Spark SQL 之 Migration Guide

Spark SQL 之 Migration Guide

---

支持的Hive功能

转载请注明出处：http://www.cnblogs.com/BYRans/

Migration Guide

与Hive的兼容（Compatibility with Apache Hive）

Spark SQL与Hive Metastore、SerDes、UDFs相兼容。Spark SQL兼容Hive Metastore从0.12到1.2.1的所有版本。Spark SQL也与Hive SerDes和UDFs相兼容，当前SerDes和UDFs是基于Hive 1.2.1。

在Hive warehouse中部署Spark SQL

Spark SQL Thrift JDBC服务与Hive相兼容，在已存在的Hive上部署Spark SQL Thrift服务不需要对已存在的Hive Metastore做任何修改，也不需要对数据做任何改动。

Spark SQL支持的Hive特性

Spark SQL支持多部分的Hive特性，例如：

• Hive查询语句，包括：

  • SELECT
  • GROUP BY
  • ORDER BY
  • CLUSTER BY
  • SORT BY

• 所有Hive运算符，包括

  • 比较操作符（=, ⇔, ==, <>, <, >, >=, <=, etc）
  • 算术运算符（+, -, *, /, %, etc）
  • 逻辑运算符（AND, &&, OR, ||, etc）
  • 复杂类型构造器
  • 数学函数（sign,ln,cos,etc）
  • 字符串函数（instr,length,printf,etc）

• 用户自定义函数（UDF）

• 用户自定义聚合函数（UDAF）

• 用户自定义序列化格式器（SerDes）

• 窗口函数

• Joins

  • JOIN
  • {LEFT|RIGHT|FULL} OUTER JOIN
  • LEFT SEMI JOIN
  • CROSS JOIN

• Unions

• 子查询

  • SELECT col FROM ( SELECT a + b AS col from t1) t2

• Sampling

• Explain

• 表分区，包括动态分区插入

• 视图

• 所有的Hive DDL函数，包括：

  • CREATE TABLE
  • CREATE TABLE AS SELECT
  • ALTER TABLE

• 大部分的Hive数据类型，包括：

  • TINYINT
  • SMALLINT
  • INT
  • BIGINT
  • BOOLEAN
  • FLOAT
  • DOUBLE
  • STRING
  • BINARY
  • TIMESTAMP
  • DATE
  • ARRAY<>
  • MAP<>
  • STRUCT<>

支持的Hive功能

下面是当前不支持的Hive特性，其中大部分特性在实际的Hive使用中很少用到。

Major Hive Features

• Tables with buckets：bucket是在一个Hive表分区内进行hash分区。Spark SQL当前不支持。

Esoteric Hive Features

• UNION type
• Unique join
• Column statistics collecting：当期Spark SQL不智齿列信息统计，只支持填充Hive Metastore的sizeInBytes列。

Hive Input/Output Formats

• File format for CLI: 这个功能用于在CLI显示返回结果，Spark SQL只支持TextOutputFormat
• Hadoop archive

Hive优化
部分Hive优化还没有添加到Spark中。没有添加的Hive优化（比如索引）对Spark SQL这种in-memory计算模型来说不是特别重要。下列Hive优化将在后续Spark SQL版本中慢慢添加。

• 块级别位图索引和虚拟列（用于建立索引）
• 自动检测joins和groupbys的reducer数量：当前Spark SQL中需要使用“ SET spark.sql.shuffle.partitions=[num_tasks]; ”控制post-shuffle的并行度，不能自动检测。
• 仅元数据查询：对于可以通过仅使用元数据就能完成的查询，当前Spark SQL还是需要启动任务来计算结果。
• 数据倾斜标记：当前Spark SQL不遵循Hive中的数据倾斜标记
• jion中STREAMTABLE提示：当前Spark SQL不遵循STREAMTABLE提示
• 查询结果为多个小文件时合并小文件：如果查询结果包含多个小文件，Hive能合并小文件为几个大文件，避免HDFS metadata溢出。当前Spark SQL不支持这个功能。

Reference

Data Types

Spark SQL和DataFrames支持的数据格式如下：

• 数值类型
  • ByteType: 代表1字节有符号整数. 数值范围： -128 到 127.
  • ShortType: 代表2字节有符号整数. 数值范围： -32768 到 32767.
  • IntegerType: 代表4字节有符号整数. 数值范围： -2147483648 t到 2147483647.
  • LongType: 代表8字节有符号整数. 数值范围： -9223372036854775808 到 9223372036854775807.
  • FloatType: 代表4字节单精度浮点数。
  • DoubleType: 代表8字节双精度浮点数。
  • DecimalType: 表示任意精度的有符号十进制数。内部使用java.math.BigDecimal.A实现。
  • BigDecimal由一个任意精度的整数非标度值和一个32位的整数组成。
• String类型
  • StringType: 表示字符串值。
• Binary类型
  • BinaryType: 代表字节序列值。
• Boolean类型
  • BooleanType: 代表布尔值。
• Datetime类型
  • TimestampType: 代表包含的年、月、日、时、分和秒的时间值
  • DateType: 代表包含的年、月、日的日期值
• 复杂类型
  • ArrayType(elementType, containsNull): 代表包含一系列类型为elementType的元素。如果在一个将ArrayType值的元素可以为空值，containsNull指示是否允许为空。
  • MapType(keyType, valueType, valueContainsNull): 代表一系列键值对的集合。key不允许为空，valueContainsNull指示value是否允许为空
  • StructType(fields): 代表带有一个StructFields（列）描述结构数据。
    • StructField(name, dataType, nullable): 表示StructType中的一个字段。name表示列名、dataType表示数据类型、nullable指示是否允许为空。

Spark SQL所有的数据类型在 org.apache.spark.sql.types 包内。不同语言访问或创建数据类型方法不一样：

• Scala
  代码中添加 import org.apache.spark.sql.types._，再进行数据类型访问或创建操作。
  

• Java
  可以使用 org.apache.spark.sql.types.DataTypes 中的工厂方法，如下表：