理解Spark SQL(二）—— SQLContext和HiveContext

使用Spark SQL，除了使用之前介绍的方法，实际上还可以使用SQLContext或者HiveContext通过编程的方式实现。前者支持SQL语法解析器（SQL-92语法），后者支持SQL语法解析器和HiveSQL语法解析器，默认为HiveSQL语法解析器，用户可以通过配置切换成SQL语法解析器来运行HiveQL不支持的语法，如：select 1。实际上HiveContext是SQLContext的子类，因此在HiveContext运行过程中除了override的函数和变量，可以使用和SQLContext一样的函数和变量。

因为spark-shell工具实际就是运行的scala程序片段，为了方便，下面采用spark-shell进行演示。

首先来看SQLContext，因为是标准SQL，可以不依赖于Hive的metastore，比如下面的例子（没有启动hive metastore）：

[root@BruceCentOS4 ~]# $SPARK_HOME/bin/spark-shell --master yarn --conf spark.sql.catalogImplementation=in-memory

scala> case class offices(office:Int,city:String,region:String,mgr:Int,target:Double,sales:Double)
defined class offices

scala> val rddOffices=sc.textFile("/user/hive/warehouse/orderdb.db/offices/offices.txt").map(_.split("\t")).map(p=>offices(p(0).trim.toInt,p(1),p(2),p(3).trim.toInt,p(4).trim.toDouble,p(5).trim.toDouble))
rddOffices: org.apache.spark.rdd.RDD[offices] = MapPartitionsRDD[3] at map at <console>:26

scala> val officesDataFrame = spark.createDataFrame(rddOffices)
officesDataFrame: org.apache.spark.sql.DataFrame = [office: int, city: string ... 4 more fields]

scala> officesDataFrame.createOrReplaceTempView("offices")

scala> spark.sql("select city from offices where region='Eastern'").map(t=>"City: " + t(0)).collect.foreach(println)
City: NewYork                                                                   
City: Chicago
City: Atlanta

scala>

执行上面的命令后，实际上在yarn集群中启动了一个yarn client模式的Spark Application，然后在scala>提示符后输入的语句会生成RDD的transformation，最后一条命令中的collect会生成RDD的action，即会触发Job的提交和程序的执行。

命令行中之所以加上--conf spark.sql.catalogImplementation=in-memory选项，是因为spark-shell中的默认启动的SparkSession对象spark是默认支持Hive的，不带这个选项启动的话，程序就会去连接hive metastore，因为这里并没有启动hive metastore，因此程序在执行createDataFrame函数时会报错。

程序中的第一行是1个case class语句，这里是定义后面的数据文件的模式的（定义模式除了这个方法，其实还有另外一种方法，后面再介绍）。第二行从hdfs中读取一个文本文件，并工通过map映射到了模式上面。第三行基于第二行的RDD生成DataFrame，第四行基于第三行的DataFrame注册了一个逻辑上的临时表，最后一行就可以通过SparkSession的sql函数来执行sql语句了。

实际上，SQLContext是Spark 1.x中的SQL入口，在Spark 2.x中，使用SparkSession作为SQL的入口，但是为了向后兼容，Spark 2.x仍然支持SQLContext来操作SQL，不过会提示deprecated，所以上面的例子是采用Spark 2.x中的写法。

实际上还有另外一种方法来操作SQL，针对同样的数据，例如：

scala> import org.apache.spark.sql._
import org.apache.spark.sql._

scala> import org.apache.spark.sql.types._
import org.apache.spark.sql.types._

scala> val schema = new StructType(Array(StructField("office", IntegerType, false), StructField("city", StringType, false), StructField("region", StringType, false), StructField("mgr", IntegerType, true), StructField("target", DoubleType, true), StructField("sales", DoubleType, false)))
schema: org.apache.spark.sql.types.StructType = StructType(StructField(office,IntegerType,false), StructField(city,StringType,false), StructField(region,StringType,false), StructField(mgr,IntegerType,true), StructField(target,DoubleType,true), StructField(sales,DoubleType,false))

scala> val rowRDD = sc.textFile("/user/hive/warehouse/orderdb.db/offices/offices.txt").map(_.split("\t")).map(p => Row(p(0).trim.toInt,p(1),p(2),p(3).trim.toInt,p(4).trim.toDouble,p(5).trim.toDouble))
rowRDD: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[3] at map at <console>:30

scala> val dataFrame = spark.createDataFrame(rowRDD, schema)
dataFrame: org.apache.spark.sql.DataFrame = [office: int, city: string ... 4 more fields]

scala> dataFrame.createOrReplaceTempView("offices")

scala> spark.sql("select city from offices where region='Eastern'").map(t=>"City: " + t(0)).collect.foreach(println)
City: NewYork                                                                   
City: Chicago
City: Atlanta

