博客园  :: 首页  :: 新随笔  :: 联系 :: 订阅 订阅  :: 管理

spark官方文档 翻译之 pyspark.sql module

Posted on 2016-08-01 15:46  来碗酸梅汤  阅读(5267)  评论(5编辑  收藏  举报

pyspark.sql module

Module Context --spark SQL 、dataFrames的重要类

pyspark.sql.SQLContext --DataFrame 和 SQL 功能的主要进入点

pyspark.sql.DataFrame --以列命令的分布式数据集合

pyspark.sql.Column --DataFrame中以列表示的数据,也就是一列数据

pyspark.sql.Row --DataFrame中以行表示的数据,也就是一行数据

pyspark.sql.HiveContext --对Apache Hive中存储数据进行访问的主要进入点

pyspark.sql.GroupedData--DataFrame.groupBy() 返回的聚合方法

pyspark.sql.DataFrameNaFunctions --处理丢失数据的方法(null values).

pyspark.sql.DataFrameStatFunctions --统计功能的方法

pyspark.sql.functions  --DataFrame可用的内置函数列表

pyspark.sql.types --可用的数据类型列表。

pyspark.sql.Window --处理窗口功能


 

class pyspark.sql.SparkSession(sparkContext, jsparkSession=None)
  spark程序 Dataset 和DataFrame API 的入口
  一个用于创建DataFrame,以表的形式记录DataFrame,在表上执行SQL,存储表读取文件的sparkSession。用下面的方式创建sparkSession:

>>> spark = SparkSession.builder \
...     .master("local") \
...     .appName("Word Count") \
...     .config("spark.some.config.option", "some-value") \
...     .getOrCreate()

  class Builder
    SparkSession的创建
     appName(name)
       为应用程序设置一个名字,这个名字将显示在spark的web UI上。
       如果不设置名字,将随机产生一个名字
       Parameters: name – 应用程序名
       New in version 2.0.

  config(key=None, value=None, conf=None)
    设置配置选项,使用此方式设置的配置将自动应用到SparkConf和SparkSession的配置中

    对现存的SparkConf,配置conf参数

>>> from pyspark.conf import SparkConf
>>> SparkSession.builder.config(conf=SparkConf())
<pyspark.sql.session...

    对于(key, value)键值对,可以省略参数名

>>> SparkSession.builder.config("spark.some.config.option", "some-value")
<pyspark.sql.session...

    Parameters:
      key – 配置属性的键名称(string)
      value – 配置属性的值
      conf – SparkConf的一个实例
    New in version 2.0.

    enableHiveSupport()
      提供hive支持,包括连通一个持久化的hive元存储,支持hive并行转换,hive用户自定义函数。
    New in version 2.0.

    getOrCreate()
      得到一个现存在的SparkSession,如果没有现存的SparkSession,创建一个基于选项的新的SparkSession
      这个方法首先会检查是否存在一个管局有效的默认SparkSession,如果有那么返回这个SparkSession,如果没有创建一个SparkSession,重新分配为全局有效的默认SparkSession。

SparkSession as the global default.
>>> s1 = SparkSession.builder.config("k1", "v1").getOrCreate()
>>> s1.conf.get("k1") == s1.sparkContext.getConf().get("k1") == "v1"
True

    如果返回一个现存的SparkSession,配置的选项将应用到这个现存的SparkSession

>>> s2 = SparkSession.builder.config("k2", "v2").getOrCreate()
>>> s1.conf.get("k1") == s2.conf.get("k1")
True
>>> s1.conf.get("k2") == s2.conf.get("k2")
True

    New in version 2.0.

    master(master)
      设置spark master的连接URL,例如“local”运行在本地,“local[4]”运行在本地使用4个核,“spark://master:7077”运行在spark standalone模式的集群上。
      Parameters: master – spark master的URL
    New in version 2.0.

  SparkSession.builder = <pyspark.sql.session.Builder object at 0x7f8396ea2cd0>

  SparkSession.catalog
    一个接口用户可能用来创建,删除,更改,查询数据库,表,函数等等。
  New in version 2.0.

  SparkSession.conf
    spark运行时的配置接口
    一个接口用户可以用来得到或者设置与Spark SQL相关的spark和hadoop配置。当得到配置的value,默认给基本的sparkContext设置此值,如果有的话。
  New in version 2.0.

  SparkSession.createDataFrame(data, schema=None, samplingRatio=None)
    根据一个RDD或者一个列表或者一个pandas.DataFrame创建DataFrame
    当schema是list,每一列的类型将从data推断
    当schema是None, 它将尝试推断schema(列名称和类型)根据data,应该是一个RDD的行,或namedtuple,还是dict
    当schema是DataType或者datatype string,schema必须匹配真实的data,或exception将在运行时抛出。如果给定的schema不是StructType,
    它将作为它仅有的字段包含在一个StructType中,这个字段名字将是“value”,每条记录将包含在一个元组中,最后将转换成行。

    如果schema推断是必须的,samplingRatio(抽样比例)将被用来推断schema的行的比例。如果samplingRatio是None,第一行将被使用。
    Parameters: data – 一个任和一种SQL数据(e.g. row, tuple, int, boolean, etc.)表示的RDD,或者list,或pandas.DataFrame.
          schema – a DataType or a datatype string or a list of column names, default is None. The data type string format equals to DataType.simpleString, except that top level struct type can omit the struct<> and                 atomic types use typeName() as their format,
                例如. 使用byte代替非常小的整数for ByteType. 我们也可以是使用int作为一个短名称for IntegerType.
          samplingRatio – 用作推断每行样本比例
    Returns: DataFrame
    Changed in version 2.0: The schema parameter can be a DataType or a datatype string after 2.0. If it’s not a StructType, it will be wrapped into a StructType and each record will also be wrapped into a tuple.

