sparksql基础知识二

目标

1. 掌握sparksql操作jdbc数据源

2. 掌握sparksql保存数据操作

3. 掌握sparksql整合hive

要点

1. jdbc数据源

• spark sql可以通过 JDBC 从关系型数据库中读取数据的方式创建DataFrame，通过对DataFrame一系列的计算后，还可以将数据再写回关系型数据库中

1.1 通过sparksql加载mysql表中的数据

• 添加mysql连接驱动jar包

<dependency>
    <groupId>mysql</groupId>
    <artifactId>mysql-connector-java</artifactId>
    <version>5.1.38</version>
</dependency>

• 代码开发

package com.kaikeba.sql
​
import java.util.Properties
​
import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}
​
//todo:利用sparksql加载mysql表中的数据
object DataFromMysql {
​
  def main(args: Array[String]): Unit = {
    //1、创建SparkConf对象
    val sparkConf: SparkConf = new SparkConf().setAppName("DataFromMysql").setMaster("local[2]")
​
    //2、创建SparkSession对象
    val spark: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
​
    //3、读取mysql表的数据
        //3.1 指定mysql连接地址
        val url="jdbc:mysql://node1:3306/spark"
        //3.2 指定要加载的表名
        val tableName="iplocation"
        // 3.3 配置连接数据库的相关属性
        val properties = new Properties()
​
      //用户名
      properties.setProperty("user","root")
      //密码
      properties.setProperty("password","123456")
​
     val mysqlDF: DataFrame = spark.read.jdbc(url,tableName,properties)
​
      //打印schema信息
      mysqlDF.printSchema()
​
      //展示数据
      mysqlDF.show()
​
    //把dataFrame注册成表
    mysqlDF.createTempView("iplocation")
​
    spark.sql("select * from iplocation where total_count >1500").show()
​
    spark.stop()
  }
}

1.2 通过sparksql保存结果数据到mysql表中

• 代码开发(本地运行)

package com.kaikeba.sql
​
import java.util.Properties
​
import org.apache.spark.sql.{DataFrame, SparkSession}
​
//todo:通过sparksql把结果数据写入到mysql表中
object Data2Mysql {
  def main(args: Array[String]): Unit = {
    //1、创建SparkSession
    val spark: SparkSession = SparkSession
                                .builder()
                                .appName("Data2Mysql")
                                .master("local[2]")
                                .getOrCreate()
    //2、读取mysql表中数据
    //2.1 定义url连接
    val url="jdbc:mysql://node1:3306/spark"
    //2.2 定义表名
    val table="iplocation"
    //2.3 定义属性
    val properties=new Properties()
    properties.setProperty("user","root")
    properties.setProperty("password","123456")
​
    val mysqlDF: DataFrame = spark.read.jdbc(url,table,properties)
​
    //把dataFrame注册成一张表
      mysqlDF.createTempView("iplocation")
​
    //通过sparkSession调用sql方法
       //需要统计经度和维度出现的人口总数大于1000的记录 保存到mysql表中
      val result: DataFrame = spark.sql("select * from iplocation where total_count >1000")
​
    //保存结果数据到mysql表中
     //mode:指定数据的插入模式
        //overwrite: 表示覆盖，如果表不存在，事先帮我们创建
        //append   :表示追加， 如果表不存在，事先帮我们创建
        //ignore   :表示忽略，如果表事先存在，就不进行任何操作
        //error    :如果表事先存在就报错（默认选项）
    result.write.mode("append").jdbc(url,"kaikeba",properties)
    // result.write.mode(args(0)).jdbc(url,args(1),properties)
​
    //关闭
     spark.stop()
  }
}

• 打成jar包集群提交

  • 代码开发

    package com.kaikeba.sql
    ​
    import java.util.Properties
    ​
    import org.apache.spark.sql.{DataFrame, SparkSession}
    ​
    //todo:通过sparksql把结果数据写入到mysql表中
    object Data2Mysql {
      def main(args: Array[String]): Unit = {
        //1、创建SparkSession
        val spark: SparkSession = SparkSession
                                    .builder()
                                    .appName("Data2Mysql") 
                                    .getOrCreate()
          
