Spark 2.2 DataFrame的一些算子操作
Spark Session中的DataFrame类似于一张关系型数据表。在关系型数据库中对单表或进行的查询操作,在DataFrame中都可以通过调用其API接口来实现。
可以参考,Scala提供的DataFrame API。本文中的代码基于Spark-2.2的文档实现。
一、DataFrame对象的生成
Spark-SQL可以以其他RDD对象、parquet文件、json文件、Hive表,以及通过JDBC连接到其他关系型数据库作为数据源来生成DataFrame对象。本文将以MySQL数据库为数据源,生成DataFrame对象后进行相关的DataFame之上的操作。
文中生成DataFrame的代码如下:
val ss = SparkSession.builder() .appName("ta") .master("local[4]") .config("spark.mongodb.input.uri","mongodb://username:password@192.168.1.3:27017/log.") .config("spark.mongodb.output.uri","mongodb://username:password@192.168.1.3:27017/log") .getOrCreate()
1.读取mysql数据
val url = "jdbc:mysql://m000:3306/test" val jdbcDF = ss.read.format( "jdbc" ).options(Map( "url" -> url,"user" -> "xxx","password" -> "xxx", "dbtable" -> "xxx" )).load()
2.读取SqlServer数据
val sqlUrl="jdbc:sqlserver://192.168.1.3:1433;DatabaseName=mytable;username=xxxx;password=xxx" val data2DF = ss.read.format("jdbc").options( Map("url" -> sqlsUrl, "dbtable" -> "TableName")).load()
3.读取MongoDB数据
val data1DF = MongoSpark.load(ss, ReadConfig(Map("collection" -> "TableName"), Some(ReadConfig(ss))))
1、show
:展示数据
以表格的形式在输出中展示jdbcDF
中的数据,类似于select * from spark_sql_test
的功能。
show
方法有四种调用方式,分别为,
(1)show
只显示前20条记录。且过长的字符串会被截取
示例:jdbcDF.show
(2)show(numRows: Int)
显示numRows
条
示例:jdbcDF.show(3)
(3)show(truncate: Boolean)
是否截取20个字符,默认为true
。
示例:jdbcDF.show(false)
(4)show(numRows: Int, truncate: Int)
显示记录条数,以及截取字符个数,为0时表示不截取
示例:jdbcDF.show(3, 0)
2、collect
:获取所有数据到数组
不同于前面的show
方法,这里的collect
方法会将jdbcDF
中的所有数据都获取到,并返回一个Array
对象。
jdbcDF.collect()
结果数组包含了jdbcDF
的每一条记录,每一条记录由一个GenericRowWithSchema
对象来表示,可以存储字段名及字段值。
3、collectAsList
:获取所有数据到List
功能和collect
类似,只不过将返回结构变成了List
对象,使用方法如下
jdbcDF.collectAsList()
4、describe(cols: String*)
:获取指定字段的统计信息
这个方法可以动态的传入一个或多个String
类型的字段名,结果仍然为DataFrame
对象,用于统计数值类型字段的统计值,比如count, mean, stddev, min, max
等。
使用方法如下,其中c1
字段为字符类型,c2
字段为整型,c4
字段为浮点型
jdbcDF .describe("c1" , "c2", "c4" ).show()
结果如下:
5、first, head, take, takeAsList
:获取若干行记录
这里列出的四个方法比较类似,其中
(1)first
获取第一行记录
(2)head
获取第一行记录,head(n: Int)
获取前n行记录
(3)take(n: Int)
获取前n行数据
(4)takeAsList(n: Int)
获取前n行数据,并以List
的形式展现
以Row
或者Array[Row]
的形式返回一行或多行数据。first
和head
功能相同。
take
