Spark——一文理解SparkSQL的基础概念、函数、执行流程和优化流程_spark sql

1、什么是SparkSQL

SparkSQL是Spark的一个模块，用于处理海量结构化数据。

限定： 结构化数据处理

2、为什么学习Spark

SparkSQL是非常成熟的海量结构化数据处理框架。

学习SparkSQL主要在2个点：

• SparkSQL本身十分优秀，支持SQL语言\性能强\可以自动优化`API简单\兼容HIVE`等等
• 企业大面积在使用SparkSQL处理业务数据

  • 离线开发

  • 数仓搭建

  • 科学计算

  • 数据分析

3、SparkSQL的特点

• 融合性：SQL可以无缝集成在代码中，随时用SQL处理数据；
• 统一数据访问： 一套标准API可读写不同数据源；
• Hive兼容： 可以使用SparkSQL直接计算并生成Hive数据表；
• 标准化连接： 支持标准化JDBC\ODBC连接，方便和各种数据库进行数据交互。

results=spark.sql("SELECT * FROM people")
names = results.map(lambda p: p.name)
1
2

4、SparkSQL的发展历史

在许多年前（2012\2013左右）Hive逐步火热起来，大片抢占分布式SQL计算市场；

Spark作为通用计算框架，也不可能放弃这一细分领域。于是，Spark官方模仿Hive推出了Shark框架（Spark 0.9版本）；

Shark框架是几乎100%模仿Hive，内部的配置项\优化项等都是直接模仿而来。不同的在于将执行引擎由MapReduce更换为了Spark；

因为Shark框架太模仿Hive，Hive是针对MR优化，很多地方和SparkCore（RDD）水土不服, 最终被放弃；
Spark官方下决心开发一个自己的分布式SQL引擎也就是诞生了现在的SparkSQL。

• 2014年1.0正式发布；

• 2015年1.3发布DataFrame数据结构，沿用至今；

• 2016年1.6发布Dataset数据结构(带泛型的DataFrame)适用于支持泛型的语言(Java\Scala)；

• 2016年20统一了Dataset和DataFrame，以后只有Dataset，Python用的DataFrame就是没有泛型的Dataset；

• 2019年3.0发布，性能大幅度提升，SparkSQL变化不大。

5、SparkSQL和Hive的异同

• Hive和Spark均是：“分布式SQL计算引擎”
• 均是构建大规模结构化数据计算的绝佳利器，同时SparkSQL拥有更好的性能。
• 目前，企业中使用Hive仍旧居多，但SparkSQL将会在很近的未来替代Hive成为分布式SQL计算市场的顶级。

6、SparkSQL的数据抽象

• Pandas-DataFrame

  • 二维表数据结构

  • 单机（本地）集合

• SparkCore-RDD

  • 无标准数据结构，存储什么数据均可

  • 分布式集合（分区）

• SparkSQL-DataFrame

  • 二维表数据结构

  • 分布式集合（分区）

6.1、语言适配

SparkSQL 其实有3类数据抽象对象。

• SchemaRDD对象（已废弃）
• DataSet对象：可用于Java、Scala语言
• DataFrame对象：可用于Java、Scala、Python、R

我们以Python开发SparkSQL，主要使用的就是 DataFrame对象作为核心数据结构。

6.2、数据抽象的发展

从SparkSQL的发展历史可以看到：

• 14年最早的数据抽象是：SchemaRDD（内部存储二维表数据结构的RDD），SchemaRDD就是魔改的RDD，将RDD支持的存储数据，限定为二维表数据结构用以支持SQL查询。由于是魔改RDD，只是一个过渡产品，现已废弃。
• 15年发布DataFrame对象，基于Pandas的DataFrame（模仿）独立于RDD进行实现，将数据以二维表结构进行存储并支持分布式运行。
• 16年发布DataSet对象，在DataFrame之上添加了泛型的支持，用以更好的支持Java和Scala这两个支持泛型的编程语言。
• 16年，Spark2.0版本，将DataFrame和DataSet进行合并。其底层均是DataSet对象，但在Python和R语言到用时，显示为DataFrame对象。和老的DataFrame对象没有区别。

