Note_Spark_Day08：Spark SQL(Dataset是什么、外部数据源、UDF定义和分布式SQL引擎)

本文主要是介绍Note_Spark_Day08：Spark SQL(Dataset是什么、外部数据源、UDF定义和分布式SQL引擎)，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

stypora-copy-images-to: img
typora-root-url: ./

Spark Day08：Spark SQL

01-[了解]-昨日课程内容回顾

上次课程主要讲解3个方面内容：SparkSQL模块概述、DataFrame数据集及综合案例分析。

1、SparkSQL 模块概述
	- 发展史【前世今生】
		Shark -> SparkSQL（1.0） -> DataFrame(1.3) -> Dataset(1.6) -> Dataset/DataFrame(2.0)
		Spark2.0中SparkSQL模块
			不仅可以处理离线数据（批处理），还可以处理流式数据（流计算）
				spark.read 批处理
				spark.readStream 流计算
			将SparkSQL可以处理流式数据功能，单独提出来，称为：StructuredStreaming结构化流
		Spark2.2 版本
			StructuredStreaming 发布Release版本
	- 官方定义：
		Spark框架模块，针对结构化数据处理模块
		- Module，Structure结构化数据
		- DataFrame，数据结构，底层还是RDD，加上Schema约束
		- SQL 分析引擎，可以类似Hive框架，解析SQL，转换为RDD操作
	- 4个特性
		易用性、多数据源、JDBC/ODBC方式、与Hive集成
		
2、DataFrame 是什么
	- 基于RDD之上分布式数据集，并且Schema信息，Schema就是数据内部结果，包含字段名称和字段类型
		RDD[Person] 与 DataFrame比较
		DataFrame知道数据内部结构，在计算数据之前，可以有针对性进行优化，提升性能
	- DataFrame = RDD[Row] + Schema + 优化
		来源Python中Pandas数据结构或R语言数据类型
	- RDD 转换DataFrame方式
		第一种：RDD[CaseClass]直接转换DataFrame
		第二种：RDD[Row] + Schema
		toDF函数，指定列名称，前提条件：RDD中数据类型为元组类型，或者Seq序列中数据类型为元组
	
3、电影评分统计分析【使用DataFrame封装】
	- SparkSQL中数据分析2种方式：
		方式一：SQL编程
			类似Hive中SQL语句
		方式二：DSL编程
			调用DataFrame中函数，包含类似RDD转换函数和类似SQL关键词函数
	- 案例分析
		- step1、加载文本数据为RDD
		- step2、通过toDF函数转换为DataFrame
		- step3、编写SQL分析
			先注册DataFrame为临时视图、再编写SQL执行
		- step4、编写DSL分析
			groupBy、agg、filter、sortBy、limit
			导入函数库：import org.apache.spark.sql.functions._
		- step5、保存结果数据
			先保存到MySQL表中
			再保存到CSV文件
		无论是编写DSL还是SQL，性能都是一样的，注意调整参数：Shuffle是分区数目
			spark.sql.shuffle.partitions=200
			Spark 3.0无需调整

02-[了解]-今日课程内容提纲

主要讲解4个方面内容：Dataset是什么、外部数据源、UDF定义和分布式SQL引擎

1、Dataset 数据结构
	Dataset = RDD[T] + Schema，可以外部数据类型、也可以知道内部数据结构
	以特殊编码存储数据，比RDD数据结构存储更加节省空间
	RDD、DataFrame和Dataset区别与联系

2、外部数据源
	如何加载和保存数据，编程模块
	保存数据时，保存模式
	内部支持外部数据源
	自定义外部数据源，实现HBase，直接使用，简易版本
	集成Hive，从Hive表读取数据分析，也可以将数据保存到Hive表，企业中使用最多
		使用Hive框架进行数据管理，使用SparkSQL分析处理数据

3、自定义UDF函数
	2种方式，分别在SQL中使用和在DSL中使用
	
4、分布式SQL引擎
	此部分内容，与Hive框架功能一直
	spark-sql 命令行，专门提供编写SQL语句
		类似Hive框架种hive
	SparkSQL ThriftServer当做一个服务运行，使用JDBC/ODBC方式连接，发送SQL语句执行
		类似HiveServer2服务
		- jdbc 代码
		- beeline命令行，编写SQL

03-[掌握]-Dataset 是什么

Dataset是在Spark1.6中添加的新的接口，是DataFrame API的一个扩展，是Spark最新的数据抽象，结合了RDD和DataFrame的优点。

Dataset = RDD + Schema

Dataset是一个强类型的特定领域的对象，这种对象可以函数式或者关系操作并行地转换。

从Spark 2.0开始，DataFrame与Dataset合并，每个Dataset也有一个被称为一个DataFrame的类型化视图，这种DataFrame是Row类型的Dataset，即Dataset[Row]。

针对Dataset数据结构来说，可以简单的从如下四个要点记忆与理解：

Spark 框架从最初的数据结构RDD、到SparkSQL中针对结构化数据封装的数据结构DataFrame，
最终使用Dataset数据集进行封装，发展流程如下。

所以在实际项目中建议使用Dataset进行数据封装，数据分析性能和数据存储更加好。

针对RDD、DataFrame与Dataset三者编程比较来说，Dataset API无论语法错误和分析错误在编译时都能发现，然而RDD和DataFrame有的需要在运行时才能发现。

此外RDD与Dataset相比较而言，由于Dataset数据使用特殊编码，所以在存储数据时更加节省内存。

由于Dataset数据结构，是一个强类型分布式集合，并且采用特殊方式对数据进行编码，所以与DataFrame相比，编译时发现语法错误和分析错误，以及缓存数据时比RDD更加节省空间。

package cn.itcast.spark.ds

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.{DataFrame, Dataset, SparkSession}

