前言
Spark SQL允许我们在Spark环境中使用SQL或者Hive SQL执行关系型查询。它的核心是一个特殊类型的Spark RDD：SchemaRDD。
SchemaRDD类似于传统关系型数据库的一张表，由两部分组成：
Rows：数据行对象
Schema：数据行模式：列名、列数据类型、列可否为空等
Schema可以通过四种方式被创建：
（1）Existing RDD
（2）Parquet File
（3）JSON Dataset
（4）By running Hive SQL
考虑到Parquet File尚未在平台开始使用，因此暂时仅讨论其它三项。
注意：Spark SQL is currently an alpha component.
SQLContext（HiveContext）
Spark SQL的入口点为SQLContext，SQLContext的初始化依赖于SparkContext，代码示例如下：
SQLContext目前仅仅使用一个简单的SQL解析器，功能有限，而且目前很多的数据仓库是建立在Hive之上的，因此Spark为我们提供了另一个选择：HiveContext。
HiveContext使用相对比较完善的HiveQL解析器，可以使用HiveUDF，可以访问现有Hive数据仓库中的数据，且适配SQLContext的所有数据源，推荐使用。
HiveContext初始化过程相似，如下：
数据源
Spark SQL（SchemaRDD）的数据源可以简单理解为就是普通的Spark RDD，所有可以应用于Spark RDD的操作均可以应用于SchemaRDD；此外，SchemaRDD还可以“注册”为一张临时表，然后通过SQL（Hive SQL）分析其中的数据（实际就是Spark RDD关联的数据）。
SchemaRDD
SchemaRDD的数据源实际就是Spark RDD，但是Spark RDD与SchemaRDD还是有区别的，Spark RDD相对于SchemaRDD而言缺失“Schema”，因此Spark提供两种方式完成Spark RDD到SchemaRDD的转换，实际就是为Spark RDD应用“Schema”。
（1）使用反射推断Schema
如果一个Spark RDD的数据类型为Row，则Spark可以通过反射推断出该Spark RDD的Schema，并将其转换为一个SchemaRDD。
Spark使用反射推断某个Spark RDD的Schema时，仅仅使用这个Spark RDD的第一条数据（Row），因此必须保证这条数据的完整性。
Row的构建过程需要一个键值对列表，
Row(id = 1, name = "a", age = 28)
这个键值对列表已经明确定义出数据行的列名、列值，推断仅作用于列类型。
代码示例
处理逻辑可以分为以下几步：
a. 创建一个字符串列表datas，用于模拟数据源；
b. 对datas执行“parallelize”操作，将其转换为Spark RDD source，数据类型为字符串；
c. 将Spark RDD source中的每一条数据进行切片（split）后转换为Spark RDD rows，数据类型为Row；
至此Spark RDD rows已经具备转换为SchemaRDD的条件：它的数据类型为Row。
d. 使用HiveContext推断rows的Schema，将其转换为SchemaRDD people；
通过people.printSchema()，我们可以查看推断Schema的结果：
e. 将SchemaRDD people注册为一张临时表“people”；
f. 执行SQL查询语句：select * from people where age > 28 and age < 30，并将查询结果保存至Spark RDD results，通过results.printSchema()的输出结果：
可以看出Spark RDD results实际也是SchemaRDD，因此我们可以继续将其注册为一张临时表;
g. 将SchemaRDD results注册为一张临时表“people”，并执行SQL查询语句：select name from people2，并将查询结果保存至Spark RDD results2，通过f我们可以知道results2实际也是SchemaRDD，results2.printSchema()的输出结果：
SchemaRDD results2的数据类型为Row，受到查询语句（select name）的影响，其仅包含一列数据，列名为name。
h. SchemaRDD也可以执行所有Spark RDD的操作，这里我们通过map将results2中的name值转换为大写形式，最终的输出结果：
上述示例说明以下三点：
a. 我们可以将一个数据类型为Row的Spark RDD转换为一个SchemaRDD；
