Spark SQL 结构化数据处理流程及原理是什么？

梦里梦外; 2024-04-08 11:18 58阅读 0赞

Spark SQL 结构化数据处理流程及原理是什么？Spark SQL 可以使用现有的Hive元存储、SerDes 和 UDF。它可以使用 JDBC/ODBC 连接到现有的 BI 工具。有了 Spark SQL，用户可以编写 SQL 风格的查询。

Spark SQL 是 Spark 生态系统中处理结构化格式数据的模块。它在内部使用 Spark Core API 进行处理，但对用户的使用进行了抽象。这篇文章深入浅出地告诉你 Spark SQL 3.x 的新内容。

这对于精通结构化查询语言或 SQL 的广大用户群体来说，基本上是很有帮助的。用户也将能够在结构化数据上编写交互式和临时性的查询。Spark SQL 弥补了弹性分布式数据集RDD和关系表之间的差距。RDD 是 Spark 的基本数据结构。它将数据作为分布式对象存储在适合并行处理的节点集群中。RDD 很适合底层处理，但在运行时很难调试，程序员不能自动推断模式schema。另外，RDD 没有内置的优化功能。Spark SQL 提供了数据帧DataFrame和数据集来解决这些问题。

Spark SQL 可以使用现有的 Hive 元存储、SerDes 和 UDF。它可以使用 JDBC/ODBC 连接到现有的 BI 工具。

**数据源**

大数据处理通常需要处理不同的文件类型和数据源(关系型和非关系型)的能力。Spark SQL 支持一个统一的数据帧接口来处理不同类型的源，如下所示。

**文件：**

CSV

Text

JSON

XML

**JDBC/ODBC：**

MYSQL

Oracle

Postgres

**带模式的文件：**

AVRO

Parquet

**Hive 表：**

Spark SQL 也支持读写存储在 Apache Hive 中的数据。

通过数据帧，用户可以无缝地读取这些多样化的数据源，并对其进行转换/连接。

**Spark SQL 3.x 的新内容**

在以前的版本中(Spark 2.x)，查询计划是基于启发式规则和成本估算的。从解析到逻辑和物理查询计划，最后到优化的过程是连续的。这些版本对转换和行动的运行时特性几乎没有可见性。因此，由于以下原因，查询计划是次优的：

1、缺失和过时的统计数据

2、次优的启发式方法

3、错误的成本估计

Spark 3.x 通过使用运行时数据来迭代改进查询计划和优化，增强了这个过程。前一阶段的运行时统计数据被用来优化后续阶段的查询计划。这里有一个反馈回路，有助于重新规划和重新优化执行计划。

![7980b8e1566cb231224e8c2fc6779c95.jpeg][]

**自适应查询执行(AQE)**

查询被改变为逻辑计划，最后变成物理计划。这里的概念是“重新优化”。它利用前一阶段的可用数据，为后续阶段重新优化。正因为如此，整个查询的执行要快得多。

**动态合并“洗牌”分区**

Spark 在“洗牌shuffle”操作后确定最佳的分区数量。在 AQE 中，Spark 使用默认的分区数，即 200 个。这可以通过配置来启用。

**动态切换连接策略**

广播哈希是最好的连接操作。如果其中一个数据集很小，Spark 可以动态地切换到广播连接，而不是在网络上“洗牌”大量的数据。

**动态优化倾斜连接**

如果数据分布不均匀，数据会出现倾斜，会有一些大的分区。这些分区占用了大量的时间。Spark 3.x 通过将大分区分割成多个小分区来进行优化。

**其他改进措施**

此外，Spark SQL 3.x还支持以下内容。

**动态分区修剪**

3.x 将只读取基于其中一个表的值的相关分区。这消除了解析大表的需要。

**连接提示**

如果用户对数据有了解，这允许用户指定要使用的连接策略。这增强了查询的执行过程。

**兼容 ANSI SQL**

在兼容 Hive 的早期版本的 Spark 中，我们可以在查询中使用某些关键词，这样做是完全可行的。然而，这在 Spark SQL 3 中是不允许的，因为它有完整的 ANSI SQL 支持。例如，“将字符串转换为整数”会在运行时产生异常。它还支持保留关键字。

**较新的 Hadoop、Java 和 Scala 版本**

从 Spark 3.0 开始，支持 Java 11 和 Scala 2.12。 Java 11 具有更好的原生协调和垃圾校正，从而带来更好的性能。 Scala 2.12 利用了 Java 8 的新特性，优于 2.11。

Spark 3.x 提供了这些现成的有用功能，而无需开发人员操心。这将显着提高 Spark 的整体性能。

推荐教程

[全网最全大数据Spark3.0教程 Spark3.0从入门到精通 黑马程序员大数据入门教程系列\_  
][Spark3.0_ Spark3.0_ _]

[黑马程序员Spark全套视频教程，4天spark3.2快速入门到精通，全网首套基于Python语言的spark教程\_  
][Spark_4_spark3.2_Python_spark_]

[7980b8e1566cb231224e8c2fc6779c95.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/64764a831171423b97ea2460e47ab85f.jpeg
[Spark3.0_ Spark3.0_ _]: https://www.bilibili.com/video/BV1Xz4y1m7cv?spm_id_from=333.999.0.0&vd_source=41c3fb2563aafeb9df08eb0da84bd9e9
[Spark_4_spark3.2_Python_spark_]: https://www.bilibili.com/video/BV1Jq4y1z7VP?spm_id_from=333.999.0.0&vd_source=41c3fb2563aafeb9df08eb0da84bd9e9