添加筆者微信15934876140獲取Spark SQL視頻教程
一、概述
Spark爲結構化數據處理引入了一個稱爲Spark SQL的編程模塊。它提供了一個稱爲DataFrame（數據框）的編程抽象，DF的底層仍然是RDD，並且可以充當分佈式SQL查詢引擎。
1、SparkSQL的由來
SparkSQL的前身是Shark。在Hadoop發展過程中，爲了給熟悉RDBMS但又不理解MapReduce的技術人員提供快速上手的工具，Hive應運而生，是當時唯一運行在hadoop上的SQL-on-Hadoop工具。但是，MapReduce計算過程中大量的中間磁盤落地過程消耗了大量的I/O，運行效率較低。
後來，爲了提高SQL-on-Hadoop的效率，大量的SQL-on-Hadoop工具開始產生，其中表現較爲突出的是：
1）MapR的Drill
2）Cloudera的Impala
3）Shark
其中Shark是伯克利實驗室Spark生態環境的組件之一，它基於Hive實施了一些改進，比如引入緩存管理，改進和優化執行器等，並使之能運行在Spark引擎上，從而使得SQL查詢的速度得到10-100倍的提升。
但是，隨着Spark的發展，對於野心勃勃的Spark團隊來說，Shark對於hive的太多依賴（如採用hive的語法解析器、查詢優化器等等），制約了Spark的One Stack rule them all的既定方針，制約了spark各個組件的相互集成，所以提出了sparkSQL項目。
SparkSQL拋棄原有Shark的代碼，汲取了Shark的一些優點，如內存列存儲（In-Memory Columnar Storage）、Hive兼容性等，重新開發了SparkSQL代碼。
由於擺脫了對hive的依賴性，SparkSQL無論在數據兼容、性能優化、組件擴展方面都得到了極大的方便。
2014年6月1日，Shark項目和SparkSQL項目的主持人Reynold Xin宣佈：停止對Shark的開發，團隊將所有資源放SparkSQL項目上，至此，Shark的發展畫上了句話。
2、SparkSql特點
1）引入了新的RDD類型SchemaRDD，可以像傳統數據庫定義表一樣來定義SchemaRDD。
2）在應用程序中可以混合使用不同來源的數據，如可以將來自HiveQL的數據和來自SQL的數據進行Join操作。
3）內嵌了查詢優化框架，在把SQL解析成邏輯執行計劃之後，最後變成RDD的計算。
二、列存儲相關
爲什麼sparkSQL的性能會得到怎麼大的提升呢？
主要sparkSQL在下面幾點做了優化：
1、內存列存儲（In-Memory Columnar Storage）
SparkSQL的表數據在內存中存儲不是採用原生態的JVM對象存儲方式，而是採用內存列存儲，如下圖所示。
該存儲方式無論在空間佔用量和讀取吞吐率上都佔有很大優勢。
對於原生態的JVM對象存儲方式，每個對象通常要增加12-16字節的額外開銷（toString、hashcode等方法），如對於一個270MB的電商的商品表數據，使用這種方式讀入內存，要使用970MB左右的內存空間（通常是2～5倍於原生數據空間）。
另外，使用這種方式，每個數據記錄產生一個JVM對象，如果是大小爲200GB的數據記錄，堆棧將產生1.6億個對象，這麼多的對象，對於GC來說，可能要消耗幾分鐘的時間來處理（JVM的垃圾收集時間與堆棧中的對象數量呈線性相關。顯然這種內存存儲方式對於基於內存計算的spark來說，很昂貴也負擔不起）
2、SparkSql的存儲方式
對於內存列存儲來說，將所有原生數據類型的列採用原生數組來存儲，將Hive支持的複雜數據類型（如array、map等）先序化後並接成一個字節數組來存儲。
此外，基於列存儲，每列數據都是同質的，所以可以數據類型轉換的CPU消耗。此外，可以採用高效的壓縮算法來壓縮，是的數據更少。比如針對二元數據列，可以用字節編碼壓縮來實現（010101）
這樣，每個列創建一個JVM對象，從而可以快速的GC和緊湊的數據存儲；額外的，還可以使用低廉CPU開銷的高效壓縮方法（如字典編碼、行長度編碼等壓縮方法）降低內存開銷；更有趣的是，對於分析查詢中頻繁使用的聚合特定列，性能會得到很大的提高，原因就是這些列的數據放在一起，更容易讀入內存進行計算。
3、行存儲VS列存儲
