SparkSQL 概述

一、SparkSQL 是什么

Spark SQL 是 Spark 用于结构化数据(structured data)处理的 Spark 模块。

二、Hive and SparkSQL

SparkSQL 的前身是 Shark，给熟悉 RDBMS 但又不理解 MapReduce 的技术人员提供快
速上手的工具。
Hive 是早期唯一运行在 Hadoop 上的 SQL-on-Hadoop 工具。但是 MapReduce 计算过程
中大量的中间磁盘落地过程消耗了大量的 I/O，降低的运行效率，为了提高 SQL-on-Hadoop
的效率，大量的 SQL-on-Hadoop 工具开始产生，其中表现较为突出的是：
⚫ Drill
⚫ Impala
⚫ Shark
其中 Shark 是伯克利实验室 Spark 生态环境的组件之一，是基于 Hive 所开发的工具，它修
改了下图所示的右下角的内存管理、物理计划、执行三个模块，并使之能运行在 Spark 引擎
上。

随着 Spark 的发展，对于野心勃勃的 Spark 团队来说，Spark 对于 Hive 的太多依 赖（如采用 Hive 的语法解析器、查询优化器等等），制约了 Spark 的 One Stack Rule Them All 的既定方针，制约了 Spark 各个组件的相互集成，所以提出了 SparkSQL 项目。``SparkSQL 抛弃原有 Shark 的代码，``汲取了 Shark 的一些优点，如内存列存储（In-Memory Columnar Storage）、Hive兼容性等，重新开发了SparkSQL代码；由于摆脱了对Hive的依赖性，SparkSQL 无论在数据兼容、性能优化、组件扩展方面都得到了极大的方便，真可谓“退一步，海阔天 空”。
➢ 数据兼容方面 SparkSQL 不但兼容 Hive，还可以从 RDD、parquet 文件、JSON 文件中
获取数据，未来版本甚至支持获取 RDBMS 数据以及 cassandra 等 NOSQL 数据；
➢ 性能优化方面 除了采取 In-Memory Columnar Storage、byte-code generation 等优化技术
外、将会引进 Cost Model 对查询进行动态评估、获取最佳物理计划等等；
➢ 组件扩展方面 无论是 SQL 的语法解析器、分析器还是优化器都可以重新定义，进行扩
展

**但也因此发 展出两个支线：SparkSQL 和 Hive on Spark**

其中 SparkSQL 作为 Spark 生态的一员继续发展，而不再受限于 Hive，只是兼容 Hive；而 Hive on Spark 是一个 Hive 的发展计划，该计划将 Spark 作为 Hive 的底层引擎之一，也就是 说，Hive 将不再受限于一个引擎，可以采用Map-Reduce、Tez、Spark 等引擎。 对于开发人员来讲，SparkSQL 可以简化 RDD 的开发，提高开发效率，且执行效率非常快，所以实际工作中，基本上采用的就是 SparkSQL。Spark SQL 为了简化 RDD 的开发， 提高开发效率，提供了 2个编程抽象，类似 Spark Core 中的 RDD

地层为了简化RDD的开发、在RDD的上面封装了一层、这样的话他有两个数据模型、封装了新的模型之后、再去做开发底层就做了优化
➢ DataFrame
➢ DataSet

三、SparkSQL 特点

1、易整合

无缝的整合了 SQL 查询和 Spark 编程

2、统一的数据访问

使用相同的方式连接不同的数据源

3、兼容 Hive

在已有的仓库上直接运行 SQL 或者 HiveQL

4、标准数据连接

通过 JDBC 或者 ODBC 来连接