>>> a = [('Alice', 1)]
>>> spark.createDataFrame(a).collect()
[Row(_1=u'Alice', _2=1)]
>>> spark.createDataFrame(a, ['name', 'age']).collect()
[Row(name=u'Alice', age=1)]
>>> d = [{'name': 'Alice', 'age': 1}]
>>> spark.createDataFrame(d).collect()
[Row(age=1, name=u'Alice')]
>>> rdd = sc.parallelize(a)
>>> spark.createDataFrame(rdd).collect()
[Row(_1=u'Alice', _2=1)]
>>> df = spark.createDataFrame(rdd, ['name', 'age'])
>>> df.collect()
[Row(name=u'Alice', age=1)]
>>> from pyspark.sql import Row
>>> Person = Row('name', 'age')
>>> person = rdd.map(lambda r: Person(*r))
>>> df2 = spark.createDataFrame(person)
>>> df2.collect()
[Row(name=u'Alice', age=1)]
>>> from pyspark.sql.types import *
>>> schema = StructType([
...    StructField("name", StringType(), True),
...    StructField("age", IntegerType(), True)])
>>> df3 = spark.createDataFrame(rdd, schema)
>>> df3.collect()
[Row(name=u'Alice', age=1)]
>>> spark.createDataFrame(df.toPandas()).collect()  
[Row(name=u'Alice', age=1)]
>>> spark.createDataFrame(pandas.DataFrame([[1, 2]])).collect()  
[Row(0=1, 1=2)]
>>> spark.createDataFrame(rdd, "a: string, b: int").collect()
[Row(a=u'Alice', b=1)]
>>> rdd = rdd.map(lambda row: row[1])
>>> spark.createDataFrame(rdd, "int").collect()
[Row(value=1)]
>>> spark.createDataFrame(rdd, "boolean").collect() 
Traceback (most recent call last):
    ...
Py4JJavaError: ...

  SparkSession.newSession()
    返回一个新的SparkSession作为新的session,新的session拥有各自的SQLConf,临时注册的views and UDFs,但是共享的SparkContext and table会存储起来
  New in version 2.0.

  SparkSession.range(start, end=None, step=1, numPartitions=None)
    创建一个以单独的Long类型列名为id的DataFrame,包含元素在一个范围内从start到end(exclusive独有的)步长值为step
  Parameters: start – 起始值
        end – 结束值 (exclusive)
        step – 增值步长 (default: 1)
        numPartitions – DataFrame的分区数
  Returns: DataFrame

 

>>> spark.range(1, 7, 2).collect()
[Row(id=1), Row(id=3), Row(id=5)]

  如果只指定一个参数,他将被用于end值

>>> spark.range(3).collect()
[Row(id=0), Row(id=1), Row(id=2)]

  New in version 2.0.

  SparkSession.read
    返回一个DataFrameReader,它可以被用来从DataFrame中读取数据
  Returns: DataFrameReader
  New in version 2.0.

  SparkSession.readStream
    返回一个DataFrameReader,它可以被用来从一个streaming DataFrame中读取数据流
  Note Experimental.
  Returns: DataStreamReader
  New in version 2.0.

  SparkSession.sparkContext
    返回一个潜在的SparkContext.
  New in version 2.0.

  SparkSession.sql(sqlQuery)
    返回一个DataFrame,值为给定的SQL查询语句查询的结果
  Returns: DataFrame

>>> df.createOrReplaceTempView("table1")
>>> df2 = spark.sql("SELECT field1 AS f1, field2 as f2 from table1")
>>> df2.collect()
[Row(f1=1, f2=u'row1'), Row(f1=2, f2=u'row2'), Row(f1=3, f2=u'row3')]

  New in version 2.0.

  SparkSession.stop()
    停止潜在的SparkContext
  New in version 2.0.

  SparkSession.streams
    Returns a StreamingQueryManager that allows managing all the StreamingQuery StreamingQueries active on this context.
    Note Experimental.
  Returns: StreamingQueryManager
  New in version 2.0.

  SparkSession.table(tableName)
    返回指定的表作为DataFrame
  Returns: DataFrame

>>> df.createOrReplaceTempView("table1")
>>> df2 = spark.table("table1")
>>> sorted(df.collect()) == sorted(df2.collect())
True

  New in version 2.0.

  SparkSession.udf
    Returns a UDFRegistration for UDF registration.

    Returns: UDFRegistration
  New in version 2.0.

  SparkSession.version
    The version of Spark on which this application is running.
  New in version 2.0.