/**
 * 采用反射的方式将RDD转换为Dataset
 */
object _01SparkDatasetTest {
	
	def main(args: Array[String]): Unit = {
		
		// 构建SparkSession实例对象，设置应用名称和master
		val spark: SparkSession = SparkSession.builder()
    		.appName(this.getClass.getSimpleName.stripSuffix("$"))
    		.master("local[3]")
    		.getOrCreate()
		import spark.implicits._
		
		// 1. 加载电影评分数据，封装数据结构RDD
		val rawRatingRDD: RDD[String] = spark.sparkContext.textFile("datas/ml-100k/u.data")
		
		// 2. 将RDD数据类型转化为 MovieRating
		/*
			将原始RDD中每行数据（电影评分数据）封装到CaseClass样例类中
		 */
		val ratingRDD: RDD[MovieRating] = rawRatingRDD.mapPartitions { iter =>
			iter.map { line =>
				// 按照制表符分割
				val arr: Array[String] = line.trim.split("\\t")
				// 封装样例对象
				MovieRating(
					arr(0), arr(1), arr(2).toDouble, arr(3).toLong
				)
			}
		}
		
		// TODO: 3. 将RDD转换为Dataset，可以通过隐式转， 要求RDD数据类型必须是CaseClass
		val ratingDS: Dataset[MovieRating] = ratingRDD.toDS()
		ratingDS.printSchema()
		ratingDS.show(10, truncate = false)
		
		/*
			Dataset 从Spark1.6提出
				Dataset = RDD + Schema
				DataFrame = RDD[Row] + Schema
				Dataset[Row] = DataFrame
		 */
		// 从Dataset中获取RDD
		val rdd: RDD[MovieRating] = ratingDS.rdd
		val schema: StructType = ratingDS.schema
		
		// 从Dataset中获取DataFrame
		val ratingDF: DataFrame = ratingDS.toDF()
		
		// 给DataFrame加上强类型（CaseClass）就是Dataset
		/*
			DataFrame中字段名称与CaseClass中字段名称一致
		 */
		val dataset: Dataset[MovieRating] = ratingDF.as[MovieRating]
		
		
		// 应用结束，关闭资源
		spark.stop()
	}
	
}

04-[掌握]-RDD、DS和DF之间转换

实际项目开发，常常需要对RDD、DataFrame及Dataset之间相互转换，其中要点就是Schema约束结构信息。

范例演示：分别读取people.txt文件数据封装到RDD、DataFrame及Dataset，查看区别及相互转换。

[root@node1 ~]# /export/server/spark/bin/spark-shell --master local[2]
21/04/27 09:12:40 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://node1.itcast.cn:4040
Spark context available as 'sc' (master = local[2], app id = local-1619485981944).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.4.5
      /_/
         
Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_241)
Type in expressions to have them evaluated.
Type :help for more information.

scala> val rdd = sc.textFile("/datas/resources/people.txt")
rdd: org.apache.spark.rdd.RDD[String] = /datas/resources/people.txt MapPartitionsRDD[1] at textFile at <console>:24

scala> 

scala> val dataframe = spark.read.text("/datas/resources/people.txt")
dataframe: org.apache.spark.sql.DataFrame = [value: string]

scala> 

scala> val dataset = spark.read.textFile("/datas/resources/people.txt")
dataset: org.apache.spark.sql.Dataset[String] = [value: string]

scala> 

scala> dataframe.rdd
res0: org.apache.spark.rdd.RDD[org.apache.spark.sql.Row] = MapPartitionsRDD[6] at rdd at <console>:26

scala> dataset.rdd
res1: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[11] at rdd at <console>:26

scala> 

scala> dataset.toDF()
res2: org.apache.spark.sql.DataFrame = [value: string]

scala> dataframe.as[String]
res3: org.apache.spark.sql.Dataset[String] = [value: string]

读取Json数据，封装到DataFrame中，指定CaseClass，转换为Dataset

scala> val empDF = spark.read.json("/datas/resources/employees.json")
empDF: org.apache.spark.sql.DataFrame = [name: string, salary: bigint]          

scala> 

scala> empDF.show()
+-------+------+
|   name|salary|
+-------+------+
|Michael|  3000|
|   Andy|  4500|
| Justin|  3500|
|  Berta|  4000|
+-------+------+


scala> 

scala> case class Emp(name: String, salary: Long)
defined class Emp

scala> 

scala> val empDS = empDF.as[Emp]
empDS: org.apache.spark.sql.Dataset[Emp] = [name: string, salary: bigint]

scala> empDS.printSchema()
root
 |-- name: string (nullable = true)
 |-- salary: long (nullable = true)


scala> empDS.show()
+-------+------+
|   name|salary|
+-------+------+
|Michael|  3000|
|   Andy|  4500|
| Justin|  3500|
|  Berta|  4000|
+-------+------+

05-[掌握]-外部数据源之加载load和保存save数据

在SparkSQL模块，提供一套完成API接口，用于方便读写外部数据源的的数据（从Spark 1.4版本提供），框架本身内置外部数据源：

SparkSQL提供一套通用外部数据源接口，方便用户从数据源加载和保存数据，例如从MySQL表中既可以加载读取数据：load/read，又可以保存写入数据：save/write。

Load 加载数据

在SparkSQL中读取数据使用SparkSession读取，并且封装到数据结构Dataset/DataFrame中。

DataFrameReader专门用于加载load读取外部数据源的数据，基本格式如下：

SparkSQL模块本身自带支持读取外部数据源的数据：

Save 保存数据

SparkSQL模块中可以从某个外部数据源读取数据，就能向某个外部数据源保存数据，提供相应接口，通过DataFrameWrite类将数据进行保存

与DataFrameReader类似，提供一套规则，将数据Dataset保存，基本格式如下：

SparkSQL模块内部支持保存数据源如下：

当将结果数据DataFrame/Dataset保存至Hive表中时，可以设置分区partition和分桶bucket，形式如下：

可以发现，SparkSQL模块中内置数据源中，并且对HBase表数据读取和写入支持，但是可以自己实现外部数据源接口，方便读写数据。

06-[了解]-外部数据源之案例演示及应用场景

scala> val peopleDF = spark.read.json("/datas/resources/people.json")
peopleDF: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

