Spark-SQL之DataFrame操作大全
Spark SQL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-1.6.2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：
object DataFrameOperations {
def main (args: Array[String ]) {
val sparkConf = new SparkConf().setAppName( "Spark SQL DataFrame Operations").setMaster( "local[2]" )
val sparkContext = new SparkContext(sparkConf)
val sqlContext = new SQLContext(sparkContext)
val url = "jdbc:mysql://m000:3306/test"
val jdbcDF = sqlContext.read.format( "jdbc" ).options(
Map( "url" -> url,
"user" -> "root",
"password" -> "root",
"dbtable" -> "spark_sql_test" )).load()
val joinDF1 = sqlContext.read.format( "jdbc" ).options(
Map("url" -> url ,
"user" -> "root",
"password" -> "root",
"dbtable" -> "spark_sql_join1" )).load()
val joinDF2 = sqlContext.read.format( "jdbc" ).options(
Map ( "url" -> url ,
"user" -> "root",
"password" -> "root",
"dbtable" -> "spark_sql_join2" )).load()
... ...
}
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
后续代码都在上面... ...处。
二、DataFrame对象上Action操作
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。
示例：
jdbcDF.show- 1
- 1
结果：
（2）show(numRows: Int)
显示numRows条
示例：
jdbcDF.show(3)- 1
- 1
结果：
（3）show(truncate: Boolean)
是否最多只显示20个字符，默认为true。
示例：
jdbcDF.show(true)
jdbcDF.show(false)- 1
- 2
- 1
- 2
结果：
（4）show(numRows: Int, truncate: Boolean)
综合前面的显示记录条数，以及对过长字符串的显示格式。
示例：
jdbcDF.show(3, false)- 1
- 1
结果：
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()- 1
- 1
结果如下，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()- 1
- 1
结果如下，
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()- 1
- 1
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()- 1
- 1
结果，
（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()- 1
- 1
结果，
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" ).show( false)- 1
- 1
结果：
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)- 1
- 1
结果：
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)- 1
- 1
结果，
（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”)果略。
（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")- 1
- 2
- 1
- 2
结果略。
（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"))- 1
- 2
- 1
- 2
结果：
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).show( false)- 1
- 1
结果，
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)
// 或者
jdbcDF.orderBy(jdbcDF("c4").desc).show(false)- 1
- 2
- 3
- 1
- 2
- 3
结果，
示例2，按字段字符串升序排序
jdbcDF.orderBy("c4").show(false)- 1
- 1
结果，
（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"))- 1
- 2
- 1
- 2
（2）cube和rollup：group by的扩展
功能类似于SQL中的group by cube/rollup，略。
（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，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。
pivot
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()- 1
- 1
结果，
（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"))- 1
- 1
结果：
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")- 1
- 1
结果：
8、union
unionAll方法：对两个DataFrame进行组合
类似于SQL中的UNION ALL操作。
示例：
jdbcDF.unionALL(jdbcDF.limit(1))- 1
- 1
结果：
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)- 1
- 1
（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")- 1
- 1
joinDF1和joinDF2根据字段id进行join操作，结果如下，using字段只显示一次。
（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")）- 1
- 1
（4）、指定join类型
两个DataFrame的join操作有inner, outer, 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"）- 1
- 1
（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"))- 1
- 1
结果如下，
（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")- 1
- 1
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()- 1
- 1
结果如下：
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)- 1
- 1
结果如下：
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)- 1
- 1
结果如下，
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" )- 1
- 1
结果如下：
（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)- 1
- 1
结果如下，
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( " " )}- 1
- 1
结果如下，
