Spark笔记之Catalog

一、什么是Catalog

Spark SQL提供了执行sql语句的支持，sql语句是以表的方式组织使用数据的，而表本身是如何组织存储的呢，肯定是存在一些元数据之类的东西了，Catalog就是Spark 2.0之后提供的访问元数据的类：

Catalog提供一些API用来对数据库、表、视图、缓存、列、函数（UDF/UDAF）进行操作，下文将一一介绍。

二、如何使用Catalog

得到Catalog：

val spark = SparkSession.builder().master("local[*]").appName("catalog-study").getOrCreate()
val catalog = spark.catalog 

Catalog相关的代码存放在org.apache.spark.sql.catalog下：

上面的Catalog只是一个接口定义规范，具体实现还有一个org.apache.spark.sql.internal.CatalogImpl，如果只是使用Spark完成工作的话只阅读接口定义基本够用了。

三、相关API

数据库相关

看数据库相关的操作之前先看一下Catalog对数据库的表示：

/**
 * A database in Spark, as returned by the `listDatabases` method defined in [[Catalog]].
 *
 * @param name name of the database.
 * @param description description of the database.
 * @param locationUri path (in the form of a uri) to data files.
 * @since 2.0.0
 */
@InterfaceStability.Stable
class Database(
    val name: String,
    @Nullable val description: String,
    val locationUri: String)
  extends DefinedByConstructorParams {

  override def toString: String = {
    "Database[" +
      s"name='$name', " +
      Option(description).map { d => s"description='$d', " }.getOrElse("") +
      s"path='$locationUri']"
  }

}

Catalog使用三个字段表示一个数据库：

name：数据库名字

descripttion：数据库描述，可以认为是注释

locationUri：数据库的数据保存位置

currentDatabase: String

返回当前使用的数据库，相当于select database();

setCurrentDatabase(dbName: String): Unit

设置当前使用的数据库，相当于use database_name;

listDatabases(): Dataset[Database]

查看所有数据库，相当于show databases;

getDatabase(dbName: String): Database

获取某数据库的元数据，返回值是Database类型的，如果指定的数据库不存在则会@throws[AnalysisException]("database does not exist")

databaseExists(dbName: String): Boolean

判断某个数据库是否已经存在，返回boolean值。

为了避免抛异常对单个数据库进行getDatabase获取元数据之前还是先使用databaseExists确定数据库已经存在。

表/视图相关

同样的，对表或视图Catalog也用一个class来表示：

/**
 * A table in Spark, as returned by the `listTables` method in [[Catalog]].
 *
 * @param name name of the table.
 * @param database name of the database the table belongs to.
 * @param description description of the table.
 * @param tableType type of the table (e.g. view, table).
 * @param isTemporary whether the table is a temporary table.
 * @since 2.0.0
 */
@InterfaceStability.Stable
class Table(
    val name: String,
    @Nullable val database: String,
    @Nullable val description: String,
    val tableType: String,
    val isTemporary: Boolean)
  extends DefinedByConstructorParams {

  override def toString: String = {
    "Table[" +
      s"name='$name', " +
      Option(database).map { d => s"database='$d', " }.getOrElse("") +
      Option(description).map { d => s"description='$d', " }.getOrElse("") +
      s"tableType='$tableType', " +
      s"isTemporary='$isTemporary']"
  }

}

name：表的名字

database：表所属的数据库的名字

description：表的描述信息

tableType：用于区分是表还是视图，两个取值：table或view。

isTemporary：是否是临时表或临时视图，解释一下啥是临时表，临时表就是使用Dataset或DataFrame的createOrReplaceTempView等类似的API注册的视图或表，当此次Spark任务结束后这些表就没了，再次使用的话还要再进行注册，而非临时表就是在Hive中真实存在的，开启Hive支持就能够直接使用的，本次Spark任务结束后表仍然能存在，下次启动不需要重新做任何处理就能够使用，表是持久的，这种不是临时表。

listTables(): Dataset[Table]

查看所有表或视图，相当于show tables；

listTables(dbName: String): Dataset[Table]

返回指定数据库下的表或视图，如果指定的数据库不存在则会抛出@throws[AnalysisException]("database does not exist")表示数据库不存在。

getTable(tableName: String): Table
getTable(dbName: String, tableName: String): Table

获取表的元信息，不存在则会抛出异常。

tableExists(tableName: String): Boolean
tableExists(dbName: String, tableName: String): Boolean

判断表或视图是否存在，返回boolean值。

dropTempView(viewName: String): Boolean
dropGlobalTempView(viewName: String): Boolean

