SparkSQL 結(jié)構(gòu)化數(shù)據(jù)處理流程及原理是什么?Spark SQL 可以使用現(xiàn)有的Hive元存儲、SerDes 和 UDF。它可以使用 JDBC/ODBC 連接到現(xiàn)有的 BI 工具。有了 Spark SQL，用戶可以編寫 SQL 風(fēng)格的查詢。

　　Spark SQL 是 Spark 生態(tài)系統(tǒng)中處理結(jié)構(gòu)化格式數(shù)據(jù)的模塊。它在內(nèi)部使用 Spark Core API 進行處理，但對用戶的使用進行了抽象。這篇文章深入淺出地告訴你 Spark SQL 3.x 的新內(nèi)容。

　　這對于精通結(jié)構(gòu)化查詢語言或 SQL 的廣大用戶群體來說，基本上是很有幫助的。用戶也將能夠在結(jié)構(gòu)化數(shù)據(jù)上編寫交互式和臨時性的查詢。Spark SQL 彌補了彈性分布式數(shù)據(jù)集RDD和關(guān)系表之間的差距。RDD 是 Spark 的基本數(shù)據(jù)結(jié)構(gòu)。它將數(shù)據(jù)作為分布式對象存儲在適合并行處理的節(jié)點集群中。RDD 很適合底層處理，但在運行時很難調(diào)試，程序員不能自動推斷模式schema。另外，RDD 沒有內(nèi)置的優(yōu)化功能。Spark SQL 提供了數(shù)據(jù)幀DataFrame和數(shù)據(jù)集來解決這些問題。

　　Spark SQL 可以使用現(xiàn)有的 Hive 元存儲、SerDes 和 UDF。它可以使用 JDBC/ODBC 連接到現(xiàn)有的 BI 工具。

　　數(shù)據(jù)源

　　大數(shù)據(jù)處理通常需要處理不同的文件類型和數(shù)據(jù)源(關(guān)系型和非關(guān)系型)的能力。Spark SQL 支持一個統(tǒng)一的數(shù)據(jù)幀接口來處理不同類型的源，如下所示。

　　文件：

　　CSV

　　Text

　　JSON

　　XML

　　JDBC/ODBC：

　　MySQL

　　Oracle

　　Postgres

　　帶模式的文件：

　　AVRO

　　Parquet

　　Hive 表：

　　Spark SQL 也支持讀寫存儲在 Apache Hive 中的數(shù)據(jù)。

　　通過數(shù)據(jù)幀，用戶可以無縫地讀取這些多樣化的數(shù)據(jù)源，并對其進行轉(zhuǎn)換/連接。

　　Spark SQL 3.x 的新內(nèi)容

　　在以前的版本中(Spark 2.x)，查詢計劃是基于啟發(fā)式規(guī)則和成本估算的。從解析到邏輯和物理查詢計劃，最后到優(yōu)化的過程是連續(xù)的。這些版本對轉(zhuǎn)換和行動的運行時特性幾乎沒有可見性。因此，由于以下原因，查詢計劃是次優(yōu)的：

　　1、缺失和過時的統(tǒng)計數(shù)據(jù)

　　2、次優(yōu)的啟發(fā)式方法

　　3、錯誤的成本估計

　　Spark 3.x 通過使用運行時數(shù)據(jù)來迭代改進查詢計劃和優(yōu)化，增強了這個過程。前一階段的運行時統(tǒng)計數(shù)據(jù)被用來優(yōu)化后續(xù)階段的查詢計劃。這里有一個反饋回路，有助于重新規(guī)劃和重新優(yōu)化執(zhí)行計劃。

　　自適應(yīng)查詢執(zhí)行(AQE)

　　查詢被改變?yōu)檫壿嬘媱?，最后變成物理計劃。這里的概念是“重新優(yōu)化”。它利用前一階段的可用數(shù)據(jù)，為后續(xù)階段重新優(yōu)化。正因為如此，整個查詢的執(zhí)行要快得多。

　　動態(tài)合并“洗牌”分區(qū)

　　Spark 在“洗牌shuffle”操作后確定最佳的分區(qū)數(shù)量。在 AQE 中，Spark 使用默認的分區(qū)數(shù)，即 200 個。這可以通過配置來啟用。

　　動態(tài)切換連接策略

　　廣播哈希是最好的連接操作。如果其中一個數(shù)據(jù)集很小，Spark 可以動態(tài)地切換到廣播連接，而不是在網(wǎng)絡(luò)上“洗牌”大量的數(shù)據(jù)。

　　動態(tài)優(yōu)化傾斜連接

　　如果數(shù)據(jù)分布不均勻，數(shù)據(jù)會出現(xiàn)傾斜，會有一些大的分區(qū)。這些分區(qū)占用了大量的時間。Spark 3.x 通過將大分區(qū)分割成多個小分區(qū)來進行優(yōu)化。

　　其他改進措施

　　此外，Spark SQL 3.x還支持以下內(nèi)容。

　　動態(tài)分區(qū)修剪

　　3.x 將只讀取基于其中一個表的值的相關(guān)分區(qū)。這消除了解析大表的需要。

　　連接提示

　　如果用戶對數(shù)據(jù)有了解，這允許用戶指定要使用的連接策略。這增強了查詢的執(zhí)行過程。

　　兼容 ANSI SQL

　　在兼容 Hive 的早期版本的 Spark 中，我們可以在查詢中使用某些關(guān)鍵詞，這樣做是完全可行的。然而，這在 Spark SQL 3 中是不允許的，因為它有完整的 ANSI SQL 支持。例如，“將字符串轉(zhuǎn)換為整數(shù)”會在運行時產(chǎn)生異常。它還支持保留關(guān)鍵字。

　　較新的 Hadoop、Java 和 Scala 版本

　　從 Spark 3.0 開始，支持 Java 11 和 Scala 2.12。 Java 11 具有更好的原生協(xié)調(diào)和垃圾校正，從而帶來更好的性能。 Scala 2.12 利用了 Java 8 的新特性，優(yōu)于 2.11。

　　Spark 3.x 提供了這些現(xiàn)成的有用功能，而無需開發(fā)人員操心。這將顯著提高 Spark 的整體性能。

　　更多關(guān)于大數(shù)據(jù)培訓(xùn)的問題，歡迎咨詢千鋒教育在線名師。千鋒教育擁有多年IT培訓(xùn)服務(wù)經(jīng)驗，采用全程面授高品質(zhì)、高體驗培養(yǎng)模式，擁有國內(nèi)一體化教學(xué)管理及學(xué)員服務(wù)，助力更多學(xué)員實現(xiàn)高薪夢想。