和takeAsList
方法会将获得到的数据返回到Driver端,所以,使用这两个方法时需要注意数据量,以免Driver发生OutOfMemoryError
使用和结果略。
二、DataFrame对象上的条件查询和join等操作
以下返回为DataFrame类型的方法,可以连续调用。
1、where条件相关
(1)where(conditionExpr: String)
:SQL语言中where关键字后的条件
传入筛选条件表达式,可以用and
和or
。得到DataFrame类型的返回结果,
示例:
jdbcDF .where("id = 1 or c1 = 'b'" ).show()
(2)filter
:根据字段进行筛选
传入筛选条件表达式,得到DataFrame类型的返回结果。和where
使用条件相同
示例:jdbcDF .filter("id = 1 or c1 = 'b'" ).show()
2、查询指定字段
(1)select
:获取指定字段值
根据传入的String
类型字段名,获取指定字段的值,以DataFrame类型返回
示例:
jdbcDF.select( "id" , "c3" )
还有一个重载的select
方法,不是传入String
类型参数,而是传入Column
类型参数。可以实现select id, id+1 from test
这种逻辑。
jdbcDF.select(jdbcDF( "id" ), jdbcDF( "id") + 1 ).show( false)
能得到Column
类型的方法是apply
以及col
方法,一般用apply
方法更简便。
(2)selectExpr
:可以对指定字段进行特殊处理
可以直接对指定字段调用UDF函数,或者指定别名等。传入String
类型参数,得到DataFrame对象。
示例,查询id
字段,c3
字段取别名time
,c4
字段四舍五入:
jdbcDF .selectExpr("id" , "c3 as time" , "round(c4)" ).show(false)
(3)col
:获取指定字段
只能获取一个字段,返回对象为Column类型。
val idCol = jdbcDF.col(“id”)
(4)apply
:获取指定字段
只能获取一个字段,返回对象为Column类型
示例:
val idCol1 = jdbcDF.apply("id") val idCol2 = jdbcDF("id")
(5)drop
:去除指定字段,保留其他字段
返回一个新的DataFrame对象,其中不包含去除的字段,一次只能去除一个字段。
示例:
jdbcDF.drop("id") jdbcDF.drop(jdbcDF("id"))
3、limit
limit
方法获取指定DataFrame的前n行记录,得到一个新的DataFrame对象。和take
与head
不同的是,limit
方法不是Action操作。
jdbcDF.limit(3)
4、order by (1)orderBy和sort:按指定字段排序,默认为升序 示例1,按指定字段排序。加个-表示降序排序。sort和orderBy使用方法相同
jdbcDF.orderBy(- jdbcDF("c4")).show(false) 只能对数字类型和日期类型生效 // 或者 jdbcDF.orderBy(jdbcDF("c4").desc).show(false)
(2)sortWithinPartitions 和上面的sort方法功能类似,区别在于sortWithinPartitions方法返回的是按Partition排好序的DataFrame对象。
5、group by
(1)groupBy
:根据字段进行group by
操作
groupBy
方法有两种调用方式,可以传入String
类型的字段名,也可传入Column
类型的对象。
使用方法如下,
jdbcDF .groupBy("c1" ) jdbcDF.groupBy( jdbcDF( "c1"))
(2)cube和rollup:group by的扩展 功能类似于SQL中的group by cube/rollup
(3)GroupedData对象
该方法得到的是GroupedData
类型对象,在GroupedData
的API中提供了group by
之后的操作,比如,
max(colNames: String*)
方法,获取分组中指定字段或者所有的数字类型字段的最大值,只能作用于数字型字段min(colNames: String*)
方法,获取分组中指定字段或者所有的数字类型字段的最小值,只能作用于数字型字段mean(colNames: String*)
方法,获取分组中指定字段或者所有的数字类型字段的平均值,只能作用于数字型字段sum(colNames: String*)
方法,获取分组中指定字段或者所有的数字类型字段的和值,只能作用于数字型字段-
count()
方法,获取分组中的元素个数运行结果示例:
count
max
-
这里面比较复杂的是以下两个方法,
agg