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


scala> 

scala> val resultDF = peopleDF.select("name", "age")
resultDF: org.apache.spark.sql.DataFrame = [name: string, age: bigint]

scala> 

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


scala> 

scala> resultDF.write.parquet("/datas/people-parquet")


scala> spark.read.parquet("/datas/people-parquet/part-00000-a967d124-52d8-4ffe-91c6-59aebfed22b0-c000.snappy.parquet")
res11: org.apache.spark.sql.DataFrame = [name: string, age: bigint]

scala> res11.show(
     | )
+-------+----+
|   name| age|
+-------+----+
|Michael|null|
|   Andy|  30|
| Justin|  19|
+-------+----+

查看HDFS文件系统目录，数据已保存值parquet文件，并且使用snappy压缩。

07-[掌握]-外部数据源之保存模式SaveMode

当将DataFrame或Dataset数据保存时，默认情况下，如果存在，会抛出异常。

DataFrameWriter中有一个mode方法指定模式：

通过源码发现SaveMode时枚举类，使用Java语言编写，如下四种保存模式：

⚫ 第一种：Append 追加模式，当数据存在时，继续追加；
⚫ 第二种：Overwrite 覆写模式，当数据存在时，覆写以前数据，存储当前最新数据；
⚫ 第三种：ErrorIfExists 存在及报错；
⚫ 第四种：Ignore 忽略，数据存在时不做任何操作；

由于保存DataFrame时，需要合理设置保存模式，使得将数据保存数据库时，存在一定问题的。

Append追加模式：
数据重复，最明显错误就是：主键已经存在

Overwrite 覆盖模式：
将原来的数据删除，对于实际项目来说，以前分析结果也是需要的，不允许删除

08-[掌握]-外部数据源之案例演示（parquet、text和json）

SparkSQL模块中默认读取数据文件格式就是parquet列式存储数据，通过参数【spark.sql.sources.default】设置，默认值为【parquet】。

范例演示代码：直接load加载parquet数据和指定parquet格式加载数据。

		// 构建SparkSession实例对象
		val spark: SparkSession = SparkSession.builder()
			.master("local[4]")
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.config("spark.sql.shuffle.partitions", "4")
			.getOrCreate()
		import spark.implicits._
		
		// TODO 1. parquet列式存储数据
		// format方式加载
		//val df1 = spark.read.format("parquet").load("datas/resources/users.parquet")
		val df1: DataFrame = spark.read
			.format("parquet")
			.option("path", "datas/resources/users.parquet")
			.load()
		df1.printSchema()
		df1.show(10, truncate = false)
		
		// parquet方式加载
		val df2: DataFrame = spark.read.parquet("datas/resources/users.parquet")
		df2.show(10, truncate = false)
		
		// load方式加载，在SparkSQL中，当加载读取文件数据时，如果不指定格式，默认是parquet格式数据
		val df3: DataFrame = spark.read.load("datas/resources/users.parquet")
		df3.show(10, truncate = false)

SparkSession加载文本文件数据，提供两种方法，返回值分别为DataFrame和Dataset

无论是text方法还是textFile方法读取文本数据时，一行一行的加载数据，每行数据使用UTF-8编码的字符串，列名称为【value】。

		// TODO: 2. 文本数据加载，text -> DataFrame   textFile -> Dataset
		// 无论是 text 还是 textFile 加载文本数据时，字段名称：value, 类型String
		val peopleDF: DataFrame = spark.read.text("datas/resources/people.txt")
		peopleDF.show(10, truncate = false)
		val peopleDS: Dataset[String] = spark.read.textFile("datas/resources/people.txt")
		peopleDS.show(10, truncate = false)

读取JSON格式文本数据，往往有2种方式：

方式一：直接指定数据源为json，加载数据，自动生成Schema信息
spark.read.json("")
方式二：以文本文件方式加载，然后使用函数（get_json_object）提取JSON中字段值
val dataset = spark.read.textFile("")
dataset.select(
	get_json_object($"value", "$.name")
)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Z6rA4Zfq-1627175964710)(/img/image-20210427101740141.png)]

		/* =========================================================================== */
		// TODO: 3. 读取JSON格式数据，自动解析，生成Schema信息
		val empDF: DataFrame = spark.read.json("datas/resources/employees.json")
		empDF.printSchema()
		empDF.show(10, truncate = false)
		
		/* =========================================================================== */
		// TODO: 实际开发中，针对JSON格式文本数据，直接使用text/textFile读取，然后解析提取其中字段信息
		/*
			{"name":"Andy", "salary":30}   - value: String
						| 解析JSON格式，提取字段
				name: String, -> Andy
				salary : Int, -> 30
		 */
		val dataframe: Dataset[String] = spark.read.textFile("datas/resources/employees.json")
		// 对JSON格式字符串，SparkSQL提供函数：get_json_object, def get_json_object(e: Column, path: String): Column
		import org.apache.spark.sql.functions.get_json_object
		val df = dataframe
			.select(
				get_json_object($"value", "$.name").as("name"),
				get_json_object($"value", "$.salary").cast(IntegerType).as("salary")
			)
		df.printSchema()
		df.show(10, truncate = false)

09-[掌握]-外部数据源之案例演示（csv和jdbc）

关于CSV/TSV格式数据说明：

SparkSQL中读取CSV格式数据，可以设置一些选项，重点选项：

		// TODO: 1. CSV 格式数据文本文件数据 -> 依据 CSV文件首行是否是列名称，决定读取数据方式不一样的
		/*
			CSV 格式数据：
				每行数据各个字段使用逗号隔开
				也可以指的是，每行数据各个字段使用 单一 分割符 隔开数据
		 */
		// 方式一：首行是列名称，数据文件u.dat
		val dataframe: DataFrame = spark.read
			.format("csv")
			.option("sep", "\\t")
			.option("header", "true")
			.option("inferSchema", "true")
			.load("datas/ml-100k/u.dat")
		dataframe.printSchema()
		dataframe.show(10, truncate = false)

