsan\",\"score\":\"100\"}",

"{\"name\":\"lisi\",\"score\":\"200\"}",

"{\"name\":\"wangwu\",\"score\":\"300\"}"

));

 

DataFrame namedf = sqlContext.read().json(nameRDD);

DataFrame scoredf = sqlContext.read().json(scoreRDD);

namedf.registerTempTable("name");

scoredf.registerTempTable("score");

 

DataFrame result = sqlContext.sql("select name.name,name.age,score.score from name,score where name.name = score.name");

result.show();

 

sc.stop();

scala:

val
conf = new SparkConf()

conf.setMaster("local").setAppName("jsonrdd")

val
sc = new SparkContext(conf)

val
sqlContext = new SQLContext(sc)

 

val
nameRDD = sc.makeRDD(Array(

"{\"name\":\"zhangsan\",\"age\":18}",

"{\"name\":\"lisi\",\"age\":19}",

"{\"name\":\"wangwu\",\"age\":20}"

))

val
scoreRDD = sc.makeRDD(Array(

        "{\"name\":\"zhangsan\",\"score\":100}",

        "{\"name\":\"lisi\",\"score\":200}",

        "{\"name\":\"wangwu\",\"score\":300}"

        ))

val nameDF = sqlContext.read.json(nameRDD)

val scoreDF = sqlContext.read.json(scoreRDD)

nameDF.registerTempTable("name")         

scoreDF.registerTempTable("score")         

val
result = sqlContext.sql("select name.name,name.age,score.score from name,score where name.name = score.name")

result.show()

sc.stop()

  1. 非json格式的RDD创建DataFrame
    1. 通过反射的方式将非json格式的RDD转换成DataFrame(不建议使用)
  • 自定义类要可序列化
  • 自定义类的访问级别是Public
  • RDD转成DataFrame后会根据映射将字段按Assci码排序
  • 将DataFrame转换成RDD时获取字段两种方式,一种是df.getInt(0)下标获取(不推荐使用),另一种是df.getAs("列名")获取(推荐使用)

/**

* 注意:

* 1.自定义类必须是可序列化的

* 2.自定义类访问级别必须是Public

* 3.RDD转成DataFrame会把自定义类中字段的名称按assci码排序

*/

SparkConf conf = new SparkConf();

conf.setMaster("local").setAppName("RDD");

JavaSparkContext sc = new JavaSparkContext(conf);

SQLContext sqlContext = new SQLContext(sc);

JavaRDD<String> lineRDD = sc.textFile("sparksql/person.txt");

JavaRDD<Person> personRDD = lineRDD.map(new Function<String, Person>() {

 

    /**

    *

    */

    private
static
final
long
serialVersionUID = 1L;

 

    @Override

    public Person call(String s) throws Exception {

Person p = new Person();

p.setId(s.split(",")[0]);

p.setName(s.split(",")[1]);

p.setAge(Integer.valueOf(s.split(",")[2]));

return
p;

    }

});

/**

* 传入进去Person.class的时候,sqlContext是通过反射的方式创建DataFrame

* 在底层通过反射的方式获得Person的所有field,结合RDD本身,就生成了DataFrame

*/

DataFrame df = sqlContext.createDataFrame(personRDD, Person.class);

df.show();

df.registerTempTable("person");

sqlContext.sql("select name from person where id = 2").show();

 

/**

* 将DataFrame转成JavaRDD

* 注意:

* 1.可以使用row.getInt(0),row.getString(1)...通过下标获取返回Row类型的数据,但是要注意列顺序问题---不常用

* 2.可以使用row.getAs("列名")来获取对应的列值。

*

*/

JavaRDD<Row> javaRDD = df.javaRDD();

JavaRDD<Person> map = javaRDD.map(new Function<Row, Person>() {

 

    /**

    *

    */

    private
static
final
long
serialVersionUID = 1L;

 

    @Override

    public Person call(Row row) throws Exception {

Person p = new Person();

//p.setId(row.getString(1));

//p.setName(row.getString(2));

//p.setAge(row.getInt(0));