这个例子与之前的例子有一些不同，主要的地方有3个：

1. 之前的例子是采用case class定义模式，Spark采用反射来推断Schema；而这个例子采用StructType类型的对象来定义模式，它接收一个数组，数组成员是StructField对象，代表一个字段的定义，每个字段的定义由字段名称、字段类型和是否允许为空组成；

2. 对于代表数据的RDD，之前的例子是直接用case class定义的类型来分割字段，而这个例子是用的Row类型；

3. 在使用createDataFrame函数生成DataFrame时，该函数的参数不一样，之前的例子只要传入RDD对象即可（对象中隐含了模式），而这个例子需要同时传入RDD和定义的schema；

实际编程中建议采用第二种方法，因为其更加灵活，schema信息可以不必是写死的，而是可以在程序运行的过程中生成。

下面接着来看HiveContext的用法，使用HiveContext之前需要确保：

• 使用的Spark是支持Hive的；
• Hive的配置文件hive-site.xml已经在Spark的conf目录下；
• hive metastore已经启动；

举例说明：

首先启动hive metastore：

[root@BruceCentOS ~]# nohup hive --service metastore &

然后仍然通过spark-shell来举例说明，启动spark-shell，如下所示：

[root@BruceCentOS4 ~]# $SPARK_HOME/bin/spark-shell --master yarn

scala> spark.sql("show databases").collect.foreach(println)
[default]
[orderdb]

scala> spark.sql("use orderdb")
res2: org.apache.spark.sql.DataFrame = []

scala> spark.sql("show tables").collect.foreach(println)
[orderdb,customers,false]
[orderdb,offices,false]
[orderdb,orders,false]
[orderdb,products,false]
[orderdb,salesreps,false]

scala> spark.sql("select city from offices where region='Eastern'").map(t=>"City: " + t(0)).collect.foreach(println)
City: NewYork                                                                   
City: Chicago
City: Atlanta

scala>

可以看到这次启动spark-shell没有带上最后那个选项，这是因为这里我们打算用HiveContext来操作Hive中的数据，需要支持Hive。前面说过spark-shell是默认开启了Hive支持的。同SQLContext类似，Spark 2.x中也不需要再用HiveContext对象来操作SQL了，直接用SparkSession对象来操作就好了。可以看到这里可以直接操作表，不用再定义schema，这是因为schema是由外部的hive metastore定义的，spark通过连接到hive metastore来读取表的schema信息，因此这里能直接操作SQL。

另外，除了上面的使用SQLContext操作普通文件（需要额外定义模式）和使用HiveContext操作Hive表数据（需要开启hive metastore）之外，SQLContext还能操作JSON、PARQUET等文件，由于这两种数据文件自己带了模式信息，因此可以直接基于文件创建DataFrame，例如：

scala> val df = spark.read.json("file:///opt/spark/examples/src/main/resources/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

scala> df.createOrReplaceTempView("people")

scala> spark.sql("select name,age from people where age>19").map(t=>"Name :" + t(0) + ", Age: " + t(1)).collect.foreach(println)
Name :Andy, Age: 30

最后来看下DataFrame的另一种叫做DSL(Domain Specific Language)的用法。

scala> val df = spark.read.json("file:///opt/spark/examples/src/main/resources/people.json")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

scala> df.show()
+----+-------+                                                                  
| age|   name|
+----+-------+
|null|Michael|
|  30|   Andy|
|  19| Justin|
+----+-------+

scala> df.select("name").show()
+-------+                                                                       
|   name|
+-------+
|Michael|
|   Andy|
| Justin|
+-------+

scala> df.select(df("name"), df("age") + 1).show()
+-------+---------+                                                             
|   name|(age + 1)|
+-------+---------+
|Michael|     null|
|   Andy|       31|
| Justin|       20|
+-------+---------+

scala> df.filter(df("age") > 21).show()
+---+----+
|age|name|
+---+----+
| 30|Andy|
+---+----+

scala> df.groupBy("age").count().show()
+----+-----+                                                                    
| age|count|
+----+-----+
|  19|    1|
|null|    1|
|  30|    1|
+----+-----+

scala>

以上是对Spark SQL的SQLContext和HiveContext基本用法的一些总结，都是采用spark-shell工具举的例子。实际上由于spark-shell是运行scala程序片段的工具，上述例子完全可以改成独立的应用程序。我将在下一篇博文当中尝试使用Scala、Java和Python来编写独立的程序来操作上面的示例hive数据库orderdb，可以适当使用一些较为复杂的SQL来统计分析数据。