使用createOrReplaceTempView类似API注册的临时视图可以使用此方法删除，如果这个视图已经被缓存过的话会自动清除缓存。

recoverPartitions(tableName: String): Unit

isCached(tableName: String): Boolean

用于判断一个表否已经缓存过了。

cacheTable(tableName: String): Unit
cacheTable(tableName: String, storageLevel: StorageLevel): Unit

用于缓存表

uncacheTable(tableName: String): Unit

对表取消缓存

clearCache(): Unit

清空所有缓存

refreshTable(tableName: String): Unit

Spark为了性能考虑，对表的元数据做了缓存，所以当被缓存的表已经改变时也必须刷新元数据重新缓存。

refreshByPath(path: String): Unit

createTable(tableName: String, path: String): DataFrame
createTable(tableName: String, path: String, source: String): DataFrame
createTable(tableName: String, source: String, options: java.util.Map[String, String]): DataFrame
createTable(tableName: String, source: String, options: Map[String, String]): DataFrame
createTable(tableName: String, source: String, schema: StructType, options: java.util.Map[String, String]): DataFrame
createTable(tableName: String, source: String, schema: StructType, options: Map[String, String]): DataFrame

函数相关

Catalog对函数的表示：

/**
 * A user-defined function in Spark, as returned by `listFunctions` method in [[Catalog]].
 *
 * @param name name of the function.
 * @param database name of the database the function belongs to.
 * @param description description of the function; description can be null.
 * @param className the fully qualified class name of the function.
 * @param isTemporary whether the function is a temporary function or not.
 * @since 2.0.0
 */
@InterfaceStability.Stable
class Function(
    val name: String,
    @Nullable val database: String,
    @Nullable val description: String,
    val className: String,
    val isTemporary: Boolean)
  extends DefinedByConstructorParams {

  override def toString: String = {
    "Function[" +
      s"name='$name', " +
      Option(database).map { d => s"database='$d', " }.getOrElse("") +
      Option(description).map { d => s"description='$d', " }.getOrElse("") +
      s"className='$className', " +
      s"isTemporary='$isTemporary']"
  }

}

name：函数的名字

database：函数注册在哪个数据库下，函数是跟数据库绑定的

description：对函数的描述信息，可以理解成注释

className：函数其实就是一个class，调用函数就是调用类的方法，className表示函数对应的class的全路径类名

isTemporary：是否是临时函数。

listFunctions(): Dataset[Function]

列出当前数据库下的所有函数，包括注册的临时函数。

listFunctions(dbName: String): Dataset[Function]

列出指定数据库下注册的所有函数，包括临时函数，如果指定的数据库不存在的话则会抛出@throws[AnalysisException]("database does not exist")表示数据库不存在。

getFunction(functionName: String): Function
getFunction(dbName: String, functionName: String): Function

获取函数的元信息，函数不存在则会抛出异常。

functionExists(functionName: String): Boolean
functionExists(dbName: String, functionName: String): Boolean

判断函数是否存在，返回boolean值。

对表或视图的列相关的操作

Catalog对列的表示：

/**
 * A column in Spark, as returned by `listColumns` method in [[Catalog]].
 *
 * @param name name of the column.
 * @param description description of the column.
 * @param dataType data type of the column.
 * @param nullable whether the column is nullable.
 * @param isPartition whether the column is a partition column.
 * @param isBucket whether the column is a bucket column.
 * @since 2.0.0
 */
@InterfaceStability.Stable
class Column(
    val name: String,
    @Nullable val description: String,
    val dataType: String,
    val nullable: Boolean,
    val isPartition: Boolean,
    val isBucket: Boolean)
  extends DefinedByConstructorParams {

  override def toString: String = {
    "Column[" +
      s"name='$name', " +
      Option(description).map { d => s"description='$d', " }.getOrElse("") +
      s"dataType='$dataType', " +
      s"nullable='$nullable', " +
      s"isPartition='$isPartition', " +
      s"isBucket='$isBucket']"
  }

}

name：列的名字

description：列的描述信息，与注释差不多

dataType：列的数据类型

nullable：列是否允许为null

isPartition：是否是分区列

isBucket：是否是桶列

listColumns(tableName: String): Dataset[Column]
listColumns(dbName: String, tableName: String): Dataset[Column]

列出指定的表或视图有哪些列，表不存在则抛异常。

相关资料：

1.  Spark 2.0介绍：Catalog API介绍和使用

2. Java Doc: Class Catalog

.