3.Spark SQL概述

1.Spark SQL前世今生

• 为什么要使用sql？

1. 事实上的标准
2. 易学易用
3. 受众面大

• Hive
  类似于sql的hive sql语句，sql==>mapreduce
  缺点：基于mapreduce，执行效率比较低
  改进：hive on tez，hive on spark，hive on mapreduce

• Shark
  hive on spark ==> shark（把hive解析后的作业翻译成spark作业）
  优点：1.基于spark；2.基于内存的列式存储；3.与hive能够兼容
  缺点：hive ql 的解析、逻辑执行计划生成、执行计划的优化是依赖于hive的。仅仅只是把物理执行计划从mr作业替换成spark；mapreduce基于进程级别的，而spark是基于线程的，shark必须单独维护一个分支来处理线程相关的操作。

image.png

Shark终止后，产生了两个分支：

1. Hive on spark（Hive社区中，源码是在hive中）
2. spark sql（Spark社区，源码是在Spark中）（支持多种数据源，多种优化技术，扩展性也要好很多）

2.Sql on Hadoop 常用框架

image.png

1. Hive
   sql ==> mapreduce
   metasotre: 原数据
   sql: database, table, view

2. impla
   cloudera : cdh（建议大家在生产上使用的hadoop系列版本）、cm
   sql : 自己的守护进程执行的，非mr （对内存要求比较高）

3. presto
   facebook，京东
   支持sql

4. drill
   支持sql
   能够访问：hdfs、rdbms、json、hbase、mongdb、c3、hive ==> 外部数据源

5. Spark SQL
   支持sql
   dataframe/dataset api
   metastore
   能够访问：hdfs、rdbms、json、hbase、mongdb、c3、hive ==> 外部数据源

3.Spark SQL 概述

官网：http://spark.apache.org/sql/

Spark SQL is Apache Spark's module for working with structured data.

image.png image.png image.png image.png

Spark SQL不仅仅有访问或者操作SQL的功能，他还提供了其他的非常丰富的操作：外部数据源，优化

Spark SQL概述小结：
1.Spark Sql并不局限于SQL
2.可以访问hive、json、parquet等文件的数据
3.SQL只是Spark SQL 的一个功能而已===>这个名字并不恰当
4.Spark SQL提供了SQL的api，DataFrame，Dataset的API

4.Spark SQL愿景

• Write the less code
• Read less data
• Let the optimizer do the hard work

5.Spark SQL架构

image.png