SparkSession介绍

阿君聊风控2023-11-23 22:46

一、介绍

SparkSession是Spark 2.0中引入的新概念，它是Spark SQL、DataFrame和Dataset API的入口点，是Spark编程的统一API，也可看作是读取数据的统一入口；
它将以前的SparkContext、SQLContext和HiveContext组合在一起，使得用户可以在一个统一的接口下使用Spark的所有功能。
需要注意的是，SparkSession是一个重量级的对象，创建和销毁的代价较高，因此在项目中应该尽可能地重用同一个SparkSession对象。
在I/O期间，在构建器中设置的配置项将自动同步到Spark和Hadoop。

二、如何使用

# 在项目中初始化SparkSession，可以按照以下步骤进行：
# 1、导入必要的包：
import org.apache.spark.sql.SparkSession
# 2、创建SparkSession对象：
val spark = SparkSession
      .builder  # 使用builder()方法创建一个SparkSession.Builder对象，构建器将自动重用现有的SparkSession；如果不存在则会创建一个SparkSession
      .appName("xxx")
      .config("hive.exec.dynamic.partition", "true")  # 设置分区
      .config("hive.exec.dynamic.partition.mode", "nonstrict") # 设置hive是动态写入的方式
      .config("spark.sql.broadcastTimeout", 3000)
      .config("spark.sql.sources.partitionOverwriteMode", "dynamic")  # 设置hive动态写分区
      .config("spark.checkpoint.dir", "/user/vc/projects_prod/checkpoint/data")  # 设置checkpoint的路径
      .enableHiveSupport()
      .getOrCreate()

# 3、使用SparkSession对象进行数据操作：
val df = spark.read.json("path/to/json/file")
df.show()

三、sparkSession的配置参数参考

https://blog.csdn.net/u010569893/article/details/111356664