 

p.setId((String)row.getAs("id"));

p.setName((String)row.getAs("name"));

p.setAge((Integer)row.getAs("age"));

return
p;

    }

});

map.foreach(new VoidFunction<Person>() {

    

    /**

    *

    */

    private
static
final
long
serialVersionUID = 1L;

 

    @Override

    public
void call(Person t) throws Exception {

System.out.println(t);

    }

});

 

sc.stop();

scala:

val
conf = new SparkConf()

conf.setMaster("local").setAppName("rddreflect")

val
sc = new SparkContext(conf)

val
sqlContext = new SQLContext(sc)

val
lineRDD = sc.textFile("./sparksql/person.txt")

/**

* 将RDD隐式转换成DataFrame

*/

import sqlContext.implicits._

 

val
personRDD = lineRDD.map { x => {

val
person = Person(x.split(",")(0),x.split(",")(1),Integer.valueOf(x.split(",")(2)))

person

} }

val df = personRDD.toDF();

df.show()

 

/**

* 将DataFrame转换成PersonRDD

*/

val
rdd = df.rdd

val
result = rdd.map { x => {

Person(x.getAs("id"),x.getAs("name"),x.getAs("age"))

} }

result.foreach { println}

sc.stop()

  1. 动态创建Schema将非json格式的RDD转换成DataFrame

java:

SparkConf conf = new SparkConf();

conf.setMaster("local").setAppName("rddStruct");

JavaSparkContext sc = new JavaSparkContext(conf);

SQLContext sqlContext = new SQLContext(sc);

JavaRDD<String> lineRDD = sc.textFile("./sparksql/person.txt");

/**

* 转换成Row类型的RDD

*/

JavaRDD<Row> rowRDD = lineRDD.map(new Function<String, Row>() {

 

    /**

     *

     */

    private
static
final
long
serialVersionUID = 1L;

 

    @Override

    public Row call(String s) throws Exception {

return RowFactory.create(

String.valueOf(s.split(",")[0]),

String.valueOf(s.split(",")[1]),

Integer.valueOf(s.split(",")[2])

    );

    }

});

/**

* 动态构建DataFrame中的元数据,一般来说这里的字段可以来源自字符串,也可以来源于外部数据库

*/

List<StructField> asList =Arrays.asList(

    DataTypes.createStructField("id", DataTypes.StringType, true),

    DataTypes.createStructField("name", DataTypes.StringType, true),

    DataTypes.createStructField("age", DataTypes.IntegerType, true)

);

 

StructType schema = DataTypes.createStructType(asList);

DataFrame df = sqlContext.createDataFrame(rowRDD, schema);

 

df.show();

sc.stop();

scala:

val
conf = new SparkConf()

conf.setMaster("local").setAppName("rddStruct")

val
sc = new SparkContext(conf)

val
sqlContext = new SQLContext(sc)

val
lineRDD = sc.textFile("./sparksql/person.txt")

val
rowRDD = lineRDD.map { x => {

val
split = x.split(",")

RowFactory.create(split(0),split(1),Integer.valueOf(split(2)))

} }

 

val
schema = StructType(List(

StructField("id",StringType,true),

StructField("name",StringType,true),

StructField("age",IntegerType,true)

))

 

val
df = sqlContext.createDataFrame(rowRDD, schema)

df.show()

df.printSchema()

sc.stop()

  1. 读取parquet文件创建DataFrame

    注意:

  • 可以将DataFrame存储成parquet文件。保存成parquet文件的方式有两种

df.write().mode(SaveMode.Overwrite)format("parquet")

.save("./sparksql/parquet");

df.write().mode(SaveMode.Overwrite).parquet("./sparksql/parquet");

  • SaveMode指定文件保存时的模式。

    Overwrite:覆盖

    Append:追加

    ErrorIfExists:如果存在就报错

    Ignore:如果存在就忽略

     

    java:

SparkConf conf = new SparkConf();

conf.setMaster("local").setAppName("parquet");

JavaSparkContext sc = new JavaSparkContext(conf);

SQLContext sqlContext = new SQLContext(sc);

