Spark方法梳理总结

数据类型c	描述
Int	32位有符号补码整数。数值区间为−32768～32767
Float	32位IEEE754（IEEE浮点数算术标准）单精度浮点数
Double	64位IEEE754（IEEE浮点数算术标准）双精度浮点数
String	字符序列，即字符串
Boolean	布尔值，true或false
Unit	表示无值，作用与Java中的void一样，是不返回任何结果的方法的结果类型。Unit只有一个实例值，写成()

2、定义与使用常量、变量

（1）、常量

在程序运行过程中值不会发生变化的量为常量或值，常量通过val关键字定义，常量一旦定义就不可更改，即不能对常量进行重新计算或重新赋值。定义一个常量的语法格式如下。

val name: type = initialization

val 关键字后以此跟着常量名称、冒号“：”、数据类型、赋值运算符“=”和初始值。一旦初始化一个常量，就不能对其修改。

（2）、变量

变量是在程序运行过程中值可能发生改变的量。变量使用关键字var定义。与常量不同的是，变量定义之后可以重新被赋值。定义一个变量的语法格式如下。

var name: type = initialization

变量在重新赋值时，只能将同类型的值附给变量。

2、使用运算符

scala是一种面向对象的函数式编程语言，内置丰富的运算符，包括算术运算符、关系运算符、逻辑运算符等，如下表所示：

	运算符	意义	示例
算术运算符	+	两个数相加	1+2或1.+(2)
	−	两个数相减	1−2或1. − (2)
	*	两个数相乘	12或1.(2)
	/	两个数相除	1/2或1./(2)
	%	两个数取余	1%2或1.%(2)
关系运算符	>	判断左值是否大于右值，是则结果为真，否则结果为假	1>2或1.>(2)
	<	判断左值是否小于右值，是则结果为真，否则结果为假	1<2或1.<(2)
	>=	判断左值是否大于等于右值，是则结果为真，否则结果为假	1>=2或1.>=(2)
	<=	判断左值是否小于等于右值，是则结果为真，否则结果为假	1<=2或1.<=(2)
	==	判断左值是否等于右值，是则结果为真，否则结果为假	1==2或1.==(2)
	!=	判断左值是否不等于右值，是则结果为真，否则结果为假	1!=2或1.!=(2)

	运算符	意义	示例
逻辑运算符	&&	若两个条件成立则结果为真，否则结果为假	1>2 && 2>3或1>2.&&(2>3)
	\|\|	若两个条件有一个成立则结果为真，否则结果为假	1>2 \|\| 2>3或1>2.\|\|(2>3)
	！	对当前结果取反	!(1>2)
位运算符	&	参加运算的两个数据，按二进制位进行&运算，两位同时结果为1结果才为1，否则为0	0 & 1或0.&(1)
	\|	参加运算的两个数据，按二进制位进行\|运算，两位只要有一个为1则结果为1	0 \| 1或0.\|(1)
	^	参加运算的两个数据，按二进制位进行^运算，两位不同时结果为1，相同时结果为0	0^1或0.^(1)

	运算符	意义	示例
赋值运算符	=	将右侧的值赋于左侧	val a = 2
	+=	执行加法后再赋值左侧	a += 2
	−=	执行减法后再赋值左侧	a-= 1
	*=	执行乘法后再赋值左侧	a *= 2
	/=	执行除法后再赋值左侧	a /= 3
	%=	执行取余后再赋值左侧	a %= 5
	<<=	左移位后赋值左侧	a <<= 2
	>>=	右移位后赋值左侧	a >>= 2
	&=	按位&运算后赋值左侧	a &= 2
	\|=	按位\|运算后赋值左侧	a \|= 2
	^=	按位^运算后赋值左侧	a ^= 2

3、定义与使用数组

数组是Scala中常用的一种数据结构，数组是一种存储了相同类型元素的固定大小的顺序集合。

Scala定义一个数组的语法格式如下。

第一种方法

var arr: Array[String] = new Array[String](sum)

第二种方法

var arr: Array[String] = Array(元素1,元素2,...)

数组常用的方法：

方法	描述
length	返回数组的长度
head	查看数组的第一个元素
tail	查看数组中除了第一个元素外的其他元素
isEmpty	判断数组是否为空
contains(x)	判断数组是否包含元素x

数组的使用：

Scala可以使用range()方法创建区间数组。

使用range()方法前同样需要先通过命令“import Array._”导入包。

4、定义与使用函数

函数是Scala的重要组成部分，Scala作为支持函数式编程的语言，可以将函数作为对象.
定义函数的语法格式如下。
def functionName(参数列表): [return type] = {}
Scala提供了多种不同的函数调用方式，以下是调用函数的标准格式。
functionName(参数列表)
如果函数定义在一个类中，那么可以通过“类名.方法名(参数列表)”的方式调用。
1．匿名函数
匿名函数即在定义函数时不给出函数名的函数。