6.3、RDD和DataFrame的区别

DataFrame和RDD都是:弹性的、分布式的、数据集。只是，DataFrame存储的数据结构“限定”为：二维表结构化数据；而RDD可以存储的数据则没有任何限制，想处理什么就处理什么。

• DataFrame是按照二维表格的形式存储数据；
• RDD则是存储对象本身。

7、SparkSession

在RDD阶段，程序的执行入口对象是：SparkContext。

在Spark2.0后，推出了SparkSession对象，作为Spark编码的统一入口对象。SparkSession对象可以：

• 用于SparkSQL编程作为入口对象；
• 用于SparkCore编程，可以通过SparkSession对象中获取到SparkContext。

所以，我们后续的代码，执行环境入口对象，统一变更为SparkSession对象。

构建SparkSession对象

# coding:utf8
#SparkSQL中的入口对象是SparkSession对象
from pyspark.sql import SparkSession

if __name__ == '__main__':
  #构建SparkSession对象，这个对象是构建器模式 通过builder方法来构建
  spark=SparkSession.builder.\
    appName("local[*]").\
    config("spark.sql.shufflepartitions","4").\
    getOrCreate()
  #appName设置程序名称，config设置一些常用属性
  #最后通过getOrCreate()方法创建SparkSession对象
1
2
3
4
5
6
7
8
9
10
11
12

8、SparkSQL函数

8.1、UDF函数

无论Hive还是SparkSQL分析处理数据时，往往需要使用函数，SparkSQL模块本身自带很多实现公共功能的函数，在pysparksql.functions中。
SparkSQL与Hive一样支持定义函数：UDF和UDAF，尤其是UDF函数在实际项目中使用最为广泛。

回顾Hive中自定义函数有三种类型:

• 第一种：UDF（User-Defined-Function）函数
  • 一对一的关系，输入一个值经过函数以后输出一个值;
  • 在Hive中继承UDF类，方法名称为evaluate，返回值不能为void，其实就是实现一个方法;
• 第二种：UDAF（User-Defined Aggregation Function）聚合函数
  • 多对一的关系，输入多个值输出一个值，通常与GroupBy联合使用;
• 第三种：UDTF（User-Defined Table-GeneratingFunctions）函数
  • 一对多的关系，输入一个值输出多个值（一行变为多行）；
  • 用户自定义生成函数，有点像flatMap；

在SparkSQL中，目前仅仅支持UDF函数和UDAF函数，目前Python仅支持UDF。

8.1.1、构建方式

• sparksessionudfregister()： 注册的UDF可以用于DSL和SQL，返回值用于DSL风格，传参内给的名字用于SQL风格；

udf对象 = sparksession.udf.register(参数1，参数2，参数3）
参数1：UDF名称，可用于SQL风格
参数2：被注册成UDF的方法名
参数3：声明UDF的返回值类型
udf对象： 返回值对象，是一个UDF对象，可用于DSL风格

1
2
3
4
5
6

• pyspark.sql.functions.udf： 仅能用于DSL风格。

udf对象 = F.udf(参数1， 参数2)
参数1：被注册成UDF的方法名
参数2：声明UDF的返回值类型
udf对象： 返回值对象，是一个UDF对象，可用于DSL风格
1
2
3
4

其中F是：from pyspark.sql import functions as F
其中，被注册成UDF的方法名是指具体的计算方法，如：def add(x, y): x + y
add就是将要被注册成UDF的方法名

8. 1.2、构建一个Integer返回类型的UDF

# TODO 方式1注册
#注册UDF，功能:将数字都乘以10
def num ride 10(num):
  return num * 10

# 返回值用于DSL风格        内部注册的名称用于SQL(字符串表达式)风格
#参数1:UDF名称(可用于SQL风格)，参数2:UDF的本体方法(处理逻辑)，参数3:声明返回值类型
# 返回值可用于DSL
udf2 = spark.udf.register("udf1",num_ride_10,IntegerType())
df.select(udf2(df['num'])).show()

# select udf1(num)
df.selectExpr("udf1(num)").show()

#TODO 方式2注册，仅能用DSL风格
#参数1:UDF的本体方法(处理逻辑)，参数2:声明返回值类型
udf3 = F.udf(num_ride_10，IntegerType())
df.select(udf3(df['num'])).show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