JavaRDD<String> jsonRDD = sc.textFile("sparksql/json");

DataFrame df = sqlContext.read().json(jsonRDD);

/**

* 将DataFrame保存成parquet文件,SaveMode指定存储文件时的保存模式

* 保存成parquet文件有以下两种方式:

*/

df.write().mode(SaveMode.Overwrite).format("parquet").save("./sparksql/parquet");

df.write().mode(SaveMode.Overwrite).parquet("./sparksql/parquet");

df.show();

/**

* 加载parquet文件成DataFrame    

* 加载parquet文件有以下两种方式:    

*/

 

DataFrame load = sqlContext.read().format("parquet").load("./sparksql/parquet");

load = sqlContext.read().parquet("./sparksql/parquet");

load.show();

 

sc.stop();

scala:

val
conf = new SparkConf()

conf.setMaster("local").setAppName("parquet")

val
sc = new SparkContext(conf)

val
sqlContext = new SQLContext(sc)

val
jsonRDD = sc.textFile("sparksql/json")

val
df = sqlContext.read.json(jsonRDD)

df.show()

/**

* 将DF保存为parquet文件

*/

df.write.mode(SaveMode.Overwrite).format("parquet").save("./sparksql/parquet")

df.write.mode(SaveMode.Overwrite).parquet("./sparksql/parquet")

/**

* 读取parquet文件

*/

var
result = sqlContext.read.parquet("./sparksql/parquet")

result = sqlContext.read.format("parquet").load("./sparksql/parquet")

result.show()

sc.stop()

  1. 读取JDBC中的数据创建DataFrame(MySql为例)

    两种方式创建DataFrame

    java:

SparkConf conf = new SparkConf();

conf.setMaster("local").setAppName("mysql");

JavaSparkContext sc = new JavaSparkContext(conf);

SQLContext sqlContext = new SQLContext(sc);

/**

* 第一种方式读取MySql数据库表,加载为DataFrame

*/

Map<String, String> options = new HashMap<String,String>();

options.put("url", "jdbc:mysql://192.168.179.4:3306/spark");

options.put("driver", "com.mysql.jdbc.Driver");

options.put("user", "root");

options.put("password", "123456");

options.put("dbtable", "person");

DataFrame person = sqlContext.read().format("jdbc").options(options).load();

person.show();

person.registerTempTable("person");

/**

* 第二种方式读取MySql数据表加载为DataFrame

*/

DataFrameReader reader = sqlContext.read().format("jdbc");

reader.option("url", "jdbc:mysql://192.168.179.4:3306/spark");

reader.option("driver", "com.mysql.jdbc.Driver");

reader.option("user", "root");

reader.option("password", "123456");

reader.option("dbtable", "score");

DataFrame score = reader.load();

score.show();

score.registerTempTable("score");

 

DataFrame result =

sqlContext.sql("select person.id,person.name,score.score from person,score where person.name = score.name");

result.show();

/**

* 将DataFrame结果保存到Mysql中

*/

Properties properties = new Properties();

properties.setProperty("user", "root");

properties.setProperty("password", "123456");

result.write().mode(SaveMode.Overwrite).jdbc("jdbc:mysql://192.168.179.4:3306/spark", "result", properties);

 

sc.stop();

scala:

val
conf = new SparkConf()

conf.setMaster("local").setAppName("mysql")

val
sc = new SparkContext(conf)

val
sqlContext = new SQLContext(sc)

/**

* 第一种方式读取Mysql数据库表创建DF

*/

val options = new HashMap[String,String]();

options.put("url", "jdbc:mysql://192.168.179.4:3306/spark")

options.put("driver","com.mysql.jdbc.Driver")

options.put("user","root")

options.put("password", "123456")

options.put("dbtable","person")

val person = sqlContext.read.format("jdbc").options(options).load()

person.show()

person.registerTempTable("person")

/**

* 第二种方式读取Mysql数据库表创建DF

*/

val reader = sqlContext.read.format("jdbc")

reader.option("url", "jdbc:mysql://192.168.179.4:3306/spark")

reader.option("driver","com.mysql.jdbc.Driver")

reader.option("user","root")

reader.option("password","123456")

reader.option("dbtable", "score")

val score = reader.load()

score.show()

score.registerTempTable("score")

val
result = sqlContext.sql("select person.id,person.name,score.score from person,score where person.name = score.name")

result.show()

