148 lines
9.5 KiB
Markdown
148 lines
9.5 KiB
Markdown
# DataFrame和Dataset简介
|
||
|
||
<nav>
|
||
<a href="#一Spark-SQL简介">一、Spark SQL简介</a><br/>
|
||
<a href="#二DataFrame--DataSet">二、DataFrame & DataSet </a><br/>
|
||
<a href="#21-DataFrame">2.1 DataFrame </a><br/>
|
||
<a href="#22-DataFrame-对比-RDDs">2.2 DataFrame 对比 RDDs</a><br/>
|
||
<a href="#23-DataSet">2.3 DataSet</a><br/>
|
||
<a href="#24-静态类型与运行时类型安全">2.4 静态类型与运行时类型安全</a><br/>
|
||
<a href="#25-Untyped--Typed">2.5 Untyped & Typed </a><br/>
|
||
<a href="#三DataFrame--DataSet---RDDs-总结">三、DataFrame & DataSet & RDDs 总结</a><br/>
|
||
<a href="#四Spark-SQL的运行原理">四、Spark SQL的运行原理</a><br/>
|
||
<a href="#41-逻辑计划Logical-Plan">4.1 逻辑计划(Logical Plan)</a><br/>
|
||
<a href="#42-物理计划Physical-Plan">4.2 物理计划(Physical Plan) </a><br/>
|
||
<a href="#43-执行">4.3 执行</a><br/>
|
||
</nav>
|
||
|
||
## 一、Spark SQL简介
|
||
|
||
Spark SQL 是 Spark 中的一个子模块，主要用于操作结构化数据。它具有以下特点：
|
||
|
||
+ 能够将 SQL 查询与 Spark 程序无缝混合，允许您使用 SQL 或 DataFrame API 对结构化数据进行查询；
|
||
+ 支持多种开发语言；
|
||
+ 支持多达上百种的外部数据源，包括 Hive，Avro，Parquet，ORC，JSON 和 JDBC 等；
|
||
+ 支持 HiveQL 语法以及 Hive SerDes 和 UDF，允许你访问现有的 Hive 仓库；
|
||
+ 支持标准的 JDBC 和 ODBC 连接；
|
||
+ 支持优化器，列式存储和代码生成等特性；
|
||
+ 支持扩展并能保证容错。
|
||
|
||
<div align="center"> <img src="../pictures/sql-hive-arch.png"/> </div>
|
||
|
||
## 二、DataFrame & DataSet
|
||
|
||
### 2.1 DataFrame
|
||
|
||
为了支持结构化数据的处理，Spark SQL 提供了新的数据结构 DataFrame。DataFrame 是一个由具名列组成的数据集。它在概念上等同于关系数据库中的表或 R/Python 语言中的 `data frame`。 由于 Spark SQL 支持多种语言的开发，所以每种语言都定义了 `DataFrame` 的抽象，主要如下：
|
||
|
||
| 语言 | 主要抽象 |
|
||
| ------ | -------------------------------------------- |
|
||
| Scala | Dataset[T] & DataFrame (Dataset[Row] 的别名) |
|
||
| Java | Dataset[T] |
|
||
| Python | DataFrame |
|
||
| R | DataFrame |
|
||
|
||
### 2.2 DataFrame 对比 RDDs
|
||
|
||
DataFrame 和 RDDs 最主要的区别在于一个面向的是结构化数据，一个面向的是非结构化数据，它们内部的数据结构如下：
|
||
|
||
<div align="center"> <img src="../pictures/spark-dataFrame+RDDs.png"/> </div>
|
||
|
||
DataFrame 内部的有明确 Scheme 结构，即列名、列字段类型都是已知的，这带来的好处是可以减少数据读取以及更好地优化执行计划，从而保证查询效率。
|
||
|
||
**DataFrame 和 RDDs 应该如何选择？**
|