		// 方式二：首行不是列名，需要自定义Schema信息，数据文件u.data
		// 自定义schema信息
		val schema: StructType = new StructType()
			.add("user_id", IntegerType, nullable = true)
			.add("iter_id", IntegerType, nullable = true)
			.add("rating", DoubleType, nullable = true)
			.add("timestamp", LongType, nullable = true)
		val df: DataFrame = spark.read
			.format("csv")
			.schema(schema)
			.option("sep", "\\t")
			.load("datas/ml-100k/u.data")
		df.printSchema()
		df.show(10, truncate = false)

在SparkSQL模块中提供对应接口，提供三种方式读取数据：

		// TODO: 2. 读取MySQL表中数据
		// 第一、简洁版格式
		/*
			def jdbc(url: String, table: String, properties: Properties): DataFrame
		 */
		val props =  new Properties()
		props.put("user", "root")
		props.put("password", "123456")
		props.put("driver", "com.mysql.cj.jdbc.Driver")
		val empDF: DataFrame = spark.read.jdbc(
			"jdbc:mysql://node1.itcast.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnicode=true", //
			"db_test.emp", //
			props //
		)
		println(s"Partition Number = ${empDF.rdd.getNumPartitions}")
		empDF.printSchema()
		empDF.show(10, truncate = false)
		
		
		// 第二、标准格式写
		/*
			WITH tmp AS (
				select * from emp e join dept d on e.deptno = d.deptno
			)
		 */
		val table: String = "(select ename,deptname,sal from db_test.emp e join db_test.dept d on e.deptno = d.deptno) AS tmp"
		val joinDF: DataFrame = spark.read
			.format("jdbc")
			.option("url", "jdbc:mysql://node1.itcast.cn:3306/?serverTimezone=UTC&characterEncoding=utf8&useUnicode=true")
			.option("driver", "com.mysql.cj.jdbc.Driver")
			.option("user", "root")
			.option("password", "123456")
			.option("dbtable", table)
			.load()
		joinDF.printSchema()
		joinDF.show(10, truncate = false)

从RDBMS表中读取数据，需要设置连接数据库相关信息，基本属性选项如下：

10-[掌握]-外部数据源之集成Hive（spark-shell）

Spark SQL模块从发展来说，从Apache Hive框架而来，发展历程：Hive（MapReduce）-> Shark(Hive on Spark) -> Spark SQL（SchemaRDD -> DataFrame -> Dataset)，所以SparkSQL天然无缝集成Hive，可以加载Hive表数据进行分析。

第一步、当编译Spark源码时，需要指定集成Hive，命令如下

第二步、SparkSQL集成Hive本质就是：读取Hive框架元数据MetaStore，此处启动Hive MetaStore
服务即可。

# 直接运行如下命令，启动HiveMetaStore服务
[root@node1 ~]# hive-daemon.sh metastore

第三步、连接HiveMetaStore服务配置文件hive-site.xml，放于【$SPARK_HOME/conf】目录

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <property>
        <name>hive.metastore.uris</name>
        <value>thrift://node1.itcast.cn:9083</value>
    </property>
</configuration>

第四步、案例演示，读取Hive中db_hive.emp表数据，分析数据

[root@node1 spark]# bin/spark-shell --master local[2]
21/04/27 10:55:37 WARN util.NativeCodeLoader: Unable to load native-hadoop library for your platform... using builtin-java classes where applicable
Setting default log level to "WARN".
To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel).
Spark context Web UI available at http://node1.itcast.cn:4040
Spark context available as 'sc' (master = local[2], app id = local-1619492151923).
Spark session available as 'spark'.
Welcome to
      ____              __
     / __/__  ___ _____/ /__
    _\ \/ _ \/ _ `/ __/  '_/
   /___/ .__/\_,_/_/ /_/\_\   version 2.4.5
      /_/
         
Using Scala version 2.11.12 (Java HotSpot(TM) 64-Bit Server VM, Java 1.8.0_241)
Type in expressions to have them evaluated.
Type :help for more information.

scala> 

scala> val empDF = spark.read.table("db_hive.emp")
empDF: org.apache.spark.sql.DataFrame = [empno: int, ename: string ... 6 more fields]

scala> empDF.show()
+-----+------+---------+----+----------+------+------+------+                   
|empno| ename|      job| mgr|  hiredate|   sal|  comm|deptno|
+-----+------+---------+----+----------+------+------+------+
| 7369| SMITH|    CLERK|7902|1980-12-17| 800.0|  null|    20|
| 7499| ALLEN| SALESMAN|7698| 1981-2-20|1600.0| 300.0|    30|
| 7521|  WARD| SALESMAN|7698| 1981-2-22|1250.0| 500.0|    30|
| 7566| JONES|  MANAGER|7839|  1981-4-2|2975.0|  null|    20|
| 7654|MARTIN| SALESMAN|7698| 1981-9-28|1250.0|1400.0|    30|
| 7698| BLAKE|  MANAGER|7839|  1981-5-1|2850.0|  null|    30|
| 7782| CLARK|  MANAGER|7839|  1981-6-9|2450.0|  null|    10|
| 7788| SCOTT|  ANALYST|7566| 1987-4-19|3000.0|  null|    20|
| 7839|  KING|PRESIDENT|null|1981-11-17|5000.0|  null|    10|
| 7844|TURNER| SALESMAN|7698|  1981-9-8|1500.0|   0.0|    30|
| 7876| ADAMS|    CLERK|7788| 1987-5-23|1100.0|  null|    20|
| 7900| JAMES|    CLERK|7698| 1981-12-3| 950.0|  null|    30|
| 7902|  FORD|  ANALYST|7566| 1981-12-3|3000.0|  null|    20|
| 7934|MILLER|    CLERK|7782| 1982-1-23|1300.0|  null|    10|
+-----+------+---------+----+----------+------+------+------+