/**

* 将数据写入到Mysql表中

*/

val
properties = new Properties()

properties.setProperty("user", "root")

properties.setProperty("password", "123456")

result.write.mode(SaveMode.Append).jdbc("jdbc:mysql://192.168.179.4:3306/spark", "result", properties)

 

sc.stop()

  1. 读取Hive中的数据加载成DataFrame
  • HiveContext是SQLContext的子类,连接Hive建议使用HiveContext。
  • 由于本地没有Hive环境,要提交到集群运行,提交命令:

./spark-submit

--master spark://node1:7077,node2:7077

--executor-cores 1

--executor-memory 2G

--total-executor-cores 1

--class com.bjsxt.sparksql.dataframe.CreateDFFromHive

/root/test/HiveTest.jar

java:

SparkConf conf = new SparkConf();

conf.setAppName("hive");

JavaSparkContext sc = new JavaSparkContext(conf);

//HiveContext是SQLContext的子类。

HiveContext hiveContext = new HiveContext(sc);

hiveContext.sql("USE spark");

hiveContext.sql("DROP TABLE IF EXISTS student_infos");

//在hive中创建student_infos表

hiveContext.sql("CREATE TABLE IF NOT EXISTS student_infos (name STRING,age INT) row format delimited fields terminated by '\t' ");

hiveContext.sql("load data local inpath '/root/test/student_infos' into table student_infos");

 

hiveContext.sql("DROP TABLE IF EXISTS student_scores");

hiveContext.sql("CREATE TABLE IF NOT EXISTS student_scores (name STRING, score INT) row format delimited fields terminated by '\t'");

hiveContext.sql("LOAD DATA "

+ "LOCAL INPATH '/root/test/student_scores'"

+ "INTO TABLE student_scores");

/**

* 查询表生成DataFrame

*/

DataFrame goodStudentsDF = hiveContext.sql("SELECT si.name, si.age, ss.score "

+ "FROM student_infos si "

+ "JOIN student_scores ss "

+ "ON si.name=ss.name "

+ "WHERE ss.score>=80");

 

hiveContext.sql("DROP TABLE IF EXISTS good_student_infos");

 

goodStudentsDF.registerTempTable("goodstudent");

DataFrame result = hiveContext.sql("select * from goodstudent");

result.show();

 

/**

* 将结果保存到hive表 good_student_infos

*/

goodStudentsDF.write().mode(SaveMode.Overwrite).saveAsTable("good_student_infos");

 

Row[] goodStudentRows = hiveContext.table("good_student_infos").collect();

for(Row goodStudentRow : goodStudentRows) {

    System.out.println(goodStudentRow);

}

sc.stop();

scala:

val
conf = new SparkConf()

conf.setAppName("HiveSource")

val
sc = new SparkContext(conf)

/**

* HiveContext是SQLContext的子类。

*/

val
hiveContext = new HiveContext(sc)

hiveContext.sql("use spark")

hiveContext.sql("drop table if exists student_infos")

hiveContext.sql("create table if not exists student_infos (name string,age int) row format delimited fields terminated by '\t'")

hiveContext.sql("load data local inpath '/root/test/student_infos' into table student_infos")

 

hiveContext.sql("drop table if exists student_scores")

hiveContext.sql("create table if not exists student_scores (name string,score int) row format delimited fields terminated by '\t'")

hiveContext.sql("load data local inpath '/root/test/student_scores' into table student_scores")

 

val
df = hiveContext.sql("select si.name,si.age,ss.score from student_infos si,student_scores ss where si.name = ss.name")

hiveContext.sql("drop table if exists good_student_infos")

/**

* 将结果写入到hive表中

*/

df.write.mode(SaveMode.Overwrite).saveAsTable("good_student_infos")

 

sc.stop()