目前大數據存儲有兩種方案可供選擇：行存儲（Row-Based）和列存儲（Column-Based）。 業界對兩種存儲方案有很多爭持，集中焦點是:誰能夠更有效地處理海量數據，且兼顧安全、可靠、完整性。從目前發展情況看，關係數據庫已經不適應這種巨大的存儲量和計算要求，基本是淘汰出局。在已知的幾種大數據處理軟件中，Hadoop的HBase採用列存儲，MongoDB是文檔型的行存儲，Lexst是二進制型的行存儲。
1．列存儲
什麼是列存儲？
列式存儲(column-based)是相對於傳統關係型數據庫的行式存儲(Row-basedstorage)來說的。簡單來說兩者的區別就是如何組織表：
Row-based storage stores atable in a sequence of rows.
Column-based storage storesa table in a sequence of columns.
從上圖可以很清楚地看到，行式存儲下一張表的數據都是放在一起的，但列式存儲下都被分開保存了。所以它們就有了如下這些優缺點對比：
1>在數據寫入上的對比
1）行存儲的寫入是一次完成。如果這種寫入建立在操作系統的文件系統上，可以保證寫入過程的成功或者失敗，數據的完整性因此可以確定。
2）列存儲由於需要把一行記錄拆分成單列保存，寫入次數明顯比行存儲多（意味着磁頭調度次數多，而磁頭調度是需要時間的，一般在1ms~10ms)，再加上磁頭需要在盤片上移動和定位花費的時間，實際時間消耗會更大。所以，行存儲在寫入上佔有很大的優勢。
3）還有數據修改,這實際也是一次寫入過程。不同的是，數據修改是對磁盤上的記錄做刪除標記。行存儲是在指定位置寫入一次，列存儲是將磁盤定位到多個列上分別寫入，這個過程仍是行存儲的列數倍。所以，數據修改也是以行存儲佔優。
2>在數據讀取上的對比
1）數據讀取時，行存儲通常將一行數據完全讀出，如果只需要其中幾列數據的情況，就會存在冗餘列，出於縮短處理時間的考量，消除冗餘列的過程通常是在內存中進行的。
2）列存儲每次讀取的數據是集合的一段或者全部，不存在冗餘性問題。
3） 兩種存儲的數據分佈。由於列存儲的每一列數據類型是同質的，不存在二義性問題。比如說某列數據類型爲整型(int)，那麼它的數據集合一定是整型數據。這種情況使數據解析變得十分容易。相比之下，行存儲則要複雜得多，因爲在一行記錄中保存了多種類型的數據，數據解析需要在多種數據類型之間頻繁轉換，這個操作很消耗CPU，增加了解析的時間。所以，列存儲的解析過程更有利於分析大數據。
4）從數據的壓縮以及更性能的讀取來對比
2．優缺點
顯而易見，兩種存儲格式都有各自的優缺點：
1）行存儲的寫入是一次性完成，消耗的時間比列存儲少，並且能夠保證數據的完整性，缺點是數據讀取過程中會產生冗餘數據，如果只有少量數據，此影響可以忽略;數量大可能會影響到數據的處理效率。
2）列存儲在寫入效率、保證數據完整性上都不如行存儲，它的優勢是在讀取過程，不會產生冗餘數據，這對數據完整性要求不高的大數據處理領域，比如互聯網，猶爲重要。
兩種存儲格式各自的特性都決定了它們的使用場景。
4、列存儲的適用場景
1）一般來說，一個OLAP類型的查詢可能需要訪問幾百萬甚至幾十億個數據行，且該查詢往往只關心少數幾個數據列。例如，查詢今年銷量最高的前20個商品，這個查詢只關心三個數據列：時間（date）、商品（item）以及銷售量（sales amount）。商品的其他數據列，例如商品URL、商品描述、商品所屬店鋪，等等，對這個查詢都是沒有意義的。
而列式數據庫只需要讀取存儲着“時間、商品、銷量”的數據列，而行式數據庫需要讀取所有的數據列。因此，列式數據庫大大地提高了OLAP大數據量查詢的效率
OLTP OnLine Transaction Processor 在線聯機事務處理系統（比如Mysql，Oracle等產品）
OLAP OnLine Analaysier Processor 在線聯機分析處理系統（比如Hive Hbase等）
2）很多列式數據庫還支持列族（column group，Bigtable系統中稱爲locality group），即將多個經常一起訪問的數據列的各個值存放在一起。如果讀取的數據列屬於相同的列族，列式數據庫可以從相同的地方一次性讀取多個數據列的值，避免了多個數據列的合併。列族是一種行列混合存儲模式，這種模式能夠同時滿足OLTP和OLAP的查詢需求。
3）此外，由於同一個數據列的數據重複度很高，因此，列式數據庫壓縮時有很大的優勢。
例如，Google Bigtable列式數據庫對網頁庫壓縮可以達到15倍以上的壓縮率。另外，可以針對列式存儲做專門的索引優化。比如，性別列只有兩個值，“男”和“女”，可以對這一列建立位圖索引：
