創建SparkSession和sparkSQL的詳細過程

Posted on by

一、概述

spark 有三大引擎，spark core、sparkSQL、sparkStreaming，

spark core 的關鍵抽象是 SparkContext、RDD；

SparkSQL 的關鍵抽象是 SparkSession、DataFrame；

sparkStreaming 的關鍵抽象是 StreamingContext、DStream

SparkSession 是 spark2.0 引入的概念，主要用在 sparkSQL 中，當然也可以用在其他場合，他可以代替 SparkContext；

SparkSession 其實是封裝瞭 SQLContext 和 HiveContext

(1) 在Spark1.6 中我們使用的叫Hive on spark，主要是依賴hive生成spark程序，有兩個核心組件SQLcontext和HiveContext。

這是Spark 1.x 版本的語法

//set up the spark configuration and create contexts
 val sparkConf = new SparkConf().setAppName("SparkSessionZipsExample").setMaster("local")
 
 
// your handle to SparkContext to access other context like SQLContext
 val sc = new SparkContext(sparkConf).set("spark.some.config.option", "some-value")
 val sqlContext = new org.apache.spark.sql.SQLContext(sc)

（2）Spark2.0中我們使用的就是sparkSQL，是後繼的全新產品，解除瞭對Hive的依賴。

從Spark2.0以上的版本開始，spark是使用全新的SparkSession接口代替Spark1.6 中的SQLcontext和HiveContext 來實現對數據的加載、轉換、處理等工作，並且實現瞭SQLcontext和HiveContext的所有功能。

在新版本中並不需要之前那麼繁瑣的創建很多對象，隻需要創建一個SparkSession對象即可。SparkSession支持從不同的數據源加載數據，並把數據轉換成DataFrame，並支持把DataFrame轉換成SQLContext自身中的表。然後使用SQL語句來操作數據，也提供瞭HiveQL以及其他依賴於Hive的功能支持。

二、創建SparkSession

SparkSession 是 Spark SQL 的入口。使用 Dataset 或者 Dataframe 編寫 Spark SQL 應用的時候，第一個要創建的對象就是 SparkSession。Builder 是 SparkSession 的構造器。 通過 Builder, 可以添加各種配置，並通過 stop 函數來停止 SparkSession。

Builder 的方法如下：

import org.apache.spark.sql.SparkSession
val spark: SparkSession = SparkSession.builder
 .appName("My Spark Application")  //設置 application 的名字
 .master("local[*]")             
 .enableHiveSupport() //增加支持 hive Support      
 .config("spark.sql.warehouse.dir", "target/spark-warehouse") //設置各種配置
 .getOrCreate     //獲取或者新建一個 sparkSession

（1）設置參數

創建SparkSession之後可以通過 spark.conf.set 來設置運行參數

//配置設置
 spark.conf.set("spark.sql.shuffle.partitions", 6)
 spark.conf.set("spark.executor.memory", "2g")
 
 //獲取配置，可以使用Scala的迭代器來讀取configMap中的數據。 
 val configMap:Map[String, String] = spark.conf.getAll()

（2）讀取元數據

如果需要讀取元數據(catalog)，可以通過SparkSession來獲取。

spark.catalog.listTables.show(false)
 spark.catalog.listDatabases.show(false)

這裡返回的都是Dataset，所以可以根據需要再使用Dataset API來讀取

catalog 和 schema 是兩個不同的概念
Catalog是目錄的意思，從數據庫方向說，相當於就是所有數據庫的集合;
Schema是模式的意思, 從數據庫方向說, 類似Catelog下的某一個數據庫;

（3）創建Dataset和Dataframe

通過SparkSession來創建Dataset和Dataframe有多種方法。

通過range()方法來創建dataset
通過createDataFrame()來創建dataframe。

// create a Dataset using spark.range starting from 5 to 100,
// with increments of 5
val numDS = spark.range(5, 100, 5)//創建dataset
 
// reverse the order and display first 5 items
numDS.orderBy(desc("id")).show(5)
 