scala> empDF.printSchema()
root
 |-- empno: integer (nullable = true)
 |-- ename: string (nullable = true)
 |-- job: string (nullable = true)
 |-- mgr: integer (nullable = true)
 |-- hiredate: string (nullable = true)
 |-- sal: double (nullable = true)
 |-- comm: double (nullable = true)
 |-- deptno: integer (nullable = true)


scala> 

scala> spark.sql("select * from db_hive.emp").show()
+-----+------+---------+----+----------+------+------+------+
|empno| ename|      job| mgr|  hiredate|   sal|  comm|deptno|
+-----+------+---------+----+----------+------+------+------+
| 7369| SMITH|    CLERK|7902|1980-12-17| 800.0|  null|    20|
| 7499| ALLEN| SALESMAN|7698| 1981-2-20|1600.0| 300.0|    30|
| 7521|  WARD| SALESMAN|7698| 1981-2-22|1250.0| 500.0|    30|
| 7566| JONES|  MANAGER|7839|  1981-4-2|2975.0|  null|    20|
| 7654|MARTIN| SALESMAN|7698| 1981-9-28|1250.0|1400.0|    30|
| 7698| BLAKE|  MANAGER|7839|  1981-5-1|2850.0|  null|    30|
| 7782| CLARK|  MANAGER|7839|  1981-6-9|2450.0|  null|    10|
| 7788| SCOTT|  ANALYST|7566| 1987-4-19|3000.0|  null|    20|
| 7839|  KING|PRESIDENT|null|1981-11-17|5000.0|  null|    10|
| 7844|TURNER| SALESMAN|7698|  1981-9-8|1500.0|   0.0|    30|
| 7876| ADAMS|    CLERK|7788| 1987-5-23|1100.0|  null|    20|
| 7900| JAMES|    CLERK|7698| 1981-12-3| 950.0|  null|    30|
| 7902|  FORD|  ANALYST|7566| 1981-12-3|3000.0|  null|    20|
| 7934|MILLER|    CLERK|7782| 1982-1-23|1300.0|  null|    10|
+-----+------+---------+----+----------+------+------+------+


scala> spark.sql("select e.ename, e.sal, d.dname from db_hive.emp e join db_hive.dept d on e.deptno = d.deptno").show()
+------+------+----------+
| ename|   sal|     dname|
+------+------+----------+
| SMITH| 800.0|  RESEARCH|
| ALLEN|1600.0|     SALES|
|  WARD|1250.0|     SALES|
| JONES|2975.0|  RESEARCH|
|MARTIN|1250.0|     SALES|
| BLAKE|2850.0|     SALES|
| CLARK|2450.0|ACCOUNTING|
| SCOTT|3000.0|  RESEARCH|
|  KING|5000.0|ACCOUNTING|
|TURNER|1500.0|     SALES|
| ADAMS|1100.0|  RESEARCH|
| JAMES| 950.0|     SALES|
|  FORD|3000.0|  RESEARCH|
|MILLER|1300.0|ACCOUNTING|
+------+------+----------+

11-[掌握]-外部数据源之集成Hive（IDEA开发）

在IDEA中开发应用，集成Hive，读取表的数据进行分析，构建SparkSession时需要设置HiveMetaStore服务器地址及集成Hive选项，首先添加MAVEN依赖包：

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_${scala.binary.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>

范例演示代码如下：

package cn.itcast.spark.hive

import org.apache.spark.sql.SparkSession

/**
 * SparkSQL集成Hive，读取Hive表的数据进行分析
 */
object _04SparkSQLHiveTest {
	
	def main(args: Array[String]): Unit = {
		
		// TODO: 集成Hive，创建SparkSession实例对象时，进行设置HiveMetaStore服务地址
		val spark: SparkSession = SparkSession.builder()
    		.appName(this.getClass.getSimpleName.stripSuffix("$"))
    		.master("local[2]")
			// 显示指定集成Hive
    		.enableHiveSupport()
			// 设置Hive MetaStore服务地址
    		.config("hive.metastore.uris", "thrift://node1.itcast.cn:9083")
			.getOrCreate()
		import spark.implicits._
		
		// 方式一、DSL 分析数据
		val empDF = spark.read
			.table("db_hive.emp")
		empDF.printSchema()
		empDF.show(10, truncate = false)
		
		println("==================================================")
		
		// 方式二、编写SQL方式
		spark.sql("select * from db_hive.emp").show()
		
		// 应用结束，关闭资源
		spark.stop()
	}
	
}

12-[了解]-外部数据源之自定义实现接口数据源HBase

SparkSQL内部并没有实现从HBase读取数据接口，可以自己实现外部数据源接口，此处提供给大家。

需要注册实现数据源

测试实现外部数据源，从HBase表读取数据：

package cn.itcast.spark.hbase

import org.apache.spark.sql.{DataFrame, SparkSession}

/**
 * 自定义外部数据源HBase，实现数据读写功能
 */
object _05SparkHBaseTest {
	
	def main(args: Array[String]): Unit = {
		
		// 创建SparkSession实例对象时
		val spark: SparkSession = SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[2]")
			.config("spark.sql.shuffle.partitions", "2")
			.getOrCreate()
		import spark.implicits._
		
		// 从HBase表中加载数据
		val hbaseDF: DataFrame = spark.read
			.format("hbase")
    		.option("zkHosts", "node1.itcast.cn")
    		.option("zkPort", "2181")
    		.option("hbaseTable", "stus")
    		.option("family", "info")
    		.option("selectFields", "name,age")
			.load()
		// 自己实现数据源，从Hbase表中读取数据的所有数据类型都是String类型
		hbaseDF.printSchema()
		hbaseDF.show(10, truncate = false)
		