Scala中匿名函数是使用箭头“=>”定义的，箭头的左边是参数列表，箭头的右边是表达式，表达式将产生函数的结果。

通常可以将匿名函数赋值给一个常量或变量，再通过常量名或变量名调用该函数。

若函数中的每个参数在函数中最多只出现一次，则可以使用占位符“_”代替参数。

2．高阶函数—函数作为参数

高阶函数指的是操作其他函数的函数。
高阶函数可以将函数作为参数，也可以将函数作为返回值。
高阶函数经常将只需要执行一次的函数定义为匿名函数并作为参数。一般情况下，匿名函数的定义是“参数列表=>表达式”。
由于匿名参数具有参数推断的特性，即推断参数的数据类型，或根据表达式的计算结果推断返回结果的数据类型，因此定义高阶函数并使用匿名函数作为参数时，可以简化匿名函数的写法。

3．高阶函数—函数作为返回值

高阶函数可以产生新的函数，并将新的函数作为返回值。
定义高阶函数计算矩形的周长，该函数传入一个Double类型的值作为参数，返回以一个Double类型的值作为参数的函数，如下图。

4．函数柯里化

函数柯里化是指将接收多个参数的函数变换成接收单一参数（最初函数的第一个参数）的函数，新的函数返回一个以原函数余下的参数为参数的函数。

定义两个整数相加的函数，一般函数的写法及其调用方式如下图。

使用函数柯里化方式如下图。

5、定义与使用列表

1、定义列表

Scala的列表（List）与数组非常相似，列表的所有元素都具有相同的类型。

与数组不同的是，列表是不可变的，即列表的元素不能通过赋值进行更改。

定义列表时，需要写明列表元素的数据类型，或者根据列表初值类型自动推断。具有类型T的元素的列表类型可写为List[T]。代码如下：

构造列表的两个基本单位是“Nil”和“::”。

“Nil”可以表示空列表；

“::”称为中缀操作符，表示列表从前端扩展，遵循右结合。代码如下：

2、列表操作常用方法

方法	描述
def head: A	获取列表的第一个元素
def init:List[A]	返回所有元素，除了最后一个元素
def last:A	获取列表的最后一个元素
def tail:List[A]	返回所有元素，除了第一个元素
def :::(prefix: List[A]): List[A]	在列表开头添加指定列表的元素
def take(n: Int): List[A]	获取列表前n个元素
def contains(elem: Any): Boolean	判断列表是否包含指定元素

Scala中常用的查看列表元素的方法有head、init、last、tail和take()。

head：查看列表的第一个元素。
tail：查看第一个元素之后的其余元素。
last：查看列表的最后一个元素。
Init：查看除最后一个元素外的所有元素。
take()：查看列表前n个元素。

3、合并列表

如果需要合并两个列表，那么可以使用:::()。

但需要注意，“列表1:::列表2”与“列表1.:::(列表2)”的结果是不一样的，对于前者，列表2的元素添加在列表1的后面；对于后者，列表2的元素添加在列表1的前面。合并两个列表还可以使用concat()方法。

用户可以使用contains()方法判断列表中是否包含某个元素，若列表中存在指定的元素则返回true，否则返回false。

6、定义与使用集合

Scala Set(集合)是没有重复的对象集合，所有的元素都是唯一的。

集合操作常用方法

方法	描述
def head: A	获取集合的第一个元素
def init:Set[A]	返回所有元素，除了最后一个
def last:A	获取集合的最后一个元素
def tail:Set[A]	返回所有元素，除了第一个
def ++(elems: A): Set[A]	合并两个集合
def take(n: Int): List[A]	获取列表前n个元素
def contains(elem: Any): Boolean	判断集合中是否包含指定元素

Scala合并两个列表时使用的是:::()或concat()方法，而合并两个集合使用的是++()方法。

7、定义与使用映射

映射（Map）是一种可迭代的键值对结构。
所有的值都可以通过键来获取，并且映射中的键都是唯一的。
集合操作常用方法同样也适合映射。
另外映射还可以通过keys方法获取所有的键，通过values方法获取所有值，也可以通过isEmpty方法判断映射的数据是否为空

8、定义与使用元组

元组（Tuple）是一种类似于列表的结构，但与列表不同的是，元组可以包含不同类型的元素。
元组的值是通过将单个的值包含在圆括号中构成的。
目前，Scala支持的元组最大长度为22，即Scala元组最多只能包含22个元素。
访问元组元素可以通过“元组名称._元素索引”进行，索引从1开始。