,pivot该方法和下面介绍的类似,可以用于对指定字段进行聚合操作。
6、distinct
(1)distinct
:返回一个不包含重复记录的DataFrame
返回当前DataFrame中不重复的Row记录。该方法和接下来的dropDuplicates()
方法不传入指定字段时的结果相同。
示例:
jdbcDF.distinct()
(2)dropDuplicates
:根据指定字段去重
根据指定字段去重。类似于select distinct a, b
操作
示例:
jdbcDF.dropDuplicates(Seq("c1"))
7、聚合
聚合操作调用的是agg
方法,该方法有多种调用方式。一般与groupBy
方法配合使用。
以下示例其中最简单直观的一种用法,对id
字段求最大值,对c4
字段求和
jdbcDF.agg("id" -> "max", "c4" -> "sum")
8、union
union
方法:对两个DataFrame进行合并
示例:
jdbcDF.union(jdbcDF.limit(1))
9、join
重点来了。在SQL
语言中用得很多的就是join
操作,DataFrame中同样也提供了join
的功能。
接下来隆重介绍join
方法。在DataFrame中提供了六个重载的join
方法。
(1)、笛卡尔积
joinDF1.join(joinDF2)
(2)、using
一个字段形式
下面这种join类似于a join b using column1
的形式,需要两个DataFrame中有相同的一个列名,
joinDF1.join(joinDF2, "id")
(3)、using
多个字段形式
除了上面这种using
一个字段的情况外,还可以using
多个字段,如下
joinDF1.join(joinDF2, Seq("id", "name"))
(4)、指定join
类型
两个DataFrame的join
操作有inner, outer,full,full_outer,left, left_outer, right_outer, leftsemi
类型。在上面的using
多个字段的join情况下,可以写第三个String
类型参数,指定join
的类型,如下所示
joinDF1.join(joinDF2, Seq("id", "name"), "inner")
(5)、使用Column
类型来join
如果不用using
模式,灵活指定join
字段的话,可以使用如下形式
joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"))
(6)、在指定join
字段同时指定join
类型
如下所示
joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"), "inner")
10、获取指定字段统计信息
stat
方法可以用于计算指定字段或指定字段之间的统计信息,比如方差,协方差等。这个方法返回一个DataFramesStatFunctions
类型对象。
下面代码演示根据c4
字段,统计该字段值出现频率在30%
以上的内容。在jdbcDF
中字段c1
的内容为"a, b, a, c, d, b"
。其中a
和b
出现的频率为2 / 6
,大于0.3
jdbcDF.stat.freqItems(Seq ("c1") , 0.3).show()
11、获取两个DataFrame中共有的记录
intersect
方法可以计算出两个DataFrame中相同的记录,
jdbcDF.intersect(jdbcDF.limit(1)).show(false)
12、获取一个DataFrame中有另一个DataFrame中没有的记录
示例:
jdbcDF.except(jdbcDF.limit(1)).show(false)
13、操作字段名
(1)withColumnRenamed
:重命名DataFrame中的指定字段名
如果指定的字段名不存在,不进行任何操作。下面示例中将jdbcDF
中的id
字段重命名为idx
。
jdbcDF.withColumnRenamed( "id" , "idx" )
(2)withColumn
:往当前DataFrame中新增一列
whtiColumn(colName: String , col: Column)
方法根据指定colName
往DataFrame中新增一列,如果colName
已存在,则会覆盖当前列。
以下代码往jdbcDF
中新增一个名为id2
的列,
jdbcDF.withColumn("id2", jdbcDF("id")).show( false)
14、行转列
有时候需要根据某个字段内容进行分割,然后生成多行,这时可以使用explode
方法
下面代码中,根据c3
字段中的空格将字段内容进行分割,分割的内容存储在新的字段c3_
中,如下所示
jdbcDF.explode( "c3" , "c3_" ){time: String => time.split( " " )}