//compute descriptive stats and display them
numDs.describe().show()
 
// create a DataFrame using spark.createDataFrame from a List or Seq
val langPercentDF = spark.createDataFrame( List( ("Scala", 35), 
    ("Python", 30), ("R", 15), ("Java", 20)) )//創建dataframe
 
//rename the columns
val lpDF = langPercentDF.withColumnRenamed("_1", "language").
    withColumnRenamed("_2", "percent")
 
//order the DataFrame in descending order of percentage
lpDF.orderBy(desc("percent")).show(false)

（4）讀取數據

可以用SparkSession讀取JSON、CSV、TXT 和 parquet表。

import spark.implicits //使RDD轉化為DataFrame以及後續SQL操作
//讀取JSON文件，生成DataFrame
val jsonFile = args(0)
val zipsDF = spark.read.json(jsonFile)

（5）使用SparkSQL

借助SparkSession用戶可以像SQLContext一樣使用Spark SQL的全部功能。

zipsDF.createOrReplaceTempView("zips_table")//對上面的dataframe創建一個表
zipsDF.cache()//緩存表
 
val resultsDF = spark.sql("SELECT city, pop, state, zip FROM zips_table")
 
//對表調用SQL語句
resultsDF.show(10)//展示結果

（6）存儲/讀取Hive表

下面的代碼演示瞭通過SparkSession來創建Hive表並進行查詢的方法。

//drop the table if exists to get around existing table error
 spark.sql("DROP TABLE IF EXISTS zips_hive_table")
 
 //save as a hive table
 spark.table("zips_table").write.saveAsTable("zips_hive_table")
 
 //make a similar query against the hive table
 val resultsHiveDF = spark.sql("SELECT city, pop, state, 
        zip FROM zips_hive_table WHERE pop > 40000")
 
 resultsHiveDF.show(10)

三、 SQLContext

它是 sparkSQL 的入口點，sparkSQL 的應用必須創建一個 SQLContext 或者 HiveContext 的類實例

from pyspark import SparkContext, SparkConf
from pyspark.sql import SparkSession, SQLContext, HiveContext
 
conf = SparkConf().setAppName('test').setMaster('yarn')
sc = SparkContext(conf=conf)
 
sqlc = SQLContext(sc)
print(dir(sqlc))
# 'cacheTable', 'clearCache', 'createDataFrame', 'createExternalTable', 'dropTempTable', 'getConf', 'getOrCreate', 'newSession', 'range', 'read', 'readStream',
# 'registerDataFrameAsTable', 'registerFunction', 'registerJavaFunction', 'setConf', 'sparkSession', 'sql', 'streams', 'table', 'tableNames', 'tables', 'udf', 'uncacheTable'
 
### sqlcontext 讀取數據也自動生成 df
data = sqlc.read.text('/usr/yanshw/test.txt')
print(type(data))

四、 HiveContext

它是 sparkSQL 的另一個入口點，它繼承自 SQLContext，用於處理 hive 中的數據

HiveContext 對 SQLContext 進行瞭擴展，功能要強大的多

1. 它可以執行 HiveSQL 和 SQL 查詢

2. 它可以操作 hive 數據，並且可以訪問 HiveUDF

3. 它不一定需要 hive，在沒有 hive 環境時也可以使用 HiveContext

註意，如果要處理 hive 數據，需要把 hive 的 hive-site.xml 文件放到 spark/conf 下，HiveContext 將從 hive-site.xml 中獲取 hive 配置信息；

如果 HiveContext 沒有找到 hive-site.xml，他會在當前目錄下創建 spark-warehouse 和 metastore_db 兩個文件夾

from pyspark import SparkContext, SparkConf
from pyspark.sql import SparkSession, SQLContext, HiveContext
 
conf = SparkConf().setAppName('test').setMaster('yarn')
sc = SparkContext(conf=conf)
## 需要把 hive/conf/hive-site.xml 復制到 spark/conf 下
hivec = HiveContext(sc)
print(dir(hivec))
# 'cacheTable', 'clearCache', 'createDataFrame', 'createExternalTable', 'dropTempTable', 'getConf', 'getOrCreate', 'newSession', 'range', 'read', 'readStream','refreshTable',
# 'registerDataFrameAsTable', 'registerFunction', 'registerJavaFunction', 'setConf', 'sparkSession', 'sql', 'streams', 'table', 'tableNames', 'tables', 'udf', 'uncacheTable'
 
data = hivec.sql('''select * from hive1101.person limit 2''')
print(type(data))