		// 应用结束，关闭资源
		spark.stop()
	}
	
}

启动HBase数据库相关服务

[root@node1 ~]# zookeeper-daemon.sh start 
JMX enabled by default
Using config: /export/server/zookeeper/bin/../conf/zoo.cfg
Starting zookeeper ... STARTED
[root@node1 ~]# 
[root@node1 ~]# hbase-daemon.sh start master 
starting master, logging to /export/server/hbase/logs/hbase-root-master-node1.itcast.cn.out
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option PermSize=128m; support was removed in 8.0
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=128m; support was removed in 8.0
[root@node1 ~]# 
[root@node1 ~]# hbase-daemon.sh start regionserver
starting regionserver, logging to /export/server/hbase/logs/hbase-root-regionserver-node1.itcast.cn.out
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option PermSize=128m; support was removed in 8.0
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=128m; support was removed in 8.0

[root@node1 ~]# hbase shell
2021-04-27 11:21:05,566 INFO  [main] Configuration.deprecation: hadoop.native.lib is deprecated. Instead, use io.native.lib.available
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/export/server/hbase-1.2.0-cdh5.16.2/lib/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/export/server/hadoop-2.6.0-cdh5.16.2/share/hadoop/common/lib/slf4j-log4j12-1.7.5.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.slf4j.impl.Log4jLoggerFactory]
HBase Shell; enter 'help<RETURN>' for list of supported commands.
Type "exit<RETURN>" to leave the HBase Shell
Version 1.2.0-cdh5.16.2, rUnknown, Mon Jun  3 03:50:06 PDT 2019

hbase(main):001:0> 
hbase(main):001:0> list
TABLE                                                                                                                                
stus                                                                                                                                 
1 row(s) in 0.2420 seconds

=> ["stus"]
hbase(main):002:0> 
hbase(main):003:0* scan "stus"
ROW                                COLUMN+CELL                                                                                       
 10001                             column=info:age, timestamp=1585823829856, value=24                                                
 10001                             column=info:name, timestamp=1585823791372, value=zhangsan                                         
 10002                             column=info:age, timestamp=1585823838969, value=26                                                
 10002                             column=info:name, timestamp=1585823807947, value=lisi                                             
 10003                             column=info:age, timestamp=1585823845516, value=28                                                
 10003                             column=info:name, timestamp=1585823819460, value=wangwu                                           
3 row(s) in 0.1450 seconds

13-[掌握]-自定义UDF函数在SQL和DSL中使用

SparkSQL与Hive一样支持定义函数：UDF和UDAF，尤其是UDF函数在实际项目中使用最为广泛。

目前来说Spark 框架各个版本及各种语言对自定义函数的支持：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DApgGzLd-1627175964714)(/img/image-20210427112425417.png)]

由于SparkSQL数据分析有两种方式：DSL编程和SQL编程，所以定义UDF函数也有两种方式，不同方式可以在不同分析中使用。

方式一：SQL中使用

使用SparkSession中udf方法定义和注册函数，在SQL中使用，使用如下方式定义：

方式二：DSL中使用

使用org.apache.sql.functions.udf函数定义和注册函数，在DSL中使用，如下方式

案例演示如下所示：

package cn.itcast.spark.udf

import org.apache.spark.sql.expressions.UserDefinedFunction
import org.apache.spark.sql.{DataFrame, SparkSession}

/**
 * SparkSQL中UDF函数定义与使用：分别在SQL和DSL中
 */
object _06SparkUdfTest {
	
	def main(args: Array[String]): Unit = {
		
		// 构建SparkSession实例对象，设置应用名称和master
		val spark: SparkSession = SparkSession.builder()
			.appName(this.getClass.getSimpleName.stripSuffix("$"))
			.master("local[3]")
			.getOrCreate()
		import spark.implicits._
		
		val empDF: DataFrame = spark.read.json("datas/resources/employees.json")
		/*
			root
			 |-- name: string (nullable = true)
			 |-- salary: long (nullable = true)
		 */
		//empDF.printSchema()
		/*
			+-------+------+
			|name   |salary|
			+-------+------+
			|Michael|3000  |
			|Andy   |4500  |
			|Justin |3500  |
			|Berta  |4000  |
			+-------+------+
		 */
		//empDF.show(10, truncate = false)
		
		/*
			自定义UDF函数功能：将某个列数据，转换为大写
		 */
		// TODO: 在SQL中使用
		spark.udf.register(
			"to_upper_udf", // 函数名
			(name: String) => {
				name.trim.toUpperCase
			}
		)
		// 注册DataFrame为临时视图
		empDF.createOrReplaceTempView("view_temp_emp")
		// 编写SQL并执行
		spark.sql("select name, to_upper_udf(name) AS new_name from view_temp_emp").show()
		
		
		println("=====================================================")
		
		// TODO: 在DSL中使用
		import org.apache.spark.sql.functions.udf
		val udf_to_upper: UserDefinedFunction = udf(
			(name: String) => {
				name.trim.toUpperCase
			}
		)
		empDF
			.select(
				$"name",
				udf_to_upper($"name").as("new_name")
			)
			.show()
		
		// 应用结束，关闭资源
		spark.stop()
	}
	
}

14-[了解]-分布式SQL引擎之spark-sql交互式命令行

回顾一下，如何使用Hive进行数据分析的，提供哪些方式交互分析？？？

SparkSQL模块从Hive框架衍生发展而来，所以Hive提供的所有功能（数据分析交互式方式）都支持，文档：http://spark.apache.org/docs/2.4.5/sql-distributed-sql-engine.html。

SparkSQL提供spark-sql命令，类似Hive中bin/hive命令，专门编写SQL分析，启动命令如下：

[root@node1 ~]# SPARK_HOME=/export/server/spark
[root@node1 ~]# ${SPARK_HOME}/bin/spark-sql --master local[2] --conf spark.sql.shuffle.partitions=4

