spark

摘要:
  1. "id")   joinDF1和joinDF2根据字段id进行join操作
  2. 在jdbcDF中字段c1的内容为"a
  3. 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
  4. sort和orderBy使用方法相同 jdbcDF.orderBy(- jdbcDF("c4")).show(false) // 或者 jdbcDF.orderBy(jdbcDF("c4").desc).show(false)   结果
  5.      (6)、在指定join字段同时指定join类型    如下所示 joinDF1.join(joinDF2

关键词: spark

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() ... ... } }

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

  结果: 
  

(2)show(numRows: Int) 
  显示numRows条 
  示例:

jdbcDF.show(3)

  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)

  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)

  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()

  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()

  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()

  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。firsthead功能相同。 
  taketakeAsList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andor。得到DataFrame类型的返回结果, 
  示例:

jdbcDF .where("id = 1 or c1 = 'b'" ).show()

  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()

  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)

  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)

  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timec4字段四舍五入:

jdbcDF .selectExpr("id" , "c3 as time" , "round(c4)" ).show(false)

  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")

  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"))

  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takehead不同的是,limit方法不是Action操作。

jdbcDF.limit(3).show( false)

  结果, 
  

4、order by

(1)orderBysort: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。sortorderBy使用方法相同

jdbcDF.orderBy(- jdbcDF("c4")).show(false) // 或者 jdbcDF.orderBy(jdbcDF("c4").desc).show(false)

  结果, 
  

  示例2,按字段字符串升序排序

jdbcDF.orderBy("c4").show(false)

  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"))

(2)cuberollup: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()

  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"))

  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")

  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))

  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)

(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")

  joinDF1joinDF2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"))

(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")

(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"))

  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")

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ab出现的频率为2 / 6,大于0.3

jdbcDF.stat.freqItems(Seq ("c1") , 0.3).show()

  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)

  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)

  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" )

  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)

  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( " " )}

  结果如下, 
  

相关阅读

Spark修炼之道(进阶篇)——Spark入门到精通:第四节 Spark编程模型(一)

RDD[T] 使用示例 scala> val rdd1=sc.parallelize(Array(1;RDD[U] //使用示例 scala> val rdd1=sc.parallelize(Array(1;RDD在Spark中只有两种创建方式;每个分区中的内容将以Iterator[T]传递给输入函数f;org.apache.spark.rdd.RDD[Array[Int]] = ParallelCollectionRDD[2] at parallelize at <console>

Spark简介

2. Spark是基于内存计算的大数据并行计算框架;包括支持结构化数据的Spark SQL、处理实时数据的Spark Streaming、用于机器学习的MLlib、用于图计算的GraphX、用于统计分析的SparkR;Spark还支持SQL查询、流式计算、机器学习和图算法;        11. Spark应用场景  Spark使用了内存分布式数据集;SparkR提供了Spark中弹性分布式数据集(RDD)的API

Spark入门教程(1)——spark是什么及发展趋势概述

然后对Spark平台与Hadoop平台在数据批处理以及流式处理方面进行对比分析;Spark Streaming主要用来对数据进行实时处理;1.3 Spark生态系统 Spark设计目的是全栈式解决批处理、结构化数据查询、流计算、图计算和机器学习业务场景;在Spark Core的上层有支持SQL查询的子项目Spark SQL、支持机器学习的MLlib库、支持图计算的GraphX以及支持流计算的Spark Streaming等;这样的生态圈让Spark的核心RDD抽象数据集能在不同应用中使用

Spark-基础-Spark及其生态圈简介

l  提供了Spark中弹性分布式数据集(RDD)的API;这些组件分别处理Spark Core提供内存计算框架、SparkStreaming的实时处理应用、Spark SQL的即席查询、MLlib或MLbase的机器学习和GraphX的图处理;如Spark Shell/Spark Submit的批处理、Spark Streaming的实时处理应用、Spark SQL的即席查询、BlinkDB的权衡查询、MLlib/MLbase的机器学习、GraphX的图处理和SparkR的数学计算等等;支持在内存中对数据进行迭代计算;Spark Streaming中RDD的lineage关系图 l实时性

spark开发环境搭建(基于idea 和maven)

在打开的对话框中选择你所安装JDK的位置;导入spark依赖 编写sprak代码 打包在spark上运行 1.scala插件的安装 首先在欢迎界面点击Configure;<version>${spark.version}</version>;<version>${spark.version}</version>;scala插件的安装 全局JDK和Library的设置 配置全局的Scala SDK 新建maven项目 属于你的

实战1.Spark及其生态圈简介

l  提供了Spark中弹性分布式数据集(RDD)的API;这些组件分别处理Spark Core提供内存计算框架、SparkStreaming的实时处理应用、Spark SQL的即席查询、MLlib或MLbase的机器学习和GraphX的图处理;如Spark Shell/Spark Submit的批处理、Spark Streaming的实时处理应用、Spark SQL的即席查询、BlinkDB的权衡查询、MLlib/MLbase的机器学习、GraphX的图处理和SparkR的数学计算等等;支持在内存中对数据进行迭代计算;Spark Streaming中RDD的lineage关系图 l实时性

Spark 入门

Array[String] = Array(Spark;Spark Streaming将在DStream中建立一个RDD;5)) scala> val times2 = rdd.map(_*2) scala> times2.collect()Result;’B’)) scala> val rdd2=sc.parallelize(List(‘B’;1)) scala> val wrdCnt=word1.reduceByKey(_+_) scala> wrdCnt.collect()Result

最全spark基础知识

第二步   YARN集群接管运行 首先YARN集群中由ResourceManager分配Container启动SparkContext;Spark中的Driver即运行上述Application的main()函数并且创建SparkContext;因为Spark Application运行过程中SparkContext和Executor之间有大量的信息交换;从下图可以看到在hadoop1、hadoop2和hadoop3分别启动了Executor 第三步   查看启动结果 YARN-Client模式中;第一个阶段是把Spark的Driver作为一个ApplicationMaster在YARN集群中先启动

spark

"id")   joinDF1和joinDF2根据字段id进行join操作;在jdbcDF中字段c1的内容为"a;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;sort和orderBy使用方法相同 jdbcDF.orderBy(- jdbcDF("c4")).show(false) // 或者 jdbcDF.orderBy(jdbcDF("c4").desc).show(false)   结果;     (6)、在指定join字段同时指定join类型    如下所示 joinDF1.join(joinDF2

Spark基础全解析

Seq[V]中V代表的是DStream中value的类型;// 获取缓冲数据 val salTotal1 = buffer1.getDouble(0) val salCount1 = buffer1.getInt(1) 上面只是获取缓冲数据;由经过func函数后返回值为true的原元素组成 val numbers = Array(1;基于DStream进行处理数据 // 将行数据分隔成单词 val words = socketDStream.flatMap(_.split(" ")) // 计算这一批次的词频;返回数据集的元素个数 val numberArray = Array(1

本站所有帖子由该帖子作者发表,版权属于原作者,如有侵权请联系删除。


Copyright © 2020–2021. 编程技术网(www.editcode.net) ICP主体备案号:湘ICP备2021008236号