将代码从 spark 1.x 移植到 spark 2.x

1. SparkSession

sparkSession可以视为sqlContext和hiveContext以及StreamingContext的结合体，这些Context的API都可以通过sparkSession使用。

创建SparkSession

 

val spark = SparkSession.builder
    .master("local[2]")
    .appName("spark session example")
    .getOrCreate()1234

使用enableHiveSupport就能够支持hive，相当于hiveContext

 

val spark = SparkSession.builder
    .master("local[2]")
    .appName("spark session example")
    .enableHiveSupport()
    .getOrCreate()12345

API操作，与之前的Context基本一致

 

//读取csv数据
val df0 = spark.read
  .option("header","true")
  .csv("src/main/resources/test.csv")

//读取parquet数据
val df1 = spark.read.parquet("...")

//读取json数据
val df2 = spark.read.json("...")

//sql查询
val df3 = spark.sql("xxx")
1234567891011121314

Spark 2.0向后兼容，所以hiveContext以及sqlContext依旧可用，不过官方建议开发者开始使用SparkSession。

 

2. DataSet,RDD,DataFrame

RDD

类型安全，面向对象编程风格，序列化以及反序列化开销大。
DataFrame

提供了查询优化器，分区剪枝，自动判断是否使用broadcast join等功能，对rdd进行了大量的优化。对spark了解不深的编程/分析人员非常友好。

可以视为Row类型的Dataset (Dataset[Row])，非类型安全，不是面向对象编程风格。
DataSet

继承了RDD和DataFrame的优点。数据以编码的二进制形式存储，将对象的schema映射为SparkSQL类型，不需要反序列化就可以进行shuffle等操作,每条记录存储的则是强类型值，类型安全，面向对象编程风格。

 

Dataset的创建

dataset可以从rdd,dataFrame转化，也可以从原始数据直接生成。

通过toDS方法创建

 

val ds1 = Seq("a","b").toDS()
ds1.show

//+-----+
//|value|
//+-----+
//|    a|
//|    b|
//+-----+123456789

通过createDataSet创建

 

case class Person(name: String, age: Int)
val data = Seq(Person("lsw", 23), Person("yyy", 22))
val ds2 = spark.createDataset(data)
ds2.show

//+----+---+
//|name|age|
//+----+---+
//| lsw| 23|
//| yyy| 22|
//+----+---+1234567891011

 

DataSet与RDD使用上的区别

Dataset 结合了 rdd 和 DataFrame 上大多数的API，所以spark 1.x基于 rdd 或 DataFrame 的代码可以很容易的改写成spark 2.x版本

数据读取

RDDs

sparkContext.textFile("/path/to/data.txt")1

Datasets

//返回 DataFrame
val df = spark.read.text("/path/to/data.txt")
//返回 DataSet[String]
val ds1 = spark.read.textFile("/path/to/data.txt")
//或者读取成DataFram再转化成Dataset
val ds2 = spark.read.text("/path/to/data.txt").as[String]123456
常用API

RDDs

//flatMap,filter
val lines = sc.textFile("/path/to/data.txt")
val res = lines
  .flatMap(_.split(" "))
  .filter(_ != "")

//reduce
val rdd = sc.makeRDD(Seq(1, 2, 3, 4))
rdd.reduce((a, b) => a + b)123456789

Datasets

//flatMap,filter
val lines = spark.read.textFile("/path/to/data.txt")
val res = lines
  .flatMap(_.split(" "))
  .filter(_ != "")

//reduce
val ds = Seq(1, 2, 3, 4).toDs
ds.reduce((a, b) => a + b)123456789
reduceByKey

RDDs

val reduceCountByRDD = wordsPair
  .reduceByKey(_+_)12

Datasets

val reduceCountByDs = wordsPairDs
  .mapGroups((key,values) =>(key,values.length))12
RDD，DataFrame，Dataset的相互转化

import spark.implicits._
//Dataset转化为RDD
val ds2rdd = ds.rdd
//Dataset转为DataFrame
val ds2df = ds.toDF

//RDD转化为Dataset
val rdd2ds = rdd.toDS
//RDD转化为DataFrame
val rdd2df = rdd.toDF

//DataFrame转化为RDD
val df2rdd = df.rdd
//DataFrame转化为DataSet
val df2ds = df.as[Type]
12345678910111213141516
wordCount

data.txt

hello world
hello spark12

RDDs

val rdd = sc.textFile("src/main/resources/data.txt")
val wordCount = rdd
  .map(word => (word,1))
  .reduceByKey(_+_)1234

Datasets

import spark.implicits._
val wordCount1 = lines
  .flatMap(r => r.split(" "))
  .groupByKey(r => r)
  .mapGroups((k, v) => (k, v.length))
wordCount1.show
//  +-----+--------+
//  |value|count(1)|
//  +-----+--------+
//  |hello|       2|
//  |spark|       1|
//  |world|       1|
//  +-----+--------+

//也可以直接使用count函数
val wordCount2 = lines
  .flatMap(r => r.split(" "))
  .groupByKey(v => v)
  .count()
wordCount2.show
//  +-----+---+
//  |   _1| _2|
//  +-----+---+
//  |hello|  2|
//  |spark|  1|
//  |world|  1|
//  +-----+---+123456789101112131415161718192021222324252627

Dataset性能提升(来自官方)

 
 

 

3. Catalog

Spark 2.0中添加了标准的API（称为catalog）来访问Spark SQL中的元数据。这个API既可以操作Spark SQL，也可以操作Hive元数据。

 

获取catalog

从SparkSession中获取catalog

 

val catalog = spark.catalog1

 

查询临时表和元数据中的表

返回Dataset[Table]

catalog.listTable.show
//  +----+--------+-----------+---------+-----------+
//  |name|database|description|tableType|isTemporary|
//  +----+--------+-----------+---------+-----------+
//  |table|   null|      null|TEMPORARY|        true|
//  |act | default|      null| EXTERNAL|       false|
//  +----+--------+-----------+---------+-----------+
1234567

 

创建临时表

使用createTempView和createOrReplaceTempView取代registerTempTable。

例如   

df.createTempView("table")
df.createOrReplaceTempView("table")
12

createTempView

创建临时表，如果已存在同名表则报错。
createOrReplaceTempView

创建临时表，如果存在则进行替换，与老版本的registerTempTable功能相同。

 

销毁临时表

使用dropTempView取代dropTempTable，销毁临时表的同事会清除缓存的数据。

spark.dropTempView("table")
1

 

缓存表

对数据进行缓存

//缓存表有两种方式
df.cache
catalog.cacheTable("table")

//判断数据是否缓存
catalog.isCached("table")
123456

catalog相较于之前的API，对metadata的操作更加的简单，直观。