8. 1.3、注册一个Float返回值类型

rdd = sc.parallelize([1.1, 2.2, 3.3, 4.4, 5.5, 6.6, 7.7]).map(lambda x: [x])
df = rdd.toDF(["num"])

#TODO 方式1注册
#注册UDF，功能:将数字都乘以10
def num_ride_10(num):
  return num * 10
# 返回值用于DSL风格     内部注册的名称用于SQL(字符串表达式)风格
udf2 = spark.udf.register("udf1", num_ride_10, FloatType())
df.select(udf2(df['num'])).show()

# select udf1(num)
df.selectExpr("udf1(num)").show()

#TODO方式2注册，仅能用DSL风格
udf3 = F.udf(num_ride_10,FloatType())
df.select(udf3(df['num'])).show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

8. 1.4、注册一个ArrayType（数字\ list）类型的返回值UDF

rdd = sc.parallelize([["hadoop spark flink"], ["hadoop flink java"]])
df = rdd.toDF(["line"])
#TODO 方式1注册
#注册UDF，功能:将数字都乘以10
def split line(line):
  return line.split(" ")

# 返回值用于DSL风格      内部注册的名称用于SQL(字符串表达式)风格
udf2 = spark.udf.register("udf1",split_line,ArrayType(StringType()))
df.select(udf2(df['line'])).show()

# select udf1(num)
df.selectExpr("udf1(line)").show(()

#TODO 方式2注册，仅能用DSL风格
udf3 = F.udf(splitline, ArrayType(StringType()))
df.select(udf3(df['line'])).show(truncate = False)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

数组或者list类型，可以使用Spark的ArrayType来描述即可。
声明ArrayType要类似这样：ArrayType(StringType())，在ArrayType中传入数组内的数据类型。

8. 1.5、定义一个字典类型的返回值的UDF

rdd = sc.parallelize([[1], [2], [3]])
df = rdd.toDF(["num"])
# TODO 方式1注册
# 注册UDF，功能:将数字都乘以10
def split_line(num):
  return {"num": num,"letter str": string.ascii letters[num]}
structtype=StructType().add("num", IntegerType(), nullable=True).\
  add("letter_str", StringType(), nullable=True)

# 返回值用于DSL风格     路内部注册的名称用于SQL(字符串表达式)风格
udf2=spark.udf.register("udf1", split_line, struct_type)
df.select(udf2(df['num'])).show()

# select udf1(num)
df.selectExpr("udf1(num)").show()

#TODO 方式2注册，仅能用DSL风格
udf3=F.udf(split_line, struct_type)
df.select(udf3(df['num'])).show(truncate=False)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

字典类型返回值，可以用StructType来进行描述，StructType是一个普通的Spark支持的结构化类型。只是可以用在：
（1）DF中用于描述Schema；
（2）UDF中用于描述返回值是字典的数据。

8. 1.6、注意事项

使用UDF两种方式的注册均可以。唯一需要注意的就是：返回值类型一定要有合适的类型来声明。

• 返回int可以用IntergerType；
• 返回值小数，可以用FolatType或者DoubleType；
• 返回数组list可用ArrayType描述；
• 返回字典可用StructType描述。

pyspark.sql.types包中。

8. 2、窗口函数

8. 2.1、介绍

开窗函数的引入是为了既显示聚集前的数据，又显示聚集后的数据。即在每一行的最后一列添加聚合函数的结果。

开窗用于为行定义一个窗口（这里的窗口是指运算将要操作的行的集合），它对一组值进行操作，不需要使用GROUP BY子句对数据进行分组，能够在同一行中同时返回基础行的列和聚合列。

8. 2.2、聚合函数和开窗函数

• 聚合函数是将多行变成一行，count，avg…；
• 开窗函数是将一行变成多行；
• 聚合函数如果要显示其他的列必须将列加入到group by中；
• 开窗函数可以不使用group by，直接将所有信息显示出来。

