6. Spark SQL和Beeline

*以下内容由《Spark快速大数据分析》整理所得。

读书笔记的第六部分是讲的是Spark SQL和Beeline。

Spark SQL是Spark用来操作结构化和半结构化数据的接口。

一、在应用中使用Spark SQL

二、Spark SQL UDF VS. Hive UDF

三、Beeline

---

一、在应用中使用Spark SQL

Spark SQL提供了一种特殊的RDD，叫作SchemaRDD。SchemaRDD是存放Row对象的RDD，每个Row对象代表一行记录。SchemaRDD还包含记录的结构信息（即数据字段）。有了SchemaRDD，我们就可以运行 SQL 查询。

在应用中使用Spark SQL：

(1) 初始化Spark SQL

# 导入Spark SQL（支持Hive）
from pyspark.sql import HiveContext, Row
# 当不能引入hive依赖时 （不支持Hive）
from pyspark.sql import SQLContext, Row
 
# 在 Python 中创建SQL上下文环境（支持Hive）
hiveCtx = HiveContext(sc)
# 在 Python 中创建SQL上下文环境（不支持Hive）
hiveCtx = SparkContext(sc)

(2) 基本查询

# 例子：在Python中读取并查询推文
# 读取Json文件
input = hiveCtx.jsonFile(inputFile)
# 注册输入的SchemaRDD（将上面读取得到的SchemaRDD放入临时表，应用application退出时会自动删去它）
input.registerTempTable("tweets")
# 依据retweetCount（转发计数）选出推文（执行查询）
topTweets = hiveCtx.sql("""SELECT text, retweetCount FROM tweets ORDER BY retweetCount LIMIT 10""")

在上面例子中，我们是读取了JSON文件，但我们还可以读取其它数据格式的文件，例如： hiveCtx.parquetFile(parquetFile) 。

---

二、Spark SQL UDF VS. Hive UDF

(1) Spark SQL UDF
使用hiveCtx.registerFunction()自定义函数。

# 例子：Python 版本耳朵字符串长度 UDF
# 写一个求字符串长度的UDF
hiveCtx.registerFunction("strLenPython", lambda x: len(x), IntegerType())
lengthSchemaRDD = hiveCtx.sql("SELECT strLenPython('text') FROM tweets LIMIT 10")

(2) Hive UDF
只需调用 hiveCtx.sql("CREATE TEMPORARY FUNCTION name AS class.function") 。

---

 三、Beeline

Beeline是Hive 0.11版本引入的新命令行客户端工具，基于SQLline CLI的JDBC(Java Database Connectivity: Java语言中用来规范客户端程序如何访问数据库的应用程序接口)客户端。在Beeline客户端中，你可以使用标准的HiveQL命令来创建、列举以及查询数据表。Beeline shell的好处是：在多用户间共享的缓存数据表上进行快速的数据探索。