Shark

Shark是基于Spark計算框架之上且兼容Hive語法的SQL執(zhí)行引擎，由于底層的計算采用了Spark，性能比MapReduce的Hive普遍快2倍以上，當(dāng)數(shù)據(jù)全部load在內(nèi)存的話，將快10倍以上，因此Shark可以作為交互式查詢應(yīng)用服務(wù)來使用。除了基于Spark的特性外，Shark是完全兼容Hive的語法，表結(jié)構(gòu)以及UDF函數(shù)等，已有的HiveSql可以直接進行遷移至Shark上Shark底層依賴于Hive的解析器，查詢優(yōu)化器，但正是由于SHark的整體設(shè)計架構(gòu)對Hive的依賴性太強，難以支持其長遠(yuǎn)發(fā)展，比如不能和Spark的其他組件進行很好的集成，無法滿足Spark的一棧式解決大數(shù)據(jù)處理的需求。

SparkSQL

• SparkSQL介紹

Hive是Shark的前身，Shark是SparkSQL的前身,SparkSQL產(chǎn)生的根本原因是其完全脫離了Hive的限制。

SparkSQL支持查詢原生的RDD。 RDD是Spark平臺的核心概念，是Spark能夠高效的處理大數(shù)據(jù)的各種場景的基礎(chǔ)。

能夠在Scala中寫SQL語句。支持簡單的SQL語法檢查，能夠在Scala中寫Hive語句訪問Hive數(shù)據(jù)，并將結(jié)果取回作為RDD使用。

• Spark on Hive和Hive on Spark

Spark on Hive： Hive只作為儲存角色，Spark負(fù)責(zé)sql解析優(yōu)化，執(zhí)行。

Hive on Spark：Hive即作為存儲又負(fù)責(zé)sql的解析優(yōu)化，Spark負(fù)責(zé)執(zhí)行。

• DataFrame

DataFrame也是一個分布式數(shù)據(jù)容器。與RDD類似，然而DataFrame更像傳統(tǒng)數(shù)據(jù)庫的二維表格，除了數(shù)據(jù)以外，還掌握數(shù)據(jù)的結(jié)構(gòu)信息，即schema。同時，與Hive類似，DataFrame也支持嵌套數(shù)據(jù)類型（struct、array和map）。從API易用性的角度上 看， DataFrame API提供的是一套高層的關(guān)系操作，比函數(shù)式的RDD API要更加友好，門檻更低。

DataFrame的底層封裝的是RDD，只不過RDD的泛型是Row類型。

• SparkSQL的數(shù)據(jù)源

SparkSQL的數(shù)據(jù)源可以是JSON類型的字符串，JDBC,Parquent,Hive，HDFS等。

• SparkSQL底層架構(gòu)

首先拿到sql后解析一批未被解決的邏輯計劃，再經(jīng)過分析得到分析后的邏輯計劃，再經(jīng)過一批優(yōu)化規(guī)則轉(zhuǎn)換成一批最佳優(yōu)化的邏輯計劃，再經(jīng)過SparkPlanner的策略轉(zhuǎn)化成一批物理計劃，隨后經(jīng)過消費模型轉(zhuǎn)換成一個個的Spark任務(wù)執(zhí)行。

• 謂詞下推（predicate Pushdown）

總結(jié)

以上是生活随笔為你收集整理的Spark _21 _SparkSQL介绍的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。