大数据-96 SparkSQL 语句详解：从 DataFrame 到 SQL 查询与 Hive 集成全解析

点一下关注吧！！！非常感谢！！持续更新！！！

🚀 AI篇持续更新中！（长期更新）

AI炼丹日志-31- 千呼万唤始出来 GPT-5 发布！"快的模型 + 深度思考模型 + 实时路由"，持续打造实用AI工具指南！📐🤖

💻 Java篇正式开启！（300篇）

目前2025年09月08日更新到： Java-118 深入浅出 MySQL ShardingSphere 分片剖析：SQL 支持范围、限制与优化实践 MyBatis 已完结，Spring 已完结，Nginx已完结，Tomcat已完结，分布式服务正在更新！深入浅出助你打牢基础！

📊 大数据板块已完成多项干货更新（300篇）：

包括 Hadoop、Hive、Kafka、Flink、ClickHouse、Elasticsearch 等二十余项核心组件，覆盖离线+实时数仓全栈！ 大数据-278 Spark MLib - 基础介绍 机器学习算法 梯度提升树 GBDT案例 详解

章节内容

上节我们完成了如下的内容：

• SparkSQL 核心操作
• Action操作 详细解释+测试案例
• Transformation操作 详细解释+测试案例

SQL 语句详解

SparkSQL概述

SparkSQL是Apache Spark框架中的一个核心模块，专门用于处理结构化和半结构化数据。它提供了对数据进行查询、处理和分析的高级接口，既支持命令式编程风格，又支持声明式查询方式。

兼容性特点

总体而言：SparkSQL与HQL高度兼容，但在语法上比HQL更加简洁高效。这种兼容性主要体现在：

1. 语法结构相似性达到90%以上
2. 支持Hive的大部分UDF函数
3. 可以直接读取Hive表数据

核心特性深入解析

1. DataFrame API

DataFrame是SparkSQL中的核心抽象，它本质上是一个分布式数据集，具有以下特点：

• 数据结构：以命名列的形式组织数据，类似于关系数据库中的表
• 数据源支持 ：
  • 关系型数据库：通过JDBC连接
  • 文件系统：Parquet、JSON、CSV、ORC等格式
  • Hive表：直接读取Hive元数据
  • 其他：Avro、Cassandra等

使用示例：

# 创建DataFrame
df = spark.read.json("examples/src/main/resources/people.json")

# 显示数据
df.show()

2. SQL查询能力

SparkSQL提供了完整的SQL支持，包括：

• 标准SQL语法：支持SELECT、JOIN、GROUP BY等常规操作
• 高级功能：窗口函数、子查询、CTE等
• 执行过程：SQL查询会被自动转换为逻辑计划，经过优化后生成物理执行计划，最终转换为RDD操作

查询示例：

-- 注册临时视图
CREATE TEMPORARY VIEW people USING org.apache.spark.sql.json OPTIONS (path "people.json")

-- 执行SQL查询
SELECT name, age FROM people WHERE age > 20

3. Hive集成机制

SparkSQL与Hive的集成主要体现在：

• 元数据共享：可以直接读取Hive Metastore中的表定义
• 语法兼容：支持绝大多数HiveQL语法
• 数据互通：可以读写Hive表数据

集成配置步骤：

1. 将hive-site.xml复制到Spark配置目录
2. 设置Hive Metastore连接参数
3. 启动SparkSession时启用Hive支持

4. 性能优化体系

SparkSQL的优化技术包括：

Catalyst优化器

• 逻辑优化：常量折叠、谓词下推、列裁剪等
• 物理优化：选择最优的连接算法、确定分区策略等

Tungsten执行引擎

• 内存管理：使用sun.misc.Unsafe直接操作堆外内存
• 代码生成：运行时生成优化后的字节码
• CPU缓存优化：改进数据布局以提升缓存命中率

典型应用场景

1. 数据仓库分析：替代传统Hive进行ETL处理
2. 交互式查询：通过JDBC/ODBC接口支持BI工具连接
3. 流批一体处理：结合Structured Streaming实现实时分析
4. 机器学习数据准备：为MLlib提供特征工程支持

与HiveQL的主要区别

特性	SparkSQL	HiveQL
执行引擎	Spark核心	MapReduce/Tez
内存计算	支持	有限支持
延迟	毫秒级到秒级	分钟级
语法复杂度	更简洁	相对冗长
容错机制	基于RDD的血统	基于中间结果持久化