  1. Spark On Hive的配置
    1. 在Spark客户端配置Hive On Spark

      在Spark客户端安装包下spark-1.6.0/conf中创建文件hive-site.xml:

      配置hive的metastore路径

<configuration>

<property>

<name>hive.metastore.uris</name>

<value>thrift://node1:9083</value>

</property>

</configuration>

  1. 启动Hive的metastore服务

hive --service metastore

  1. 启动zookeeper集群,启动HDFS集群。
  2. 启动SparkShell 读取Hive中的表总数,对比hive中查询同一表查询总数测试时间。

./spark-shell

--master spark://node1:7077,node2:7077

--executor-cores 1

--executor-memory 1g

--total-executor-cores 1

import org.apache.spark.sql.hive.HiveContext

val hc = new HiveContext(sc)

hc.sql("show databases").show

hc.sql("user default").show

hc.sql("select count(*) from jizhan").show

  • 注意:

如果使用Spark on Hive 查询数据时,出现错误:

Spark day05-LMLPHP

找不到HDFS集群路径,要在客户端机器conf/spark-env.sh中设置HDFS的路径:Spark day05-LMLPHP

  1. 序列化问题。
  2. 储存DataFrame
    1. 将DataFrame存储为parquet文件。
    2. 将DataFrame存储到JDBC数据库。
    3. 将DataFrame存储到Hive表。
  3. 自定义函数UDF和UDAF
    1. UDF:用户自定义函数。

      可以自定义类实现UDFX接口。

    java:

SparkConf conf = new SparkConf();

conf.setMaster("local");

conf.setAppName("udf");

JavaSparkContext sc = new JavaSparkContext(conf);

SQLContext sqlContext = new SQLContext(sc);

JavaRDD<String> parallelize = sc.parallelize(Arrays.asList("zhansan","lisi","wangwu"));

JavaRDD<Row> rowRDD = parallelize.map(new Function<String, Row>() {

 

    /**

     *

     */

    private
static
final
long
serialVersionUID = 1L;

 

    @Override

    public Row call(String s) throws Exception {

return RowFactory.create(s);

    }

});

 

List<StructField> fields = new ArrayList<StructField>();

fields.add(DataTypes.createStructField("name", DataTypes.StringType,true));

 

StructType schema = DataTypes.createStructType(fields);

DataFrame df = sqlContext.createDataFrame(rowRDD,schema);

df.registerTempTable("user");

 

/**

* 根据UDF函数参数的个数来决定是实现哪一个UDF UDF1,UDF2。。。。UDF1xxx

*/

sqlContext.udf().register("StrLen", new UDF1<String,Integer>() {

 

    /**

     *

     */

    private
static
final
long
serialVersionUID = 1L;

 

    @Override

    public Integer call(String t1) throws Exception {

return
t1.length();

    }

}, DataTypes.IntegerType);

sqlContext.sql("select name ,StrLen(name) as length from user").show();

 

//sqlContext.udf().register("StrLen",new UDF2<String, Integer, Integer>() {

//

//    /**

//     *

//     */

//    private static final long serialVersionUID = 1L;

//

//    @Override

//    public Integer call(String t1, Integer t2) throws Exception {

//return t1.length()+t2;

//    }

//} ,DataTypes.IntegerType );

//sqlContext.sql("select name ,StrLen(name,10) as length from user").show();

 

sc.stop();    

scala:

val
conf = new SparkConf()

conf.setMaster("local").setAppName("udf")

val
sc = new SparkContext(conf)

val
sqlContext = new SQLContext(sc);

val
rdd = sc.makeRDD(Array("zhansan","lisi","wangwu"))

val
rowRDD = rdd.map { x => {

RowFactory.create(x)

} }

val
schema = DataTypes.createStructType(Array(StructField("name",StringType,true)))

val
df = sqlContext.createDataFrame(rowRDD, schema)

df.registerTempTable("user")

//sqlContext.udf.register("StrLen",(s : String)=>{s.length()})

//sqlContext.sql("select name ,StrLen(name) as length from user").show

sqlContext.udf.register("StrLen",(s : String,i:Int)=>{s.length()+i})

sqlContext.sql("select name ,StrLen(name,10) as length from user").show

sc.stop()