||
|
||
+ 如果你想使用函数式编程而不是 DataFrame API，则使用 RDDs；
|
||
+ 如果你的数据是非结构化的 (比如流媒体或者字符流)，则使用 RDDs，
|
||
+ 如果你的数据是结构化的 (如 RDBMS 中的数据) 或者半结构化的 (如日志)，出于性能上的考虑，应优先使用 DataFrame。
|
||
|
||
### 2.3 DataSet
|
||
|
||
Dataset 也是分布式的数据集合，在 Spark 1.6 版本被引入，它集成了 RDD 和 DataFrame 的优点，具备强类型的特点，同时支持 Lambda 函数，但只能在 Scala 和 Java 语言中使用。在 Spark 2.0 后，为了方便开发者，Spark 将 DataFrame 和 Dataset 的 API 融合到一起，提供了结构化的 API(Structured API)，即用户可以通过一套标准的 API 就能完成对两者的操作。
|
||
|
||
> 这里注意一下：DataFrame 被标记为 Untyped API，而 DataSet 被标记为 Typed API，后文会对两者做出解释。
|
||
|
||
|
||
|
||
<div align="center"> <img width="600px" src="../pictures/spark-unifed.png"/> </div>
|
||
|
||
### 2.4 静态类型与运行时类型安全
|
||
|
||
静态类型 (Static-typing) 与运行时类型安全 (runtime type-safety) 主要表现如下:
|
||
|
||
在实际使用中，如果你用的是 Spark SQL 的查询语句，则直到运行时你才会发现有语法错误，而如果你用的是 DataFrame 和 Dataset，则在编译时就可以发现错误 (这节省了开发时间和整体代价)。DataFrame 和 Dataset 主要区别在于：
|
||
|
||
在 DataFrame 中，当你调用了 API 之外的函数，编译器就会报错，但如果你使用了一个不存在的字段名字，编译器依然无法发现。而 Dataset 的 API 都是用 Lambda 函数和 JVM 类型对象表示的，所有不匹配的类型参数在编译时就会被发现。
|
||
|
||
以上这些最终都被解释成关于类型安全图谱，对应开发中的语法和分析错误。在图谱中，Dataset 最严格，但对于开发者来说效率最高。
|
||
|
||
<div align="center"> <img width="600px" src="../pictures/spark-运行安全.png"/> </div>
|
||
|
||
上面的描述可能并没有那么直观，下面的给出一个 IDEA 中代码编译的示例：
|
||
|
||
<div align="center"> <img src="../pictures/spark-运行时类型安全.png"/> </div>
|
||
|
||
这里一个可能的疑惑是 DataFrame 明明是有确定的 Scheme 结构 (即列名、列字段类型都是已知的)，但是为什么还是无法对列名进行推断和错误判断，这是因为 DataFrame 是 Untyped 的。
|
||
|
||
### 2.5 Untyped & Typed
|
||
|
||
在上面我们介绍过 DataFrame API 被标记为 `Untyped API`，而 DataSet API 被标记为 `Typed API`。DataFrame 的 `Untyped` 是相对于语言或 API 层面而言，它确实有明确的 Scheme 结构，即列名，列类型都是确定的，但这些信息完全由 Spark 来维护，Spark 只会在运行时检查这些类型和指定类型是否一致。这也就是为什么在 Spark 2.0 之后，官方推荐把 DataFrame 看做是 `DatSet[Row]`，Row 是 Spark 中定义的一个 `trait`，其子类中封装了列字段的信息。
|
||
|
||
相对而言，DataSet 是 `Typed` 的，即强类型。如下面代码，DataSet 的类型由 Case Class(Scala) 或者 Java Bean(Java) 来明确指定的，在这里即每一行数据代表一个 `Person`，这些信息由 JVM 来保证正确性，所以字段名错误和类型错误在编译的时候就会被 IDE 所发现。
|
||
|
||
```scala
|
||
case class Person(name: String, age: Long)
|
||
val dataSet: Dataset[Person] = spark.read.json("people.json").as[Person]
|
||
```
|
||
|
||