通过以上对比可以看出，SparkSQL在保留HQL兼容性的同时，通过内存计算和优化技术显著提升了查询性能。

数据样例

// 数据
1 1,2,3
2 2,3
3 1,2

// 需要实现如下的效果
1 1
1 2
1 3
2 2
2 3
3 1
3 2

编写代码

package icu.wzk
case class Info(id: String, tags: String)
object SparkSql01 {

  def main(args: Array[String]): Unit = {
    val sparkSession = SparkSession
      .builder()
      .appName("SparkSQLDemo")
      .master("local[*]")
      .getOrCreate()

    val sc = sparkSession.sparkContext
    sc.setLogLevel("WARN")

    val arr = Array("1 1,2,3", "2 2,3", "3 1,2")
    val rdd: RDD[Info] = sc
      .makeRDD(arr)
      .map{
        line => val fields: Array[String] = line.split("\\s+")
          Info(fields(0), fields(1))
      }

    import sparkSession.implicits._
    implicit val infoEncoder = Encoders.product[Info]

    val ds: Dataset[Info] = sparkSession.createDataset(rdd)
    ds.createOrReplaceTempView("t1")

    sparkSession.sql(
      """
        | select id, tag
        | from t1
        | lateral view explode(split(tags, ",")) t2 as tag
        |""".stripMargin
    ).show
    sparkSession.sql(
      """
        | select id, explode(split(tags, ","))
        | from t1
        |""".stripMargin
    ).show

    sparkSession.close()
  }

}

运行测试

控制台输出结果为：

+---+---+
| id|tag|
+---+---+
|  1|  1|
|  1|  2|
|  1|  3|
|  2|  2|
|  2|  3|
|  3|  1|
|  3|  2|
+---+---+

+---+---+
| id|col|
+---+---+
|  1|  1|
|  1|  2|
|  1|  3|
|  2|  2|
|  2|  3|
|  3|  1|
|  3|  2|
+---+---+

运行结果

运行结果如下图所示：

输入与输出

SparkSQL 内建支持的数据源包括：

• Parquet （默认数据源）
• JSON
• CSV
• Avro
• Images
• BinaryFiles（Spark 3.0）

简单介绍一下，Parquet 是一种列式存储格式，专门为大数据处理和分析而设计。

• 列式存储：Parquet 采用列式存储格式，这意味着同一列的数据存储在一起。这样可以极大地提高查询性能，尤其是当查询只涉及少量列时。
• 高效压缩：由于同一列的数据具有相似性，Parquet 能够更高效地进行压缩，节省存储空间。
• 支持复杂数据类型：Parquet 支持嵌套的数据结构，包括嵌套列表、映射和结构体，这使得它非常适合处理复杂的、半结构化的数据。
• 跨平台：Parquet 是一种开放标准，支持多种编程语言和数据处理引擎，包括 Apache Spark、Hadoop、Impala 等。

Parquet

特点：Parquet是一种列式存储格式，特别适合大规模数据的存储和处理。它支持压缩和嵌套数据结构，因此在存储效率和读取性能方面表现优异。

使用方式：spark.read.parquet("path/to/data") 读取Parquet文件；df.write.parquet("path/to/output") 将DataFrame保存为Parquet格式。

JSON

特点：JSON是一种轻量级的数据交换格式，广泛用于Web应用程序和NoSQL数据库中。SparkSQL能够解析和生成JSON格式的数据，并支持嵌套结构。

使用方式：spark.read.json("path/to/data") 读取JSON文件；df.write.json("path/to/output") 将DataFrame保存为JSON格式。

CSV

特点：CSV（逗号分隔值）是最常见的平面文本格式之一，简单易用，但不支持嵌套结构。SparkSQL支持读取和写入CSV文件，并提供了处理缺失值、指定分隔符等功能。

使用方式：spark.read.csv("path/to/data") 读取CSV文件；df.write.csv("path/to/output") 将DataFrame保存为CSV格式。

Avro

特点：Avro是一种行式存储格式，适合大规模数据的序列化。它支持丰富的数据结构和模式演化，通常用于Hadoop生态系统中的数据存储和传输。

使用方式：spark.read.format("avro").load("path/to/data") 读取Avro文件；df.write.format("avro").save("path/to/output") 将DataFrame保存为Avro格式。

