Spark SQL DML语句

【图书介绍】《Spark SQL大数据分析快速上手》-CSDN博客

《Spark SQL大数据分析快速上手》【摘要 书评 试读】- 京东图书

Spark本地模式安装_spark3.2.2本地模式安装-CSDN博客

DML（Data Manipulation Language，数据操作语言）操作主要用来对数据进行插入、更新和删除操作。本节主要介绍Spark SQL中的DML操作。

Spark SQL提供了一个命令行工具，可以让用户直接通过命令行运行SQL查询。Spark SQL可以兼容Hive，以便Spark SQL支持Hive表访问、UDF（用户自定义函数）以及Hive查询语言（HiveQL/HQL）。

若要使用Spark SQL CLI的方式访问和操作Hive表数据，需要对Spark SQL进行如下所示的环境配置，将Spark SQL连接到一个部署好的Hive上。

（1）将hive-site.xml复制到/home/hadoop/app/spark/conf/目录下。

（2）在/home/hadoop/app/spark/conf/spark-env.sh文件中配置MySQL驱动。

将MySQL驱动复制到所有节点的Spark安装包的jars目录下，并在/home/hadoop/app/spark/ conf/spark-env.sh末尾添加以下内容：

export SPARK_CLASSPATH=/home/hadoop/app/spark/jars/mysl-connector-java-5.1.32.jar

然后，启动MySQL服务。

（3）启动 Hive的metastore服务：hive–service metastore &。

（4）进入/home/hadoop/app/spark/sbin/目录，执行./start-all.sh，启动Spark。

（5）进入/home/hadoop/app/spark/bin目录，执行./spark-sql，开启Spark SQL CLI。

spark-sql本质上是通过spark-submit调用Spark SQL的API，每个spark-sql单独启动一个应用。

一旦进入Spark SQL CLI，就可以执行SQL语句。在DML语句中，通过建表语句中的Using子句来指定具体的数据源类型。如果没有通过Using指定，则默认是通过Hive建表，相当于直接通过Spark SQL来操作Hive表的数据。

5.2.1  插入数据

INSERT语句将新行插入表中或覆盖表中的现有数据。插入的行可以由值表达式或查询结果指定。

1. 使用VALUES子句进行单行插入

CREATE TABLE students (name VARCHAR(64), address VARCHAR(64))USING PARQUET PARTITIONED BY (student_id INT);
INSERT INTO students VALUES('Amy Smith', '123 Park Ave, San Jose', 111111);SELECT * FROM students;
+---------+----------------------+----------+
|     name|    address           |student_id|
+---------+----------------------+----------+
|Amy Smith|123 Park Ave, San Jose|    111111|
+---------+----------------------+----------+

2. 使用VALUES子句进行多行插入

INSERT INTO students VALUES('Bob Brown', '456 Taylor St, Cupertino', 222222),('Cathy Johnson', '789 Race Ave, Palo Alto', 333333);SELECT * FROM students;
+-------------+------------------------+----------+
|         name|                 address|student_id|
+-------------+------------------------+----------+
|    Amy Smith|  123 Park Ave, San Jose|    111111|
+-------------+------------------------+----------+
|    Bob Brown|456 Taylor St, Cupertino|    222222|
+-------------+------------------------+----------+
|Cathy Johnson| 789 Race Ave, Palo Alto|    333333|
+--------------+-----------------------+----------+

3. 使用SELECT语句插入数据

假设已经创建了一张persons表，里面包含两条数据：

SELECT * FROM persons;
+-------------+--------------------------+---------+
|         name|                   address|      ssn|
+-------------+--------------------------+---------+
|Dora Williams|134 Forest Ave, Menlo Park|123456789|
+-------------+--------------------------+---------+
|  Eddie Davis|   245 Market St, Milpitas|345678901|
+-------------+--------------------------+---------+INSERT INTO students PARTITION (student_id = 444444)SELECT name, address FROM persons WHERE name = "Dora Williams";

使用SELECT语句插入一条数据，查询结果如下：

SELECT * FROM students;
+-------------+--------------------------+----------+
|         name|                   address|student_id|
+-------------+--------------------------+----------+
|    Amy Smith|    123 Park Ave, San Jose|    111111|
+-------------+--------------------------+----------+
|    Bob Brown|  456 Taylor St, Cupertino|    222222|
+-------------+--------------------------+----------+
|Cathy Johnson|   789 Race Ave, Palo Alto|    333333|
+-------------+--------------------------+----------+
|Dora Williams|134 Forest Ave, Menlo Park|    444444|
+-------------+--------------------------+----------+

4. 使用TABLE语句插入数据

提前创建一张表visiting_students，插入两条数据，查询结果显示如下：

SELECT * FROM visiting_students;
+-------------+---------------------+----------+
|         name|              address|student_id|
+-------------+---------------------+----------+
|Fleur Laurent|345 Copper St, London|    777777|
+-------------+---------------------+----------+
|Gordon Martin| 779 Lake Ave, Oxford|    888888|
+-------------+---------------------+----------+