b. SchemaRDD可以注册为一张临时表执行SQL查询语句，其查询结果也是一个SchemaRDD；
c. SchemaRDD可以执行所有Spark RDD的操作。
（2）通过编码指定Schema
使用反射推断Schema的方式要求我们必须能够构建一个数据类型为Row的Spark RDD，然后再将其转换为SchemaRDD；某些情况下我们可能需要更为灵活的方式控制SchemaRDD构建过程，这正是通过编码指定Schema的意义所在。
通过编码指定Schema分为三步：
a. 构建一个数据类型为tuple或list的Spark RDD；
b. 构建Schema，需要匹配a中的tuple或list；
c.将b中的Schema应用于a中的Spark RDD。
代码示例
代码处理逻辑正好对应着上述三步，最终的输出结果：
其中需要注意id、age的数据类型被声明为IntegerType，因此数据源（字符串）中的数据需要做强制类型转换处理。
JSON Datasets
Spark能够自动推断出Json数据集的“数据模式”（Schema），并将它加载为一个SchemaRDD实例。这种“自动”的行为是通过下述两种方法实现的：
jsonFile：从一个文件目录中加载数据，这个目录中的文件的每一行均为一个JSON字符串（如果JSON字符串“跨行”，则可能导致解析错误）；
jsonRDD：从一个已经存在的RDD中加载数据，这个RDD中的每一个元素均为一个JSON字符串；
代码示例
可以得出以下两点：
a. 如果数据输入是JSON字符串的文本文件，我们可以直接使用jsonFile构建Spark RDD，实际就是SchemaRDD；
b. 如果某个Spark RDD的数据类型是字符串，且字符串均是JSON格式的字符串形式，则可以使用jsonRDD将其转换为一个SchemaRDD。
Hive Tables
Hive Tables已经是“表”，因此我们无需创建或转换，直接使用SQL查询即可。
官方代码示例
Hive UDF（Register Function）
Spark SQL使用HiveContext时可以支持Hive UDF，这里的UFD包含Hive本身内建的UDF，也包括我们自己扩展的UDF（实测Spark-1.2.0-cdh5.3.2版本下无法正常使用自己扩展的UDF（Permanent Function），已通过扩展源码修复）。
这里重点介绍Spark SQL的Register Function，也就是说可以动态创建函数用于SQL查询，其实际作用类似于Hive UDF。
代码示例
代码的处理逻辑与前大体类似，即首先通过编码创建SchemaRDD people，然后将其注册为一张表（注意这里使用了另一种方式：HiveContext registerRDDAsTable），最后执行查询语句并打印结果。
特别的是查询语句中使用到了一个名为“myfunc”的自定义SQL函数，而这个函数并不是预先存在的（如Hive UDF），它是在我们应用的运行期间被动态创建并注册的，注册过程使用到了HiveContext registerFunction。
对于Python而言，自定义函数的创建过程实际可分为两步：
（1）定义Python Function；
（2）将（1）中定义好的Python Function注册为SQL函数，注册时的命名可与Function的名称不同。
也可以使用Lambda表达式将定义Function与注册过程同时完成，如上述示例。
我们自定义的SQL函数可以与Hive UDF共同使用，如下示例：
其中func.iptolocationbysina是Hive UDF（Permanent Function），mychange是自定义SQL函数。
从上面的两个示例可以看出，自定义SQL函数远比Hive UDF灵活。Hive UDF的创建过程比较复杂，需要使用Java语言完成编码并部署为jar，且在使用函数之前需要以temporaty function或permanent function的形式存在，每一次Hive UDF的更新都需要重新编码并更新jar；而自定义SQL函数是运行期间动态创建的，而使用Python编码时Function的创建及更新非常简便，推荐使用。
总结
Spark SQL为我们提供了强大的数据分析能力，主要体现在以下三个方面：
（1）Spark RDD可以通过反射推断Schema或编码指定Schema的方式转换为SchemaRDD，将SchemaRDD创建为“数据表”之后，允许我们以SQL语句的形式分析数据，节约大量编码工作量；
（2）Spark SQL允许我们在应用运行期间根据需求动态创建自定义SQL函数，扩充SQL的数据处理能力；
（3）SchemaRDD可以执行所有Spark RDD的操作，如果SQL无法表述我们的计算逻辑时，我们可以通过Spark RDD丰富的API完成。