        //2、读取mysql表中数据
            //2.1 定义url连接
            val url="jdbc:mysql://node1:3306/spark"
            //2.2 定义表名
            val table="iplocation"
            //2.3 定义属性
            val properties=new Properties()
            properties.setProperty("user","root")
            properties.setProperty("password","123456")
    ​
        val mysqlDF: DataFrame = spark.read.jdbc(url,table,properties)
    ​
        //把dataFrame注册成一张表
          mysqlDF.createTempView("iplocation")
    ​
        //通过sparkSession调用sql方法
           //需要统计经度和维度出现的人口总数大于1000的记录 保存到mysql表中
          val result: DataFrame = spark.sql("select * from iplocation where total_count >1000")
    ​
        //保存结果数据到mysql表中
        //mode:指定数据的插入模式
            //overwrite: 表示覆盖，如果表不存在，事先帮我们创建
            //append   :表示追加， 如果表不存在，事先帮我们创建
            //ignore   :表示忽略，如果表事先存在，就不进行任何操作
            //error    :如果表事先存在就报错（默认选项）
      
         result.write.mode(args(0)).jdbc(url,args(1),properties)
    ​
        //关闭
         spark.stop()
      }
    }

  • 提交任务脚本

    spark-submit 
    --master spark://node1:7077 
    --class com.kaikeba.sql.Data2Mysql 
    --executor-memory 1g 
    --total-executor-cores 4 
    --driver-class-path /opt/bigdata/hive/lib/mysql-connector-java-5.1.38.jar 
    --jars /export/servers/hive/lib/mysql-connector-java-5.1.35.jar 
    spark_class01-1.0-SNAPSHOT.jar 
    append  kaikeba

2. sparksql保存数据操作

• 代码开发

package com.kaikeba.sql
​
import org.apache.spark.SparkConf
import org.apache.spark.sql.{DataFrame, SparkSession}
​
//todo:sparksql可以把结果数据保存到不同的外部存储介质中
object SaveResult {
​
  def main(args: Array[String]): Unit = {
    //1、创建SparkConf对象
    val sparkConf: SparkConf = new SparkConf().setAppName("SaveResult").setMaster("local[2]")
​
    //2、创建SparkSession对象
    val spark: SparkSession = SparkSession.builder().config(sparkConf).getOrCreate()
​
    //3、加载数据源
    val jsonDF: DataFrame = spark.read.json("E:\data\score.json")
​
    //4、把DataFrame注册成表
    jsonDF.createTempView("t_score")
​
    //todo:5、统计分析
    val result: DataFrame = spark.sql("select * from t_score where score > 80")
​
    //保存结果数据到不同的外部存储介质中
    //todo: 5.1 保存结果数据到文本文件  ----  保存数据成文本文件目前只支持单个字段，不支持多个字段
    result.select("name").write.text("./data/result/123.txt")
​
    //todo: 5.2 保存结果数据到json文件
    result.write.json("./data/json")
​
    //todo: 5.3 保存结果数据到parquet文件
    result.write.parquet("./data/parquet")
​
    //todo: 5.4 save方法保存结果数据，默认的数据格式就是parquet
    result.write.save("./data/save")
​
    //todo: 5.5 保存结果数据到csv文件
    result.write.csv("./data/csv")
​
    //todo: 5.6 保存结果数据到表中
    result.write.saveAsTable("t1")
​
    //todo: 5.7  按照单个字段进行分区 分目录进行存储
    result.write.partitionBy("classNum").json("./data/partitions")
​
    //todo: 5.8  按照多个字段进行分区 分目录进行存储
    result.write.partitionBy("classNum","name").json("./data/numPartitions")
​
​
    spark.stop()
  }
​
}