此种方式，目前企业使用较少，主要使用下面所述ThriftServer服务，通过Beeline连接执行SQL。

15-[掌握]-分布式SQL引擎之ThriftServer服务和beeline

Spark Thrift Server将Spark Applicaiton当做一个服务运行，提供Beeline客户端和JDBC方式访问，与Hive中HiveServer2服务一样的。

Spark Thrift JDBC/ODBC Server 依赖于HiveServer2服务（依赖JAR包），所有要想使用此功能，在编译Spark源码时，支持Hive Thrift。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jE9BfbCw-1627175964716)(/img/image-20210427113944882.png)]

在$SPARK_HOME目录下的sbin目录，有相关的服务启动命令:

SPARK_HOME=/export/server/spark
$SPARK_HOME/sbin/start-thriftserver.sh \
--hiveconf hive.server2.thrift.port=10000 \
--hiveconf hive.server2.thrift.bind.host=node1.itcast.cn \
--master local[2] \
--conf spark.sql.shuffle.partitions=2

监控WEB UI界面：

beeline 客户端，类似Hive中beeline客户端

/export/server/spark/bin/beeline
Beeline version 1.2.1.spark2 by Apache Hive
beeline> !connect jdbc:hive2://node1.itcast.cn:10000
Connecting to jdbc:hive2://node1.itcast.cn:10000
Enter username for jdbc:hive2://node1.itcast.cn:10000: root
Enter password for jdbc:hive2://node1.itcast.cn:10000: ****

JDBC/ODBC 客户端，编写类似MySQL JDBC代码

SparkSQL中提供类似JDBC/ODBC方式，连接Spark ThriftServer服务，执行SQL语句，首先添加Maven依赖库：

<dependency>
    <groupId>org.apache.spark</groupId>
    <artifactId>spark-hive-thriftserver_2.11</artifactId>
    <version>2.4.5</version>
</dependency>

范例演示：采用JDBC方式读取Hive中db_hive.emp表的数据。

package cn.itcast.spark.thrift

import java.sql.{Connection, DriverManager, PreparedStatement, ResultSet}

/**
  * SparkSQL 启动ThriftServer服务，通过JDBC方式访问数据分析查询
  * i). 通过Java JDBC的方式，来访问Thrift JDBC/ODBC server，调用Spark SQL，并直接查询Hive中的数据
  * ii). 通过Java JDBC的方式，必须通过HTTP传输协议发送thrift RPC消息，Thrift JDBC/ODBC server必须通过上面命令启动HTTP模式
  */
object _07SparkThriftJDBCTest {

	def main(args: Array[String]): Unit = {

		// 定义相关实例对象，未进行初始化
		var conn: Connection = null
		var pstmt: PreparedStatement = null
		var rs: ResultSet = null

		try {
			// TODO： a. 加载驱动类
			Class.forName("org.apache.hive.jdbc.HiveDriver")
			// TODO: b. 获取连接Connection
			conn = DriverManager.getConnection(
				"jdbc:hive2://node1.itcast.cn:10000/db_hive",
				"root",
				"123456"
			)
			// TODO: c. 构建查询语句
			val sqlStr: String =
				"""
				  |select * from user
				""".stripMargin
			pstmt = conn.prepareStatement(sqlStr)
			// TODO: d. 执行查询，获取结果
			rs = pstmt.executeQuery()
			// 打印查询结果
			while (rs.next()) {
				println(s"empno = ${rs.getInt(1)}, ename = ${rs.getString(2)}, sal = ${rs.getDouble(3)}, dname = ${rs.getString(4)}")
			}
		} catch {
			case e: Exception => e.printStackTrace()
		} finally {
			if (null != rs) rs.close()
			if (null != pstmt) pstmt.close()
			if (null != conn) conn.close()
		}
	}

}

16-[了解]-分布式SQL引擎之Catalyst 优化器

在第四章【案例：电影评分数据分析】中，运行应用程序代码，通过WEB UI界面监控可以看出，无论使用DSL还是SQL，构建Job的DAG图一样的，性能是一样的，原因在于SparkSQL中引擎：

Catalyst：将SQL和DSL转换为相同逻辑计划。

Spark SQL的核心是Catalyst优化器，它以一种新颖的方式利用高级编程语言功能（例如Scala的模式匹配和quasiquotes）来构建可扩展的查询优化器。

上图中可以看到3点：
1、Frontend：前段
	编写SQL和DSL语句地方
	
2、Catalyst：优化器
	将SQL和DSL转换为逻辑计划LogicalPlan
	由三个部分组成
		Unresolved Logical Plan 未解析逻辑计划
				|
			Logical Plan 	 逻辑计划
				|
			Optimized Logical Plan 优化逻辑计划
	
3、Backend：后端
	将逻辑计划转换为物理计划，就是RDD转换操作

附录一、创建Maven模块

1）、Maven 工程结构

2）、POM 文件内容

Maven 工程POM文件中内容（依赖包）：

    <!-- 指定仓库位置，依次为aliyun、cloudera和jboss仓库 -->
    <repositories>
        <repository>
            <id>aliyun</id>
            <url>http://maven.aliyun.com/nexus/content/groups/public/</url>
        </repository>
        <repository>
            <id>cloudera</id>
            <url>https://repository.cloudera.com/artifactory/cloudera-repos/</url>
        </repository>
        <repository>
            <id>jboss</id>
            <url>http://repository.jboss.com/nexus/content/groups/public</url>
        </repository>
    </repositories>

    <properties>
        <scala.version>2.11.12</scala.version>
        <scala.binary.version>2.11</scala.binary.version>
        <spark.version>2.4.5</spark.version>
        <hadoop.version>2.6.0-cdh5.16.2</hadoop.version>
        <hbase.version>1.2.0-cdh5.16.2</hbase.version>
        <mysql.version>8.0.19</mysql.version>
    </properties>

    <dependencies>
        <!-- 依赖Scala语言 -->
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
        </dependency>
        <!-- Spark Core 依赖 -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_${scala.binary.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>