如下圖所示
“男”對應的位圖爲100101，表示第1、4、6行值爲“男”
“女”對應的位圖爲011010，表示第2、3、5行值爲“女”
如果需要查找男性或者女性的個數，只需要統計相應的位圖中1出現的次數即可。另外，建立位圖索引後0和1的重複度高，可以採用專門的編碼方式對其進行壓縮。
當然，如果每次查詢涉及的數據量較小或者大部分查詢都需要整行的數據，列式數據庫並不適用。
5、總結
1．行存儲特性
傳統行式數據庫的特性如下：
①數據是按行存儲的。
②沒有索引的查詢使用大量I/O。比如一般的數據庫表都會建立索引，通過索引加快查詢效率。
③建立索引和物化視圖需要花費大量的時間和資源。
④面對查詢需求，數據庫必須被大量膨脹才能滿足需求。
2．列存儲特性
列式數據庫的特性如下：
①數據按列存儲，即每一列單獨存放。
②數據即索引。
③只訪問查詢涉及的列，可以大量降低系統I/O。
④每一列由一個線程來處理，即查詢的併發處理性能高。
⑤數據類型一致，數據特徵相似，可以高效壓縮。比如有增量壓縮、前綴壓縮算法都是基於列存儲的類型定製的，所以可以大幅度提高壓縮比，有利於存儲和網絡輸出數據帶寬的消耗。
三、SparkSQL入門
SparkSql將RDD封裝成一個DataFrame對象，這個對象類似於關係型數據庫中的表。
1、創建DataFrame對象
DataFrame就相當於數據庫的一張表。它是個只讀的表，不能在運算過程再往裏加元素。
RDD.toDF(“列名”)
scala> val rdd = sc.parallelize(List(1,2,3,4,5,6))
rdd: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:21
scala> rdd.toDF("id")
res0: org.apache.spark.sql.DataFrame = [id: int]
scala> res0.show#默認只顯示20條數據
+---+
| id|
+---+
| 1|
| 2|
| 3|
| 4|
| 5|
| 6|
+---+
scala> res0.printSchema #查看列的類型等屬性
root
|-- id: integer (nullable = true)
創建多列DataFrame對象
DataFrame就相當於數據庫的一張表。
scala> sc.parallelize(List( (1,"beijing"),(2,"shanghai") ) )
res3: org.apache.spark.rdd.RDD[(Int, String)] = ParallelCollectionRDD[5] at parallelize at <console>:22
scala> res3.toDF("id","name")
res4: org.apache.spark.sql.DataFrame = [id: int, name: string]
scala> res4.show
+---+--------+
| id| name|
+---+--------+
| 1| beijing|
| 2|shanghai|
+---+--------+
例如3列的
scala> sc.parallelize(List( (1,"beijing",100780),(2,"shanghai",560090),(3,"xi'an",600329)))
res6: org.apache.spark.rdd.RDD[(Int, String, Int)] = ParallelCollectionRDD[10] at parallelize at <console>:22
scala> res6.toDF("id","name","postcode")
res7: org.apache.spark.sql.DataFrame = [id: int, name: string, postcode: int]
scala> res7.show
+---+--------+--------+
| id| name|postcode|
+---+--------+--------+
| 1| beijing| 100780|
| 2|shanghai| 560090|
| 3| xi'an| 600329|
+---+--------+--------+
可以看出，需要構建幾列，tuple就有幾個內容。
2、由外部文件構造DataFrame對象
1.讀取txt文件