3. sparksql中自定义函数

• 自定义UDF函数

• 代码开发

  package com.kaikeba.sql
  ​
  import org.apache.spark.sql.api.java.UDF1
  import org.apache.spark.sql.types.StringType
  import org.apache.spark.sql.{DataFrame, SparkSession}
  ​
  //TODO:自定义sparksql的UDF函数    一对一的关系
  object SparkSQLFunction {
  ​
    def main(args: Array[String]): Unit = {
      //1、创建SparkSession
      val sparkSession: SparkSession = SparkSession.builder().appName("SparkSQLFunction").master("local[2]").getOrCreate()
  ​
      //2、构建数据源生成DataFrame
      val dataFrame: DataFrame = sparkSession.read.text("E:\data\test_udf_data.txt")
  ​
      //3、注册成表
      dataFrame.createTempView("t_udf")
  ​
  ​
      //4、实现自定义的UDF函数
  ​
      //小写转大写
      sparkSession.udf.register("low2Up",new UDF1[String,String]() {
        override def call(t1: String): String = {
          t1.toUpperCase
        }
      },StringType)
  ​
      //大写转小写
      sparkSession.udf.register("up2low",(x:String)=>x.toLowerCase)
  ​
  ​
      //4、把数据文件中的单词统一转换成大小写
      sparkSession.sql("select  value from t_udf").show()
      sparkSession.sql("select  low2Up(value) from t_udf").show()
      sparkSession.sql("select  up2low(value) from t_udf").show()
  ​
      sparkSession.stop()
  ​
    }
  }

4. sparksql整合hive

• 步骤

  • 1、需要把hive安装目录下的配置文件hive-site.xml拷贝到每一个spark安装目录下对应的conf文件夹中

  • 2、需要一个连接mysql驱动的jar包拷贝到spark安装目录下对应的jars文件夹中

  • 3、可以使用spark-sql脚本 后期执行sql相关的任务

• 启动脚本

spark-sql 
--master spark://node1:7077 
--executor-memory 1g 
--total-executor-cores 4 
--conf spark.sql.warehouse.dir=hdfs://node1:9000/user/hive/warehouse 

• 应用场景

#!/bin/sh
#定义spark.sql提交脚本的头信息
SUBMITINFO="spark-sql --master spark://node1:7077 --executor-memory 1g --total-executor-cores 4 --conf spark.sql.warehouse.dir=hdfs://node1:9000/user/hive/warehouse" 
#定义一个sql语句
SQL="select * from employee;" 
#执行sql语句   类似于 hive -e sql语句
echo "$SUBMITINFO" 
echo "$SQL"
$SUBMITINFO -e "$SQL"

sh spark.sql

5. spark的shuffle原理分析

5.1 shuffle概述

	Shuffle就是对数据进行重组，由于分布式计算的特性和要求，在实现细节上更加繁琐和复杂。
	在MapReduce框架，Shuffle是连接Map和Reduce之间的桥梁，Map阶段通过shuffle读取数据并输出到对应的Reduce；而Reduce阶段负责从Map端拉取数据并进行计算。
在整个shuffle过程中，往往伴随着大量的磁盘和网络I/O。所以shuffle性能的高低也直接决定了整个程序的性能高低。Spark也会有自己的shuffle实现过程。

5.2 spark中的shuffle介绍

在DAG调度的过程中，Stage阶段的划分是根据是否有shuffle过程，也就是存在wide Dependency宽依赖的时候,需要进行shuffle,这时候会将作业job划分成多个Stage，
每一个stage内部有很多可以并行运行的task。
stage与stage之间的过程就是shuffle阶段，在Spark的中，负责shuffle过程的执行、计算和处理的组件主要就是ShuffleManager，也即shuffle管理器。
ShuffleManager随着Spark的发展有两种实现的方式，分别为HashShuffleManager和SortShuffleManager，因此spark的Shuffle有Hash Shuffle和Sort Shuffle两种。

5.3 HashShuffle机制

5.3.1 HashShuffle概述

  在Spark 1.2以前，默认的shuffle计算引擎是HashShuffleManager。
  该ShuffleManager-HashShuffleManager有着一个非常严重的弊端，就是会产生大量的中间磁盘文件，进而由大量的磁盘IO操作影响了性能。因此在Spark 1.2以后的版本中，
默认的ShuffleManager改成了SortShuffleManager。
  SortShuffleManager相较于HashShuffleManager来说，有了一定的改进。主要就在于每个Task在进行shuffle操作时，虽然也会产生较多的临时磁盘文件，但是最后会将所有的
临时文件合并(merge)成一个磁盘文件，因此每个Task就只有一个磁盘文件。在下一个stage的shuffle read task拉取自己的数据时，只要根据索引读取每个磁盘文件中的部分数据即可。

