SparkSQL簡介目錄/Contents01什么是SparkSQL02SparkSQL架構什么是SparkSQL01什么是SparkSQLSparkSQL是Spark用來處理結構化數據（結構化數據可以來自外部結構化數據源也可以通過RDD獲?。┑囊粋€模塊，它提供了一個編程抽象叫做DataFrame并且作為分布式SQL查詢引擎的作用。外部的結構化數據源包括JSON、Parquet(默認)、RMDBS、Hive等。當前SparkSQL使用Catalyst優化器來對SQL進行優化，從而得到更加高效的執行方案。并且可以將結果存儲到外部系統。什么是SparkSQLSparkSQL的前身是Shark,Shark最初是美國加州大學伯克利分校的實驗室開發的Spark生態系統的組件之一,它運行在Spark系統之上,Shark重用了Hive的工作機制,并直接繼承了Hive的各個組件，Shark將SQL語句的轉換從MapReduce作業替換成了Spark作業，雖然這樣提高了計算效率,但由于Shark過于依賴Hive,因此在版本迭代時很難添加新的優化策略，從而限制了Spark的發展,在2014年,伯克利實驗室停止了對Shark的維護,轉向SparkSQL的開發。SparkSQL主要提供了以下3個功能。什么是SparkSQL(1)SparkSQL可以從各種結構化數據源(如JSON、Hive、Parquet等)中讀取數據,進行數據分析。(2)SparkSQL包含行業標準的JDBC和ODBC連接方式，因此它不局限于在Spark程序內使用SQL語句進行查詢。(3)SparkSQL可以無縫地將SQL查詢與Spark程序進行結合，它能夠將結構化數據作為Spark中的分布式數據集(RDD)進行查詢，在Python、Scala和Java中均集成了相關API,這種緊密的集成方式能夠輕松地運行SQL查詢以及復雜的分析算法。

SparkSQL架構02SparkSQL架構SparkSQL架構與Hive架構相比除了把底層的MapReduce執行引擎更改為Spark還修改了Catalyst優化器，SparkSQL快速的計算效率得益于Catalyst優化器。從HiveQL被解析成語法抽象樹起，執行計劃生成和優化的工作全部交給SparkSQL的Catalyst優化器進行負責和管理。SparkSQL快速的計算效益得益于Catalyst優化器。從HiveQL被解析成語法抽象樹起，執行計劃生成和優化的工作全部交給SparkSQL的Catalyst優化器負責和管理。如圖7-1所示為SparkSQL整體架構。SparkSQL架構Catalyst優化器是一個新的可擴展的查詢優化器，它是基于Scala函數式編程結構，SparkSQL開發工程師設計可擴展架構主要是為了在今后的版本迭代時，能夠輕松地添加新的優化技術和功能，尤其是為了解決大數據生產環境中遇到的問題（例如，針對半結構化數據和高級數據分析），另外，Spark作為開源項目，外部開發人員可以針對項目需求自行擴展Catalyst優化器的功能。SparkSQL架構Catalyst主要的實現組件介紹如下。1、sqlParse:完成sql語句的語法解析功能，目前只提供了一個簡單的sql解析器；2、Analyzer:主要完成綁定工作，將不同來源的UnresolvedLogicalPlan和數據元數據（如hivemetastore、Schemacatalog）進行綁定，生成resolvedLogicalPlan；3、Optimizer:對resolvedLogicalPlan進行優化，生成optimizedLogicalPlan；4、Planner:將LogicalPlan轉換成PhysicalPlan；5、CostModel:主要根據過去的性能統計數據，選擇最佳的物理執行計劃Spark作為開源項目，外部開發人員可以針對項目需求自行擴展Catalyst優化器的功能。如圖7-2所示為SparkSQL的運行架構。SparkSQL架構如上圖所示，SparkSQL的工作流程可以分為如下幾步：(1)使用SessionCatalog保存元數據在解析SQL語句之前，會創建SparkSession，或者如果是2.0之前的版本初始化SQLContext，SparkSession只是封裝了SparkContext和SQLContext的創建而已。會把元數據保存在SessionCatalog中，涉及到表名，字段名稱和字段類型。創建臨時表或者視圖，其實就會往SessionCatalog注冊。(2)解析SQL使用ANTLR生成未綁定的邏輯計劃當調用SparkSession的SQL或者SQLContext的SQL方法，我們以2.0為準，就會使用SparkSqlParser進行解析SQL。使用的ANTLR進行詞法解析和語法解析。它分為2個步驟來生成UnresolvedLogicalPlan:詞法分析：LexicalAnalysis,負責將token分組成符號類。構建一個分析樹或者語法樹AST。(3)使用分析器Analyzer綁定邏輯計劃在該階段，Analyzer會使用AnalyzerRules，并結合SessionCatalog，對未綁定的邏輯計劃進行解析，生成已綁定的邏輯計劃。SparkSQL架構(4)使用優化器Optimizer優化邏輯計劃優化器也是會定義一套Rules，利用這些Rule對邏輯計劃和Exepression進行迭代處理，從而使得樹的節點進行合并和優化。(5)使用SparkPlanner生成物理計劃SparkSpanner使用Plannin