ORC

特点：ORC（Optimized Row Columnar）是一种高效的列式存储格式，专为大数据处理而设计，支持高压缩率和快速读取性能。它在存储空间和I/O性能方面表现优越。

使用方式：spark.read.orc("path/to/data") 读取ORC文件；df.write.orc("path/to/output") 将DataFrame保存为ORC格式。

Hive Tables

特点：SparkSQL能够无缝集成Hive，直接访问Hive元数据，并对Hive表进行查询。它支持HiveQL语法，并能够利用Hive的存储格式和结构。

使用方式：通过spark.sql("SELECT * FROM hive_table")查询Hive表；也可以使用saveAsTable将DataFrame写入Hive表。

JDBC/ODBC

特点：SparkSQL支持通过JDBC/ODBC接口连接关系型数据库，如MySQL、PostgreSQL、Oracle等。它允许从数据库读取数据并将结果写回数据库。

使用方式：spark.read.format("jdbc").option("url", "jdbc:mysql://host/db").option("dbtable", "table").option("user", "username").option("password", "password").load() 读取数据库表；df.write.format("jdbc").option("url", "jdbc:mysql://host/db").option("dbtable", "table").option("user", "username").option("password", "password").save() 将DataFrame写入数据库。

Text Files

特点：SparkSQL可以处理简单的文本文件，每一行被读取为一个字符串。适合用于处理纯文本数据。

使用方式：spark.read.text("path/to/data") 读取文本文件；df.write.text("path/to/output") 将DataFrame保存为文本格式。

Delta Lake (外部插件)

特点：Delta Lake是一种开源存储层，构建在Parquet格式之上，支持ACID事务、可扩展元数据处理和流批一体的实时数据处理。尽管不是内建的数据源，但它在Spark生态系统中得到了广泛支持。

使用方式：spark.read.format("delta").load("path/to/delta-table") 读取Delta表；df.write.format("delta").save("path/to/delta-table") 将DataFrame保存为Delta格式。

测试案例

val df1 =
spark.read.format("parquet").load("data/users.parquet")
// Use Parquet; you can omit format("parquet") if you wish as
it's the default
val df2 = spark.read.load("data/users.parquet")

// Use CSV
val df3 = spark.read.format("csv")
.option("inferSchema", "true")
.option("header", "true")
.load("data/people1.csv")

// Use JSON
val df4 = spark.read.format("json")
.load("data/emp.json")

此外还支持 JDBC 的方式：

val jdbcDF = sparkSession
  .read
  .format("jdbc")
  .option("url", "jdbc:mysql://h122.wzk.icu/spark_test?useSSL=false")
  .option("driver", "com.mysql.jdbc.Driver")
  .option("user", "hive")
  .option("password", "hive@wzk.icu")
  .load()
jdbcDF.show()

访问Hive

导入依赖

<dependency>
  <groupId>org.apache.spark</groupId>
  <artifactId>spark-hive_2.12</artifactId>
  <version>${spark.version}</version>
</dependency>

hive-site

需要在项目的 Resource 目录下，新增一个 hive-site.xml 备注：最好使用 metastore service连接Hive，使用直接metastore的方式时，SparkSQL程序会修改Hive的版本信息

<configuration>
    <property>
        <name>hive.metastore.uris</name>
        <value>thrift://h122.wzk.icu:9083</value>
    </property>
</configuration>

编写代码

object AccessHive {
  def main(args: Array[String]): Unit = {
    val spark = SparkSession
      .builder()
      .appName("Demo1")
      .master("local[*]")
      .enableHiveSupport()
      // 设为true时，Spark使用与Hive相同的约定来编写Parquet数据
      .config("spark.sql.parquet.writeLegacyFormat", true)
      .getOrCreate()

    val sc = spark.sparkContext
    sc.setLogLevel("warn")

    spark.sql("show databases").show
    spark.sql("select * from ods.ods_trade_product_info").show

    val df: DataFrame = spark.table("ods.ods_trade_product_info")
    df.show()

    df.write.mode(SaveMode.Append).saveAsTable("ods.ods_trade_product_info_back")
    spark.table("ods.ods_trade_product_info_back").show

    spark.close()
  }
}