  1. UDAF:用户自定义聚合函数。
  • 实现UDAF函数如果要自定义类要继承UserDefinedAggregateFunction类

java:

SparkConf conf = new SparkConf();

conf.setMaster("local").setAppName("udaf");

JavaSparkContext sc = new JavaSparkContext(conf);

SQLContext sqlContext = new SQLContext(sc);

JavaRDD<String> parallelize = sc.parallelize(Arrays.asList("zhansan","lisi","wangwu","zhangsan","zhangsan","lisi"));

JavaRDD<Row> rowRDD = parallelize.map(new Function<String, Row>() {

 

    /**

     *

     */

    private
static
final
long
serialVersionUID = 1L;

 

    @Override

    public Row call(String s) throws Exception {

return RowFactory.create(s);

    }

});

 

List<StructField> fields = new ArrayList<StructField>();

fields.add(DataTypes.createStructField("name", DataTypes.StringType, true));

StructType schema = DataTypes.createStructType(fields);

DataFrame df = sqlContext.createDataFrame(rowRDD, schema);

df.registerTempTable("user");

/**

* 注册一个UDAF函数,实现统计相同值得个数

* 注意:这里可以自定义一个类继承UserDefinedAggregateFunction类也是可以的

*/

sqlContext.udf().register("StringCount", new UserDefinedAggregateFunction() {

    
 

/**

*

*/

private
static
final
long
serialVersionUID = 1L;

/**

* 更新
可以认为一个一个地将组内的字段值传递进来
实现拼接的逻辑

* buffer.getInt(0)获取的是上一次聚合后的值

* 相当于map端的combiner,combiner就是对每一个map task的处理结果进行一次小聚合

* 大聚和发生在reduce端.

* 这里即是:在进行聚合的时候,每当有新的值进来,对分组后的聚合如何进行计算

*/

@Override

public
void update(MutableAggregationBuffer buffer, Row arg1) {

buffer.update(0, buffer.getInt(0)+1);

 

}

/**

* 合并 update操作,可能是针对一个分组内的部分数据,在某个节点上发生的
但是可能一个分组内的数据,会分布在多个节点上处理

* 此时就要用merge操作,将各个节点上分布式拼接好的串,合并起来

* buffer1.getInt(0) : 大聚和的时候
上一次聚合后的值

* buffer2.getInt(0) : 这次计算传入进来的update的结果

* 这里即是:最后在分布式节点完成后需要进行全局级别的Merge操作

*/

@Override

public
void merge(MutableAggregationBuffer buffer1, Row buffer2) {

buffer1.update(0, buffer1.getInt(0) + buffer2.getInt(0));

}

/**

* 指定输入字段的字段及类型

*/

@Override

public StructType inputSchema() {

return DataTypes.createStructType(

Arrays.asList(DataTypes.createStructField("name",

DataTypes.StringType, true)));

}

/**

* 初始化一个内部的自己定义的值,在Aggregate之前每组数据的初始化结果

*/

@Override

public
void initialize(MutableAggregationBuffer buffer) {

buffer.update(0, 0);

}

/**

* 最后返回一个和DataType的类型要一致的类型,返回UDAF最后的计算结果

*/

@Override

public Object evaluate(Row row) {

return
row.getInt(0);

}

 

@Override

public
boolean deterministic() {

//设置为true

return
true;

}

/**

* 指定UDAF函数计算后返回的结果类型

*/

@Override

public DataType dataType() {

return DataTypes.IntegerType;

}

/**

* 在进行聚合操作的时候所要处理的数据的结果的类型

*/

@Override

public StructType bufferSchema() {

return

DataTypes.createStructType(

Arrays.asList(DataTypes.createStructField("bf", DataTypes.IntegerType,

true)));

}

 

});

 

sqlContext.sql("select name ,StringCount(name) from user group by name").show();

 

sc.stop();

scala:

class MyUDAF extends UserDefinedAggregateFunction {

// 聚合操作时,所处理的数据的类型

def
bufferSchema: StructType = {

DataTypes.createStructType(Array(DataTypes.createStructField("aaa", IntegerType, true)))