        <!-- Spark SQL 依赖 -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql_${scala.binary.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <!-- Spark SQL 与 Hive 集成 依赖 -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive_${scala.binary.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-hive-thriftserver_${scala.binary.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-sql-kafka-0-10_${scala.binary.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-avro_${scala.binary.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-mllib_${scala.binary.version}</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <!-- Hadoop Client 依赖 -->
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>${hadoop.version}</version>
        </dependency>
        <!-- HBase Client 依赖 -->
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-server</artifactId>
            <version>${hbase.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-hadoop2-compat</artifactId>
            <version>${hbase.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-client</artifactId>
            <version>${hbase.version}</version>
        </dependency>
        <!-- MySQL Client 依赖 -->
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>${mysql.version}</version>
        </dependency>
    </dependencies>

    <build>
        <outputDirectory>target/classes</outputDirectory>
        <testOutputDirectory>target/test-classes</testOutputDirectory>
        <resources>
            <resource>
                <directory>${project.basedir}/src/main/resources</directory>
            </resource>
        </resources>
        <!-- Maven 编译的插件 -->
        <plugins>
            <plugin>
                <groupId>org.apache.maven.plugins</groupId>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.0</version>
                <configuration>
                    <source>1.8</source>
                    <target>1.8</target>
                    <encoding>UTF-8</encoding>
                </configuration>
            </plugin>
            <plugin>
                <groupId>net.alchim31.maven</groupId>
                <artifactId>scala-maven-plugin</artifactId>
                <version>3.2.0</version>
                <executions>
                    <execution>
                        <goals>
                            <goal>compile</goal>
                            <goal>testCompile</goal>
                        </goals>
                    </execution>
                </executions>
            </plugin>
        </plugins>
    </build>

        <version>${mysql.version}</version>
    </dependency>
</dependencies>

<build>
    <outputDirectory>target/classes</outputDirectory>
    <testOutputDirectory>target/test-classes</testOutputDirectory>
    <resources>
        <resource>
            <directory>${project.basedir}/src/main/resources</directory>
        </resource>
    </resources>
    <!-- Maven 编译的插件 -->
    <plugins>
        <plugin>
            <groupId>org.apache.maven.plugins</groupId>
            <artifactId>maven-compiler-plugin</artifactId>
            <version>3.0</version>
            <configuration>
                <source>1.8</source>
                <target>1.8</target>
                <encoding>UTF-8</encoding>
            </configuration>
        </plugin>
        <plugin>
            <groupId>net.alchim31.maven</groupId>
            <artifactId>scala-maven-plugin</artifactId>
            <version>3.2.0</version>
            <executions>
                <execution>
                    <goals>
                        <goal>compile</goal>
                        <goal>testCompile</goal>
                    </goals>
                </execution>
            </executions>
        </plugin>
    </plugins>
</build>

这篇关于Note_Spark_Day08：Spark SQL(Dataset是什么、外部数据源、UDF定义和分布式SQL引擎)的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！

Java教程

Note_Spark_Day08：Spark SQL(Dataset是什么、外部数据源、UDF定义和分布式SQL引擎)

stypora-copy-images-to: img
typora-root-url: ./

Spark Day08：Spark SQL

01-[了解]-昨日课程内容回顾

02-[了解]-今日课程内容提纲

03-[掌握]-Dataset 是什么

04-[掌握]-RDD、DS和DF之间转换

05-[掌握]-外部数据源之加载load和保存save数据

06-[了解]-外部数据源之案例演示及应用场景

07-[掌握]-外部数据源之保存模式SaveMode

08-[掌握]-外部数据源之案例演示（parquet、text和json）

09-[掌握]-外部数据源之案例演示（csv和jdbc）

10-[掌握]-外部数据源之集成Hive（spark-shell）

11-[掌握]-外部数据源之集成Hive（IDEA开发）

12-[了解]-外部数据源之自定义实现接口数据源HBase

13-[掌握]-自定义UDF函数在SQL和DSL中使用

14-[了解]-分布式SQL引擎之spark-sql交互式命令行

15-[掌握]-分布式SQL引擎之ThriftServer服务和beeline

16-[了解]-分布式SQL引擎之Catalyst 优化器

附录一、创建Maven模块

1）、Maven 工程结构

2）、POM 文件内容

前端开发

后端开发

移动端开发

数据库

服务器运维

人工智能

区块链

游戏开发

网站运营

大数据/云计算

软件工程

软件/开发工具使用

资讯

Note_Spark_Day08：Spark SQL(Dataset是什么、外部数据源、UDF定义和分布式SQL引擎)

stypora-copy-images-to: img typora-root-url: ./

Spark Day08：Spark SQL

01-[了解]-昨日课程内容回顾

02-[了解]-今日课程内容提纲

03-[掌握]-Dataset 是什么

04-[掌握]-RDD、DS和DF之间转换

05-[掌握]-外部数据源之加载load和保存save数据

06-[了解]-外部数据源之案例演示及应用场景

07-[掌握]-外部数据源之保存模式SaveMode

08-[掌握]-外部数据源之案例演示（parquet、text和json）

09-[掌握]-外部数据源之案例演示（csv和jdbc）

10-[掌握]-外部数据源之集成Hive（spark-shell）

11-[掌握]-外部数据源之集成Hive（IDEA开发）

12-[了解]-外部数据源之自定义实现接口数据源HBase

13-[掌握]-自定义UDF函数在SQL和DSL中使用

14-[了解]-分布式SQL引擎之spark-sql交互式命令行

15-[掌握]-分布式SQL引擎之ThriftServer服务和beeline

16-[了解]-分布式SQL引擎之Catalyst 优化器

附录一、创建Maven模块

1）、Maven 工程结构

2）、POM 文件内容

前端开发

后端开发

移动端开发

数据库

服务器运维

人工智能

区块链

游戏开发

网站运营

大数据/云计算

软件工程

软件/开发工具使用

资讯

stypora-copy-images-to: img
typora-root-url: ./