|
||
|
||
## 三、DataFrame & DataSet & RDDs 总结
|
||
|
||
这里对三者做一下简单的总结：
|
||
|
||
+ RDDs 适合非结构化数据的处理，而 DataFrame & DataSet 更适合结构化数据和半结构化的处理；
|
||
+ DataFrame & DataSet 可以通过统一的 Structured API 进行访问，而 RDDs 则更适合函数式编程的场景；
|
||
+ 相比于 DataFrame 而言，DataSet 是强类型的 (Typed)，有着更为严格的静态类型检查；
|
||
+ DataSets、DataFrames、SQL 的底层都依赖了 RDDs API，并对外提供结构化的访问接口。
|
||
|
||
<div align="center"> <img width="600px" src="../pictures/spark-structure-api.png"/> </div>
|
||
|
||
|
||
|
||
## 四、Spark SQL的运行原理
|
||
|
||
DataFrame、DataSet 和 Spark SQL 的实际执行流程都是相同的：
|
||
|
||
1. 进行 DataFrame/Dataset/SQL 编程；
|
||
2. 如果是有效的代码，即代码没有编译错误，Spark 会将其转换为一个逻辑计划；
|
||
3. Spark 将此逻辑计划转换为物理计划，同时进行代码优化；
|
||
4. Spark 然后在集群上执行这个物理计划 (基于 RDD 操作) 。
|
||
|
||
### 4.1 逻辑计划(Logical Plan)
|
||
|
||
执行的第一个阶段是将用户代码转换成一个逻辑计划。它首先将用户代码转换成 `unresolved logical plan`(未解决的逻辑计划)，之所以这个计划是未解决的，是因为尽管您的代码在语法上是正确的，但是它引用的表或列可能不存在。 Spark 使用 `analyzer`(分析器) 基于 `catalog`(存储的所有表和 `DataFrames` 的信息) 进行解析。解析失败则拒绝执行，解析成功则将结果传给 `Catalyst` 优化器 (`Catalyst Optimizer`)，优化器是一组规则的集合，用于优化逻辑计划，通过谓词下推等方式进行优化，最终输出优化后的逻辑执行计划。
|
||
|
||
<div align="center"> <img src="../pictures/spark-Logical-Planning.png"/> </div>
|
||
|
||
|
||
|
||
### 4.2 物理计划(Physical Plan)
|
||
|
||
得到优化后的逻辑计划后，Spark 就开始了物理计划过程。 它通过生成不同的物理执行策略，并通过成本模型来比较它们，从而选择一个最优的物理计划在集群上面执行的。物理规划的输出结果是一系列的 RDDs 和转换关系 (transformations)。
|
||
|
||
<div align="center"> <img src="../pictures/spark-Physical-Planning.png"/> </div>
|
||
|
||
### 4.3 执行
|
||
|
||
在选择一个物理计划后，Spark 运行其 RDDs 代码，并在运行时执行进一步的优化，生成本地 Java 字节码，最后将运行结果返回给用户。
|
||
|
||
|
||
|
||
## 参考资料
|
||
|
||
1. Matei Zaharia, Bill Chambers . Spark: The Definitive Guide[M] . 2018-02
|
||
2. [Spark SQL, DataFrames and Datasets Guide](https://spark.apache.org/docs/latest/sql-programming-guide.html)
|
||
3. [且谈 Apache Spark 的 API 三剑客：RDD、DataFrame 和 Dataset(译文)](https://www.infoq.cn/article/three-apache-spark-apis-rdds-dataframes-and-datasets)
|
||
4. [A Tale of Three Apache Spark APIs: RDDs vs DataFrames and Datasets(原文)](https://databricks.com/blog/2016/07/14/a-tale-of-three-apache-spark-apis-rdds-dataframes-and-datasets.html)
|