然后利用Table语句将visiting_students表的数据插入students表中。注意，这里不是覆盖，而是追加数据。

INSERT INTO students TABLE visiting_students;SELECT * FROM students;
+-------------+--------------------------+----------+
|         name|                   address|student_id|
+-------------+--------------------------+----------+
|    Amy Smith|    123 Park Ave, San Jose|    111111|
+-------------+--------------------------+----------+
|    Bob Brown|  456 Taylor St, Cupertino|    222222|
+-------------+--------------------------+----------+
|Cathy Johnson|   789 Race Ave, Palo Alto|    333333|
+-------------+--------------------------+----------+
|Dora Williams|134 Forest Ave, Menlo Park|    444444|
+-------------+--------------------------+----------+
|Fleur Laurent|     345 Copper St, London|    777777|
+-------------+--------------------------+----------+
|Gordon Martin|      779 Lake Ave, Oxford|    888888|
+-------------+--------------------------+----------+

5. 使用列列表插入数据

INSERT INTO students (address, name, student_id) VALUES('Hangzhou, China', 'Kent Yao', 11215016);SELECT * FROM students WHERE name = 'Kent Yao';
+---------+----------------------+----------+
|     name|               address|student_id|
+---------+----------------------+----------+
|Kent Yao |       Hangzhou, China|  11215016|
+---------+----------------------+----------+

5.2.2  加载数据

LOAD DATA语句将数据从用户指定的目录或文件加载到Hive表中。如果指定了目录，则加载该目录中的所有文件；如果指定了文件，则仅加载单个文件。此外，该LOAD DATA语句还采用可选的分区规范。当指定分区时，数据文件（当输入源是目录时）或单个文件（当输入源是文件时）被加载到目标表的分区中。

如果该表已缓存，则该命令会清除该表的缓存数据以及引用该表的所有依赖项。下次访问表或依赖项时，缓存将被延迟填充。

LOAD DATA语句的格式如下：

LOAD DATA [ LOCAL ] INPATH path [ OVERWRITE ] INTO TABLE table_identifier [ partition_spec ]

下面举例说明加载数据的用法。

首先，创建表students，并添加一条数据：

CREATE TABLE students (name VARCHAR(64), address VARCHAR(64))USING HIVE PARTITIONED BY (student_id INT);
INSERT INTO students VALUES('Amy Smith', '123 Park Ave, San Jose', 111111);SELECT * FROM students;
+---------+----------------------+----------+
|     name|    address           |student_id|
+---------+----------------------+----------+
|Amy Smith|123 Park Ave, San Jose|    111111|
+---------+----------------------+----------+

在Spark SQL中，可以使用CREATE TABLE语句结合USING HIVE选项，来创建一个指向Hive表的Spark SQL表。这允许我们利用Spark SQL进行查询，但数据和元数据仍然存储在Hive中。示例代码如下：

CREATE TABLE my_spark_table
USING HIVE
OPTIONS (tableName "my_hive_table"
)

在这个例子中，my_spark_table是在Spark SQL中创建的表的名称，而my_hive_table是Hive中已存在的表的名称。当查询my_spark_table时，Spark SQL会查询Hive中的my_hive_table表。

接下来用Spark SQL创建一张表test_load，该表的数据和元数据会指向Hive中。最后将students表中的数据加载到test_load表中。

CREATE TABLE test_load (name VARCHAR(64), address VARCHAR(64), student_id INT) USING HIVE;
LOAD DATA LOCAL INPATH '/user/hive/warehouse/students' OVERWRITE INTO TABLE test_load;SELECT * FROM test_load;
+---------+----------------------+----------+
|     name|            address   |student_id|
+---------+----------------------+----------+
|Amy Smith|123 Park Ave, San Jose|    111111|
+---------+----------------------+----------+

如何优化Spark SQL中的DML操作，以提升大数据分析性能，尤其是在高并发插入和更新操作场景下？

在Spark SQL中优化DML操作，尤其是高并发的插入和更新操作，可以通过以下方法来提升性能：

1. 数据本地性优化：确保Spark任务能够访问到数据的本地副本，以减少网络延迟。

2. 分区表：使用分区表可以显著减少需要扫描的数据量，提升查询性能。

3. 索引：适当的索引可以加快查询速度，但是应当注意，过多的索引会影响写操作性能。

4. 批量操作：使用批量插入和更新，而不是单条操作，可以减少网络开销和Spark任务的启动时间。

5. 动态分区插入：对于分区表，使用INSERT OVERWRITE代替INSERT，可以避免在每次插入时重新计算分区。

6. 内存优化：调整Spark执行内存参数，确保内存使用最优化。

7. 并行度控制：适当控制Spark任务的并行度，避免资源过度竞争。

8. 数据压缩：在存储层面优化数据压缩方式，减少存储空间同时提升读写性能。

在实际应用中，根据具体的数据特征、资源限制和业务需求，可能需要进一步的调优以达到最优性能。