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。
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() ... ... } }
后续代码都在上面... ...处。
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:
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。
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,
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,
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。
以下返回为DataFrame类型的方法,可以连续调用。
(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()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,
(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") 12 12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")) 12 12结果:
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,
(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) 123 123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。
(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")) 12 12(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
(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:
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:
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:
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 1joinDF1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 1stat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:
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:
示例:
jdbcDF.except(jdbcDF.limit(1)).show(false) 1 1结果如下,
(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,
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,
API中还有na, randomSplit, repartition, alias, as方法,待后续补充。