Spark?SQL?作為?Spark?四大核心組件之一，主要用于處理結(jié)構(gòu)化數(shù)據(jù)或半結(jié)構(gòu)化數(shù)據(jù)，它支持在Spark?中使用?SQL?對(duì)數(shù)據(jù)進(jìn)行查詢，本文給大家介紹Spark-Sql入門程序，感興趣的朋友跟隨小編一起看看吧

SparkSQL運(yùn)行架構(gòu)

Spark SQL對(duì)SQL語(yǔ)句的處理，首先會(huì)將SQL語(yǔ)句進(jìn)行解析（Parse），然后形成一個(gè)Tree，在后續(xù)的如綁定、優(yōu)化等處理過(guò)程都是對(duì)Tree的操作，而操作的方法是采用Rule，通過(guò)模式匹配，對(duì)不同類型的節(jié)點(diǎn)采用不同的操作。

spark-sql是用來(lái)處理結(jié)構(gòu)化數(shù)據(jù)的模塊，是入門spark的首要模塊。

技術(shù)的學(xué)習(xí)無(wú)非就是去了解它的API，但是Spark有點(diǎn)難，因?yàn)樗睦雍途W(wǎng)上能搜到的基本都是Scala寫的。我們這里使用Java。

入門例子

數(shù)據(jù)處理的第一個(gè)例子通常都是word count，就是統(tǒng)計(jì)一個(gè)文件里每個(gè)單詞出現(xiàn)了幾次。我們也來(lái)試一下。

> 這個(gè)例子網(wǎng)上有很多，即使是通過(guò)spark實(shí)現(xiàn)的也不少；這里面大部分都是使用Scala寫的，我沒有試過(guò)；少部分是通過(guò)Java寫的；

Java里面的例子有一些是使用RDD實(shí)現(xiàn)的，只有極個(gè)別是通過(guò)DataSet來(lái)做的。但即使這一小撮例子，我也跑不通。

所以我自己來(lái)嘗試完成這個(gè)例子，看到別人用Scala寫三五行就完成了，而我嘗試了一整天幾無(wú)進(jìn)展。在網(wǎng)上東拼西湊熟悉Spark的Java?

還是以我們前面的例子來(lái)改：

String logFile = "words";

SparkSession spark = SparkSession.builder().appName("Simple Application").master("local").getOrCreate();

Dataset<String> logData = spark.read().textFile(logFile).cache();

System.out.println("行數(shù)：" + logData.count());這里我不再使用之前的README文件，自己創(chuàng)建了一個(gè)words文件，內(nèi)容隨意寫了一堆單詞。

執(zhí)行程序，可以正常打印出來(lái)：

接下來(lái)我們需要把句子分割成一個(gè)個(gè)單詞合在一起，然后統(tǒng)計(jì)每個(gè)單詞出現(xiàn)的次數(shù)。

> 可能有人會(huì)說(shuō)，這個(gè)簡(jiǎn)單，我用Java8的流一下就處理好了：

把行集合通過(guò)flatMap處理，每一行通過(guò)split(" ")分割成一個(gè)獨(dú)立的單詞集合，再把結(jié)果通過(guò)自身groupBy一下就拿到終止數(shù)據(jù)結(jié)構(gòu)Map了。

最后把map的key和value的大小拿到就好了。

的確，使用Java就是這樣實(shí)現(xiàn)。但是Spark提供了一套和Java的流API名字和效果類似的工具，區(qū)別是Spark的是分布式API

我們通過(guò)Spark的flatMap先來(lái)處理一下：

Dataset<String> words = logData.flatMap((FlatMapFunction<String, String>) k -> Arrays.asList(k.split("\\s")).iterator(), Encoders.STRING());
System.out.println("單詞數(shù)：" + words.count());
words.foreach(k -> {
System.out.println("W:" + k);
});

不同于Java的流，spark這個(gè)flatMap的返回值是可以直接訪問結(jié)果的：

> 可能有人留意到spark中函數(shù)式方法的參數(shù)定義和Java差距較大。他們的參數(shù)不太一樣，還多了個(gè)編碼器。目前來(lái)講我還不清楚為啥這樣定義，不過(guò)印象中編碼器也是spark3的重要優(yōu)化內(nèi)容。

再Java中使用Scala的方法總是有些怪異，Lambda表達(dá)式前面總是需要強(qiáng)制類型轉(zhuǎn)換，只是為了指明參數(shù)類型，否則需要new一個(gè)匿名類。

這個(gè)也花了我不少時(shí)間，后來(lái)找到一個(gè)網(wǎng)頁(yè)org.apache.spark.sql.Dataset.flatMap java code examples | Tabnine

再往后我迷茫了：

KeyValueGroupedDataset<String, String> group = words.groupByKey((Function1<String, String>) k -> k, Encoders.STRING());

這樣我已經(jīng)group好了，但是返回的不是DataSet，我也不知道這個(gè)返回有啥用，怎么拿到里面的內(nèi)容呢？我費(fèi)了好大勁沒搞定。

比如我發(fā)現(xiàn)count方法會(huì)返回一個(gè)DataSet：

看起來(lái)正是我想要的，但是當(dāng)我想把它輸出竟然執(zhí)行報(bào)錯(cuò)：

ount.foreach(t -> {
    System.out.println(t);
});

別說(shuō)foreach了，就算想看看里面的數(shù)量（就像一開始我們查看了文件有幾行那樣）都會(huì)報(bào)錯(cuò)，錯(cuò)誤內(nèi)容一樣

count.count();

查了很多資料，大意是說(shuō)spark的計(jì)算方法都是分布式的，各個(gè)任務(wù)之間需要通信，通信時(shí)需要序列化來(lái)傳遞信息。所以上面我們能看文件行數(shù)因?yàn)轭愋褪荢tring，有序列化標(biāo)志；現(xiàn)在生成的是元組，不能序列化。我嘗試了各種方法，甚至自己創(chuàng)建新類模擬了計(jì)算過(guò)程還是不行