• Hash shuffle

  • HashShuffleManager的运行机制主要分成两种

    • 一种是普通运行机制
      

    • 另一种是合并的运行机制。

  • 合并机制主要是通过复用buffer来优化Shuffle过程中产生的小文件的数量。
    

  • Hash shuffle是不具有排序的Shuffle。

5.3.2 普通机制的Hash shuffle

• 图解

    这里我们先明确一个假设前提：每个Executor只有1个CPU core，也就是说，无论这个Executor上分配多少个task线程，同一时间都只能执行一个task线程。
    图中有3个ReduceTask，从ShuffleMapTask 开始那边各自把自己进行 Hash 计算(分区器：hash/numreduce取模)，分类出3个不同的类别，
每个 ShuffleMapTask 都分成3种类别的数据，想把不同的数据汇聚然后计算出最终的结果，所以ReduceTask 会在属于自己类别的数据收集过来，汇聚成一个同类别的大集合，
每1个 ShuffleMapTask 输出3份本地文件，这里有4个 ShuffleMapTask，所以总共输出了4 x 3个分类文件 = 12个本地小文件。

• shuffle Write阶段

    主要就是在一个stage结束计算之后，为了下一个stage可以执行shuffle类的算子(比如reduceByKey，groupByKey)，而将每个task处理的数据按key进行“分区”。
所谓“分区”，就是对相同的key执行hash算法，从而将相同key都写入同一个磁盘文件中，而每一个磁盘文件都只属于reduce端的stage的一个task。在将数据写入磁盘之前，
会先将数据写入内存缓冲中，当内存缓冲填满之后，才会溢写到磁盘文件中去。
    那么每个执行shuffle write的task，要为下一个stage创建多少个磁盘文件呢? 很简单，下一个stage的task有多少个，当前stage的每个task就要创建多少份磁盘文件。
比如下一个stage总共有100个task，那么当前stage的每个task都要创建100份磁盘文件。如果当前stage有50个task，总共有10个Executor，每个Executor执行5个Task，
那么每个Executor上总共就要创建500个磁盘文件，所有Executor上会创建5000个磁盘文件。由此可见，未经优化的shuffle write操作所产生的磁盘文件的数量是极其惊人的。

• shuffle Read阶段

     shuffle read，通常就是一个stage刚开始时要做的事情。此时该stage的每一个task就需要将上一个stage的计算结果中的所有相同key，从各个节点上通过网络都拉取到自己
所在的节点上，然后进行key的聚合或连接等操作。由于shuffle write的过程中，task给Reduce端的stage的每个task都创建了一个磁盘文件，因此shuffle read的过程中，
每个task只要从上游stage的所有task所在节点上，拉取属于自己的那一个磁盘文件即可。
     shuffle read的拉取过程是一边拉取一边进行聚合的。每个shuffle read task都会有一个自己的buffer缓冲，每次都只能拉取与buffer缓冲相同大小的数据，
然后通过内存中的一个Map进行聚合等操作。聚合完一批数据后，再拉取下一批数据，并放到buffer缓冲中进行聚合操作。以此类推，直到最后将所有数据到拉取完，并得到最终的结果。

• 注意

（1）buffer起到的是缓存作用，缓存能够加速写磁盘，提高计算的效率,buffer的默认大小32k。
（2）分区器：根据hash/numRedcue取模决定数据由几个Reduce处理，也决定了写入几个buffer中
（3）block file：磁盘小文件，从图中我们可以知道磁盘小文件的个数计算公式：block file=M*R
 (4) M为map task的数量，R为Reduce的数量，一般Reduce的数量等于buffer的数量，都是由分区器决定的

• Hash shuffle普通机制的问题

（1).Shuffle阶段在磁盘上会产生海量的小文件，建立通信和拉取数据的次数变多,此时会产生大量耗时低效的 IO 操作 (因为产生过多的小文件)
（2).可能导致OOM，大量耗时低效的 IO 操作 ，导致写磁盘时的对象过多，读磁盘时候的对象也过多，这些对象存储在堆内存中，会导致堆内存不足，相应会导致频繁的GC，
GC会导致OOM。由于内存中需要保存海量文件操作句柄和临时信息，如果数据处理的规模比较庞大的话，内存不可承受，会出现 OOM 等问题