}

// 最终函数返回值的类型

def
dataType: DataType = {

DataTypes.IntegerType

}

 

def
deterministic: Boolean = {

true

}

// 最后返回一个最终的聚合值
要和dataType的类型一一对应

def
evaluate(buffer: Row): Any = {

buffer.getAs[Int](0)

}

// 为每个分组的数据执行初始化值

def
initialize(buffer: MutableAggregationBuffer): Unit = {

}

//输入数据的类型

def
inputSchema: StructType = {

DataTypes.createStructType(Array(DataTypes.createStructField("input", StringType, true)))

}

// 最后merger的时候,在各个节点上的聚合值,要进行merge,也就是合并

def
merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {

buffer1(0) = buffer1.getAs[Int](0)+buffer2.getAs[Int](0)

}

// 每个组,有新的值进来的时候,进行分组对应的聚合值的计算

def
update(buffer: MutableAggregationBuffer, input: Row): Unit = {

}

}

 

object
UDAF {

def
main(args: Array[String]): Unit = {

val
conf = new SparkConf()

conf.setMaster("local").setAppName("udaf")

val
sc = new SparkContext(conf)

val
sqlContext = new SQLContext(sc)

val
rdd = sc.makeRDD(Array("zhangsan","lisi","wangwu","zhangsan","lisi"))

val
rowRDD = rdd.map { x => {RowFactory.create(x)} }

 

val
schema = DataTypes.createStructType(Array(DataTypes.createStructField("name", StringType, true)))

val
df = sqlContext.createDataFrame(rowRDD, schema)

df.show()

df.registerTempTable("user")

/**

* 注册一个udaf函数

*/

sqlContext.udf.register("StringCount", new MyUDAF())

sqlContext.sql("select name ,StringCount(name) from user group by name").show()

sc.stop()

}

}

 

  1. 开窗函数

    注意:

    row_number() 开窗函数是按照某个字段分组,然后取另一字段的前几个的值,相当于 分组取topN

    如果SQL语句里面使用到了开窗函数,那么这个SQL语句必须使用HiveContext来执行,HiveContext默认情况下在本地无法创建。

    开窗函数格式:

    row_number() over (partitin by XXX order by XXX)

    java:

SparkConf conf = new SparkConf();

conf.setAppName("windowfun");

JavaSparkContext sc = new JavaSparkContext(conf);

HiveContext hiveContext = new HiveContext(sc);

hiveContext.sql("use spark");

hiveContext.sql("drop table if exists sales");

hiveContext.sql("create table if not exists sales (riqi string,leibie string,jine Int) "

+ "row format delimited fields terminated by '\t'");

hiveContext.sql("load data local inpath '/root/test/sales' into table sales");

/**

* 开窗函数格式:

* 【 rou_number() over (partitin by XXX order by XXX) 】

*/

DataFrame result = hiveContext.sql("select riqi,leibie,jine "

    + "from ("

+ "select riqi,leibie,jine,"

+ "row_number() over (partition by leibie order by jine desc) rank "

+ "from sales) t "

+ "where t.rank<=3");

result.show();

sc.stop();

scala:

val
conf = new SparkConf()

conf.setAppName("windowfun")

val
sc = new SparkContext(conf)

val
hiveContext = new HiveContext(sc)

hiveContext.sql("use spark");

hiveContext.sql("drop table if exists sales");

hiveContext.sql("create table if not exists sales (riqi string,leibie string,jine Int) "

+
"row format delimited fields terminated by '\t'");

hiveContext.sql("load data local inpath '/root/test/sales' into table sales");

/**

* 开窗函数格式:

* 【 rou_number() over (partitin by XXX order by XXX) 】

*/

val
result = hiveContext.sql("select riqi,leibie,jine "

    +
"from ("

+
"select riqi,leibie,jine,"

+
"row_number() over (partition by leibie order by jine desc) rank "

+
"from sales) t "

+
"where t.rank<=3");

result.show();

sc.stop()

 

05-27 18:27