8. 2.3、开窗函数分类

• 聚合开窗函数： 聚合函数（列）OVER（选项），这里的选项可以是PARTITION BY 子句，但不可以是 ORDER BY子句。
• 排序开窗函数： 排序函数（列）OVER（选项），这里的选项可以是ORDER BY子句，也可以是OVER（PARTITION BY子句 ORDER BY子句），但不可以是PARTITION BY 子句。
• 分区类型NTILE的窗口函数。

窗口函数的用法

# 聚合类型SUM\MIN\MAX\AVG\COUNT
sum() OVER([PARTITION BY XXX][ORDER BYXXX[DESC]])

#排序类型:ROW NUMBER|RANK|DENSE RANK
ROW NUMBER() OVER([PARTITION BY XXX][ORDER BYXXX[DESC]])

#分区类型:NTILE
NTILE(number) OVER([PARTITION BY XXX][ORDER BY XXX[DESC]])
1
2
3
4
5
6
7
8

9、RDD的执行流程回顾

代码 ⇒ DAG调度器逻辑任务 ⇒ Task调度器任务分配和管理监控 ⇒ Worker干活

10、SparkSQL的自动优化

RDD的运行会完全按照开发者的代码执行，如果开发者水平有限，RDD的执行效率也会受到影响。而SparkSQL会对写完的代码，执行“自动优化”，以提升代码运行效率，避免开发者水平影响到代码执行效率。

为什么SparkSQL可以自动优化，而RDD不可以？

• RDD： 内含数据类型不限格式和结构

• DataFrame： 100% 是二维表结构，可以被针对

• SparkSQL的自动优化，依赖于：Catalyst优化器

11、Catalyst优化器

为了解决过多依赖Hive的问题，SparkSQL使用了一个新的SQL优化器替代Hive中的的优化器，这个优化器就是Catalyst整个SparkSQL的架构大致如下：

• API层简单的说就是Spark会通过一些API接受SQL语句；
• 收到SQL语句以后，将其交给Catalyst，Catalyst负责解析SQL，生成执行计划等；
• Catalyst的输出应该是RDD的执行计划；
• 最终交由集群运行。

12、Catalyst优化流程

• 提交SparkSQL代码
• catalyst优化
  • 生成原始AST语法数
  • 标记AST元数据
  • 进行断言下推和列值裁剪以及其它方面的优化作用在AST上
  • 将最终AST得到，生成执行计划
  • 将执行计划翻译为RDD代码
• Driver执行环境入口构建（SparkSession）
• DAG 调度器规划逻辑任务
• TASK调度区分配逻辑任务到具体Executor上工作并监控管理任务
• Worker干活.

12.1、解析SQL，并生成AST（抽象语法树）

12.2、在AST中加入元数据信息，做这一步主要是为了一些优化

• score.id ⇒ id#1#L 为 score.id 生成id为1，类型是Long；
• score.math_score ⇒ math_score#2#L为scoremath_score生成id为2，类型为Long；
• people.id ⇒ id#3#L为peopleid生成id为3，类型为Long；
• peopleage ⇒ age#4#L为peopleage生成id为4类型为Long。

12.3、对已经加入元数据的AST，输入优化器，进行优化，从两种常见的优化开始

• 断言下推 Predicate Pushdown，将Filter这种可以减小数据集的操作下推，放在Scan的位置，这样可以减少操作时候的数据量；
• 列值裁剪ColumnPruning，在断言下推后执行裁剪，由于people表之上的操作只用到了id列，所以可以把其它列裁剪掉，这样可以减少处理的数据量，从而优化处理速度。

12.4、上面的过程生成的AST其实最终还没办法直接运行，这个AST 叫做逻辑计划，结束后，需要生成物理计划，从而生成RDD来

• 在生成物理计划的时候,会经过成本模型对整棵树再次执行优化，选择一个更好的计划
• 在生成物理计划以后，因为考虑到性能，所以会使用代码生成，在机器中运行

可以使用quervExecution方法查看逻辑执行计划，使用explain 方法查看物理执行计划。

12.5、总结

catalyst的各种优化细节非常多，大方面的优化点有2个：

• 谓词下推（PredicatePushdown）\断言下推： 将逻辑判断提前到前面，以减少shuffle阶段的数据量；
• 列值裁剪（Column Pruning）： 将加载的列进行裁剪，尽量减少被处理数据的宽度。