txt文件不能直接轉換成，先利用RDD轉換爲tuple。然後toDF()轉換爲DataFrame。
scala> val rdd = sc.textFile("/root/words.txt")
.map( x => (x,1) )
.reduceByKey( (x,y) => x+y )
rdd: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[18] at reduceByKey at <console>:21
scala> rdd.toDF("word","count")
res9: org.apache.spark.sql.DataFrame = [word: string, count: int]
scala> res9.show
+------+-----+
| word|count|
+------+-----+
| spark| 3|
| hive| 1|
|hadoop| 2|
| big| 2|
| scla| 1|
| data| 1|
+------+-----+
2.讀取json文件
文件代碼：
{"id":1, "name":"leo", "age":18}
{"id":2, "name":"jack", "age":19}
{"id":3, "name":"marry", "age":17}
實現：
import org.apache.spark.sql.SQLContext
scala>val sqc=new SQLContext(sc)
scala> val tb4=sqc.read.json("/home/software/people.json")
scala> tb4.show
3.讀取parquet文件
格式如下：
1>Parquet數據格式
Parquet是一種列式存儲格式，可以被多種查詢引擎支持（Hive、Impala、Drill等），並且它是語言和平臺無關的。
Parquet文件下載後是否可以直接讀取和修改呢？
Parquet文件是以二進制方式存儲的，是不可以直接讀取和修改的。Parquet文件是自解析的，文件中包括該文件的數據和元數據。
列式存儲和行式存儲相比有哪些優勢呢？
可以只讀取需要的數據，降低IO數據量；
壓縮編碼可以降低磁盤存儲空間。由於同一列的數據類型是一樣的，可以使用更高效的壓縮編碼進一步節約存儲空間。
參考鏈接：
http://blog.csdn.net/yu616568/article/details/51868447 講解了parquet文件格式
http://www.infoq.com/cn/articles/in-depth-analysis-of-parquet-column-storage-format 講解了parquet列式存儲。
實現：
scala>val tb5=sqc.read.parquet("/home/software/users.parquet")
scala> tb5.show
4.jdbc讀取
實現步驟：
1）將mysql 的驅動jar上傳到spark的jars目錄下
2）重啓spark服務
3）進入spark客戶端
4）執行代碼，比如在Mysql數據庫下，有一個test庫，在test庫下有一張表爲tabx
執行代碼：
import org.apache.spark.sql.SQLContext
scala> val sqc = new SQLContext(sc);
scala> val prop = new java.util.Properties
scala> prop.put("user","root")
scala> prop.put("password","root")
scala>val tabx=sqc.read.jdbc("jdbc:mysql://hadoop01:3306/test","tabx",prop)
scala> tabx.show
+---+----+
| id|name|
+---+----+
| 1| aaa|
| 2| bbb|
| 3| ccc|
| 1| ddd|
| 2| eee|
| 3| fff|
+---+----+
注：如果報權限不足，則進入mysql，執行：
grant all privileges on *.* to 'root'@'hadoop01' identified by 'root' with grant option;
然後執行：
flush privileges;