SparkSession 創建

from pyspark.sql import SparkSession
 
 
### method 1
sess = SparkSession.builder \
    .appName("aaa") \
    .config("spark.driver.extraClassPath", sparkClassPath) \
    .master("local") \
    .enableHiveSupport() \  # sparkSQL 連接 hive 時需要這句
    .getOrCreate()      # builder 方式必須有這句
 
### method 2
conf = SparkConf().setAppName('myapp1').setMaster('local[4]')   # 設定 appname 和 master
sess = SparkSession.builder.config(conf=conf).getOrCreate() # builder 方式必須有這句
 
### method 3
from pyspark import SparkContext, SparkConf
conf = SparkConf().setAppName('myapp1').setMaster('local[4]')   # 設定 appname 和 master
sc = SparkContext(conf=conf)
sess = SparkSession(sc)

1）文件數據源

from pyspark import SparkContext, SparkConf
from pyspark.sql import SparkSession, SQLContext, HiveContext
 
conf = SparkConf().setAppName('test').setMaster('yarn')
sc = SparkContext(conf=conf)
 
#### 替代瞭 SQLContext 和 HiveContext，其實隻是簡單的封裝，提供瞭統一的接口
spark = SparkSession(sc)
print(dir(spark))
# 很多屬性，我把私有屬性刪瞭
# 'Builder','builder', 'catalog', 'conf', 'createDataFrame', 'newSession', 'range', 'read', 'readStream','sparkContext', 'sql', 'stop', 'streams', 'table', 'udf', 'version'
 
### sess 讀取數據自動生成 df
data = spark.read.text('/usr/yanshw/test.txt')      #read 可讀類型 [ 'csv', 'format', 'jdbc', 'json', 'load', 'option', 'options', 'orc', 'parquet', 'schema', 'table', 'text']
print(type(data))       # <class 'pyspark.sql.dataframe.DataFrame'>

2） Hive 數據源

## 也需要把 hive/conf/hive-site.xml 復制到 spark/conf 下
spark = SparkSession.builder.appName('test').master('yarn').enableHiveSupport().getOrCreate()
 
hive_data = spark.sql('select * from hive1101.person limit 2')
print(hive_data)        # DataFrame[name: string, idcard: string]

SparkSession vs SparkContext

SparkSession 是 spark2.x 引入的新概念，SparkSession 為用戶提供統一的切入點，字面理解是創建會話，或者連接 spark

在 spark1.x 中，SparkContext 是 spark 的主要切入點，由於 RDD 作為主要的 API，我們通過 SparkContext 來創建和操作 RDD,

SparkContext 的問題在於：

1. 不同的應用中，需要使用不同的 context，在 Streaming 中需要使用 StreamingContext，在 sql 中需要使用 sqlContext，在 hive 中需要使用 hiveContext，比較麻煩

2. 隨著 DataSet 和 DataFrame API 逐漸成為標準 API，需要為他們創建接入點，即 SparkSession

SparkSession 實際上封裝瞭 SparkContext，另外也封裝瞭 SparkConf、sqlContext，隨著版本增加，可能更多，

所以我們盡量使用 SparkSession ，如果發現有些 API 不在 SparkSession 中，也可以通過 SparkSession 拿到 SparkContext 和其他 Context 等

在 shell 操作中，原生創建瞭 SparkSession，故無需再創建，創建瞭也不會起作用

在 shell 中，SparkContext 叫 sc，SparkSession 叫 spark。

到此這篇關於SparkSession和sparkSQL的文章就介紹到這瞭,更多相關SparkSession和sparkSQL內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：