5.3.3 合并机制的Hash shuffle

合并机制就是复用buffer缓冲区，开启合并机制的配置是spark.shuffle.consolidateFiles。该参数默认值为false，将其设置为true即可开启优化机制。
通常来说，如果我们使用HashShuffleManager，那么都建议开启这个选项。

• 图解

	这里有6个这里有6个shuffleMapTask，数据类别还是分成3种类型，因为Hash算法会根据你的 Key 进行分类，在同一个进程中，无论是有多少过Task，
都会把同样的Key放在同一个Buffer里，然后把Buffer中的数据写入以Core数量为单位的本地文件中，(一个Core只有一种类型的Key的数据)，每1个Task所在的进程中，
分别写入共同进程中的3份本地文件，这里有6个shuffleMapTasks，所以总共输出是 2个Cores x 3个分类文件 = 6个本地小文件。

• 注意

（1).启动HashShuffle的合并机制ConsolidatedShuffle的配置
   spark.shuffle.consolidateFiles=true
（2).block file=Core*R
	Core为CPU的核数，R为Reduce的数量

• Hash shuffle合并机制的问题

	如果 Reducer 端的并行任务或者是数据分片过多的话则 Core * Reducer Task 依旧过大，也会产生很多小文件。

5.4 Sort shuffle

• SortShuffleManager的运行机制主要分成两种，

  • 一种是普通运行机制
    

  • 另一种是bypass运行机制
    

5.4.1 Sort shuffle的普通机制

• 图解

    在该模式下，数据会先写入一个数据结构，聚合算子写入Map，一边通过Map局部聚合，一遍写入内存。Join算子写入ArrayList直接写入内存中。然后需要判断是否达到阈值（5M），如果达到就会将内存数据结构的数据写入到磁盘，清空内存数据结构。
在溢写磁盘前，先根据key进行排序，排序过后的数据，会分批写入到磁盘文件中。默认批次为10000条，数据会以每批一万条写入到磁盘文件。写入磁盘文件通过缓冲区溢写的方式，每次溢写都会产生一个磁盘文件，也就是说一个task过程会产生多个临时文件。
最后在每个task中，将所有的临时文件合并，这就是merge过程，此过程将所有临时文件读取出来，一次写入到最终文件。意味着一个task的所有数据都在这一个文件中。同时单独写一份索引文件，标识下游各个task的数据在文件中的索引start offset和end offset。
    这样算来如果第一个stage 50个task，每个Executor执行一个task，那么无论下游有几个task，就需要50*2=100个磁盘文件。

• 好处

1. 小文件明显变少了，一个task只生成一个file文件
2. file文件整体有序，加上索引文件的辅助，查找变快，虽然排序浪费一些性能，但是查找变快很多

5.4.2 bypass模式的sortShuffle

• bypass机制运行条件

  • shuffle map task数量小于spark.shuffle.sort.bypassMergeThreshold参数的值

  • 不是聚合类的shuffle算子（比如reduceByKey）

• 好处

    该机制与sortshuffle的普通机制相比，在shuffleMapTask不多的情况下，首先写的机制是不同，其次不会进行排序。这样就可以节约一部分性能开销。

• 总结

    在shuffleMapTask数量小于默认值200时，启用bypass模式的sortShuffle，并没有进行sort，原因是数据量本身比较少，没必要进行sort全排序，因为数据量少本身查询速度就快，正好省了sort的那部分性能开销。

6. Spark Shuffle调优

//buffer大小默认是32K  maptask端的shuffle 降低磁盘IO
spark.shuffle.file.buffer 32k
​
//shuffle read拉取数据量的大小
spark.reducer.MaxSizeFlight 48M 
​
//shuffle聚合内存的比例
spark.shuffle.memoryFraction 0.2 
​
//拉取数据重试次数
spark.shuffle.io.maxRetries 3 
​
//调整到重试间隔时间60s
spark.shuffle.io.retryWait 5s 
​
//Spark Shuffle的种类
spark.shuffle.manager hash|sort 
​
//针对HashShuffle   HashShuffle 合并机制
spark.shuffle.consolidateFiles false 
​
//针对SortShuffle     SortShuffle bypass机制 200次
spark.shuffle.sort.bypassMergeThreshold 200