浅谈spark sql、hive on spark、spark on hive

一 Spark sql

1. spark rdd

Spark整个生态群中，底层计算引擎是基于RDD的。这个也是为什么Spark计算性能比较快的原因。

通常我们狭隘上理解的SparkRDD计算引擎，是指RDD底层生成DAG执行计划，基于DAG生成详细的excutor和更细粒度的多线程池模型来减少task启动开销。有如下特点：

• 使用内存计算引擎，提供Cache缓存机制支持迭代计算或多次数据共享，减少数据读取的IO开销
• DAG引擎，减少多次计算之间中间结果写到HDFS的开销
• 使用多线程池模型来减少task启动开销，shuffle过程中避免不必要的
• sort操作以及减少磁盘IO操作

示例：

object MyScalaWordCount {

  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setAppName("MyScalaWordCount").setMaster("local");

    //创建一个SparkContext对象
    val sc = new SparkContext(conf)

    //执行WordCount
    val result = sc.textFile("hdfs://bigdata02:9000/wordcount.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_)
    //打印在屏幕上
    result.foreach(println)
    //释放资源
    sc.stop()
}

}

2. spark sql

spark sql的目的就是为懂得dbms但是不熟悉spark的同学准备的。

spark sql的实现过程就是用spark sql解析引擎解析sql语句(中间可能会有一些优化)，最终还是转换为spark rdd的方式去执行。

个人理解spark sql = spark sql解析引擎 + spark rdd计算。

示例：

// Primitive types (Int, String, etc) and Product types (case classes) encoders are
// supported by importing this when creating a Dataset.
import spark.implicits._

// A JSON dataset is pointed to by path.
// The path can be either a single text file or a directory storing text files
val path = "examples/src/main/resources/people.json"
val peopleDF = spark.read.json(path)

// The inferred schema can be visualized using the printSchema() method
peopleDF.printSchema()
// root
//  |-- age: long (nullable = true)
//  |-- name: string (nullable = true)

// Creates a temporary view using the DataFrame
peopleDF.createOrReplaceTempView("people")

// SQL statements can be run by using the sql methods provided by spark
val teenagerNamesDF = spark.sql("SELECT name FROM people WHERE age BETWEEN 13 AND 19")
teenagerNamesDF.show()

3. 区别

个人感觉spark rdd的性能更高一些，毕竟不需要解析sql语句。

二 hive on spark

1. 含义

将hive底层的计算引擎由mr换位spark。

个人理解 hive on spark = hive sql解析引擎 + spark rdd计算。

2. 示例

在使用conn进行SQL操作之前，先执行SQL将hive.exection.engine设置为spark即可使用Hive on Spark。

三 spark on hive

1. 含义

Spark通过Spark-SQL使用hive 语句,操作hive,底层运行的还是 spark rdd：

• 就是通过sparksql，加载hive的配置文件，获取到hive的元数据信息
• spark sql获取到hive的元数据信息之后就可以拿到hive的所有表的数据
• 接下来就可以通过spark sql来操作hive表中的数据

个人理解，知识单纯hive当成了数据源，其他的用spark实现。

2. 示例

前置配置:

• 将Hive的conf目录下的hive-site-xml文件拷贝到spark的conf目录下；
• 将Hive中的mysql驱动包（mysql-connector-java-8.0.22.jar，根据自己mysql的版本进行选择）也拷贝到spark的jars目录下。

代码：

import org.apache.spark.sql.SparkSession


val warehouseLocation = "spark-warehouse"

val spark = SparkSession
  .builder()
  .appName("Spark Hive Example")
  .config("spark.sql.warehouse.dir", warehouseLocation)
  .enableHiveSupport()
  .getOrCreate()

import spark.implicits._
import spark.sql

// 到这里，你就可以随意读取Hive了
// test是hive中的表名
df = sql("select * from test") // 返回spaek的DataFrame
df.show() 

// 这里可以用sql语句，对Hive中的数据表进行任何的读写操作
sql(".....")

四 总结

最终都转换为spark rdd进行计算。