Spark DataFrame小试牛刀

发表于 更新于 分类于 Disqus：

三月中旬，Spark发布了最新的1.3.0版本，其中最重要的变化，便是DataFrame这个API的推出。DataFrame让Spark具备了处理大规模结构化数据的能力，在比原有的RDD转化方式易用的前提下，计算性能更还快了两倍。这一个小小的API，隐含着Spark希望大一统「大数据江湖」的野心和决心。DataFrame像是一条联结所有主流数据源并自动转化为可并行处理格式的水渠，通过它Spark能取悦大数据生态链上的所有玩家，无论是善用R的数据科学家，惯用SQL的商业分析师，还是在意效率和实时性的统计工程师。

以一个常见的场景 – 日志解析为例，有时我们需要用到一些额外的结构化数据（比如做IP和地址的映射），通常这样的数据会存在MySQL，而访问的方式有两种：一是每个worker远程去检索数据库，弊端是耗费额外的网络I/O资源；二是使用JdbcRDD的API转化为RDD格式，然后编写繁复的函数去实现检索，显然要写更多的代码。而现在，Spark提供了一种新的选择，一行代码就能实现从MySQL到DataFrame的转化，并且支持SQL查询。

实例

首先我们在本地放置了一个JSON文件，文件内容如下：

1
2
3
{"name":"Michael"}
{"name":"Andy", "age":30}
{"name":"Justin", "age":19}

然后我们进入spark-shell，控制台的提示说明Spark为我们创建了一个叫sqlContext的上下文，注意，它是DataFrame的起点。
接下来我们希望把本地的JSON文件转化为DataFrame：

1
2
scala> val df = sqlContext.jsonFile("/path/to/your/jsonfile")
df: org.apache.spark.sql.DataFrame = [age: bigint, name: string]

从控制台的提示可以得知，我们成功创建了一个DataFrame的对象，包含age和name两个字段。
而DataFrame自带的玩法就多了：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
// 输出表结构
df.printSchema()

// 选择所有年龄大于21岁的人，只保留name字段
df.filter(df("age") > 21).select("name").show()

// 选择name，并把age字段自增
df.select("name", df("age") + 1).show()

// 按年龄分组计数
df.groupBy("age").count().show()

// 左联表（注意是3个等号！）
df.join(df2, df("name") === df2("name"), "left").show()

此外，我们也可以把DataFrame对象转化为一个虚拟的表，然后用SQL语句查询，比如下面的命令就等同于df.groupBy("age").count().show()：

1
2
df.registerTempTable("people")
sqlContext.sql("select age, count(*) from people group by age").show()

当然，Python有同样丰富的API（由于最终都是转化为JVM bytecode执行，Python和Scala的效率是一样的），而且Python还提供了类Pandas的操作语法。关于Python的API，可以参考Spark新年福音：一个用于大规模数据科学的API——DataFrame。

MySQL

除了JSON之外，DataFrame现在已经能支持MySQL、Hive、HDFS、PostgreSQL等外部数据源，而对关系数据库的读取，是通过jdbc实现的。

对于不同的关系数据库，必须在SPARK_CLASSPATH变量中加入对应connector的jar包，比如希望连接MySQL的话应该这么启动spark-shell：

1
SPARK_CLASSPATH=mysql-connector-java-x.x.x-bin.jar spark-shell

下面要将一个MySQL表转化为DataFrame对象：

1
val jdbcDF = sqlContext.load("jdbc", Map("url" -> "jdbc:mysql://localhost:3306/your_database?user=your_user&password=your_password", "dbtable" -> "your_table"))

然后十八般武艺又可以派上用场了。

Hive

Spark提供了一个HiveContext的上下文，其实是SQLContext的一个子类，但从作用上来说，sqlContext也支持Hive数据源。只要在部署Spark的时候加入Hive选项，并把已有的hive-site.xml文件挪到$SPARK_HOME/conf路径下，我们就可以直接用Spark查询包含已有元数据的Hive表了：

1
sqlContext.sql("select count(*) from hive_people").show()

结语

Spark的目标在于成为一个跨环境、跨语言、跨工具的大数据处理和分析平台。DataFrame的推出很好诠释了这一目标，从初步的使用来看确实很容易上手。随着性能和稳定性的持续优化，我相信某一天所有玩数据的人，都可以使用Spark作为惟一的平台入口。