大数据IMF传奇行动绝密课程第70课：Spark SQL内置函数解密与实战

Spark SQL内置函数解密与实战

1、Spark Sql内置函数解析
2、Spark Sql内置函数实战

/**
  * scala代码
  */
package com.tom.spark.sql

import org.apache.spark.sql.types.{IntegerType, StringType, StructField, StructType}
import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.sql.functions._

/**
  * 使用Spark SQL中的内置函数对数据进行分析，与普通的Spark SQL API不同的是DataFrame内置函数操作的结果是返回一个Column对象，
  * 而DataFrame天生就是"A distributed collection of data organized into named columns."，这就为数据的复杂分析建立了坚实的基础
  * 并提供了极大的方便性，例如在操作DataFrame的方法中可以随时调用内置函数进行业务需要的处理，这之于我们构建复杂的业务逻辑而言
  * 非常可以极大地减少不必要的时间消耗（基本上就是实际模型的映射），让我们聚焦在数据分析上，这对于提高工程师的生产力而言是非常有价值的。
  * Spark 1.5.x开始提供了大量的内置函数，例如agg：
  * def agg(aggExpr: (String, String), aggExprs: (String, String)*): DataFrame = {
  *   groupBy().agg(aggExpr, aggExprs : _*)
  * }
  * 还有max,mean,min,sum,avg,explode,size,sort_array,day,to_date,abs,acos,asin,atan
  * 总体而言，内置函数包含五大基本类型：
  * 1，聚合函数，例如countDistinct,sumDistinct等
  * 2，集合函数，例如sort_array
  * 3，日期时间函数，例如hour,quarter,next_day
  * 4，数学函数，例如asin,atan,sqrt,tan,round等；
  * 5，开窗函数，例如rowNumber等
  * 6，字符串函数，concat,format_number,rexexp_extract
  * 7，其它函数，isNaN,sha,randn,callUDF,callUDAF
  */
object SparkSQLAgg {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setMaster("local").setAppName("SparkSQLAgg")
    val sc = new SparkContext(conf)
    val sqlContext = new SQLContext(sc)

    //要使用Spark SQL的内置函数，就一定要导入SQLContext下的隐式转换
    import sqlContext.implicits._

    /**
      * 模拟电商访问的数据，实际情况会比模拟数据复杂很多，最后生成RDD
      */
    val userData = Array(
      "2016-3-27,001,http://spark.apache.org/,1000",
      "2016-3-27,001,http://hadoop.apache.org/,1001",
      "2016-3-27,002,http://flink.apache.org/,1002",
      "2016-3-28,003,http://kafka.apache.org/,1020",
      "2016-3-28,004,http://spark.apache.org/,1010",
      "2016-3-28,002,http://hive.apache.org/,1200",
      "2016-3-28,001,http://parquet.apache.org/,1500",
      "2016-3-28,001,http://spark.apache.org/,1800"
    )
    val userDataRDD = sc.parallelize(userData)  //生成RDD分布式集合对象

    /**
      * 根据业务需要对数据进行预处理生成DataFrame，要想把RDD转换成DataFrame，需要先把RDD中的元素类型变成Row类型，
      * 与此同时要提供DataFrame中的columns的元数据信息描述
      */
    val userDataRDDRow = userDataRDD.map(row=>{
      val splited = row.split(",")
      Row(splited(0), splited(1).toInt, splited(2), splited(3).toInt)
    })
    val structType = StructType(Array(
      StructField("time", StringType, true),
      StructField("id", IntegerType, true),
      StructField("url", StringType, true),
      StructField("amount", IntegerType, true)

    ))

    val userDataDF = sqlContext.createDataFrame(userDataRDDRow,structType)

    /**
      * 使用Spark SQL提供的内置函数对DataFrame进行操作，特别注意：内置函数生成的Column对象且自动进行CG
      */
    userDataDF.groupBy("time").agg('time, countDistinct('id))
        .map(row=> Row(row(1),row(2))).collect.foreach(println)


    userDataDF.groupBy("time").agg('time, sum('amount)).show

  }
}