9、用函数组合器

1、map()方法

map()方法可通过一个函数重新计算列表中的所有元素，并且返回一个包含相同数目元素的新列表。

2、foreach()方法

foreach()方法和map()方法类似，但是foreach()方法没有返回值，只用于对参数的结果进行输出。

3、filter()方法

filter()方法可以移除传入函数的返回值为false的元素。

4、flatten()方法

flatten()方法可以将嵌套的结构展开，即flatten()方法可以将一个二维的列表展开成一个一维的列表。

5、flatMap()方法

flatMap()方法结合了map()方法和flatten()方法的功能，接收一个可以处理嵌套列表的函数，再对返回结果进行连接。

6、groupBy()方法

groupBy()方法可对集合中的元素进行分组操作，返回的结果是一个映射。

10、定义Scala类

Scala类继承一个类时需要使用关键字extends。

Scala只允许继承一个父类，并且继承父类的所有属性和方法。

子类继承父类中已经实现的方法时，需要使用override关键字，子类继承父类中未实现的方法时，可以不用override关键字。

11、使用Scala单例模式

Scala中没有static关键字，因此Scala的类中不存在静态成员。但是Scala可以使用object关键字实现单例模式。

Scala中使用单例模式时需要使用object定义一个单例对象（object对象），单例对象在整个程序中只有一个实例。单例对象与类的区别在于单例对象不能带参数。

定义单例对象的语法如下。

object ObjectName {}

包含main方法的object对象可以作为程序的入口点。

当单例对象与某个类共享同一个名称时，单例对象被称作这个类的伴生对象，类被称为这个单例对象的伴生类。类和它的伴生对象可以互相访问对方的私有成员。

需要注意的是，必须在同一个源文件里定义类和它的伴生对象。

Scala提供了强大的模式匹配机制。一个模式匹配包含了一系列备选项，每个都开始于关键字case。每个备选项都包含了一个模式及一到多个表达式。模式和表达式之间用“=>”隔开。

在Scala中，使用case关键字定义的类称为样例类。样例类是一种特殊的类，经过优化可应用于模式匹配。

Scala编译器为样例类添加了一些语法上的便捷设定，具体如下。

（1）在伴生对象中提供了apply()方法，因此不使用new关键字也可以构造对象。

（2）样例类参数列表中的所有参数已隐式获得val关键字。

（3）编译器为样例类添加了toString()、hashCode()和equals()等方法。

二、Spark编程基础

1、创建RDD

RDD是一个容错的、只读的、可进行并行操作的数据结构，是一个分布在集群各个节点中的存放元素的集合。RDD的创建有3种不同的方法。

第一种是将程序中已存在的Seq集合（如集合、列表、数组）转换成RDD。
第二种是对已有RDD进行转换得到新的RDD，这两种方法都是通过内存中已有的集合创建RDD的。
第三种是直接读取外部存储系统的数据创建RDD。

2、从内存中读取数据创建RDD

1、parallelize()

parallelize()方法有两个输入参数，说明如下。

要转化的集合，必须是Seq集合。Seq表示序列，指的是一类具有一定长度的、可迭代访问的对象，其中每个数据元素均带有一个从0开始的、固定的索引。
分区数。若不设分区数，则RDD的分区数默认为该程序分配到的资源的CPU核心数。

2、 makeRDD()

makeRDD()方法有两种使用方式：

第一种方式的使用与parallelize()方法一致；
第二种方式是通过接收一个是Seq[(T,Seq[String])]参数类型创建RDD。

第二种方式生成的RDD中保存的是T的值，Seq[String]部分的数据会按照Seq[(T,Seq[String])]的顺序存放到各个分区中，一个Seq[String]对应存放至一个分区，并为数据提供位置信息，通过preferredLocations()方法可以根据位置信息查看每一个分区的值。调用makeRDD()时不可以直接指定RDD的分区个数，分区的个数与Seq[String]参数的个数是保持一致的

3、从外部存储系统中读取数据创建RDD

从外部存储系统中读取数据创建RDD是指直接读取存放在文件系统中的数据文件创建RDD。

从内存中读取数据创建RDD的方法常用于测试，从外部存储系统中读取数据创建RDD才是用于实践操作的常用方法。

从外部存储系统中读取数据创建RDD可以有很多种数据来源，可通过SparkContext对象的textFile()方法读取数据集，该方法支持多种类型的数据集，如目录、文本文件、压缩文件和通配符匹配的文件等，并且允许设定分区个数。

分别读取HDFS文件和Linux本地文件的数据并创建RDD，具体操作如下。

（1）通过HDFS文件创建RDD，直接通过textFile()方法读取HDFS文件的位置即可。

（2）通过Linux本地文件创建RDD

本地文件的读取也是通过sc.textFile("路径")的方法实现的，在路径前面加上“file://”表示从Linux本地文件系统读取。在IntelliJ IDEA开发环境中可以直接读取本地文件；但在spark-shell中，要求在所有节点的相同位置保存该文件才可以读取它。

4、转换操作

1、使用map()方法转换数据

map()方法是一种基础的RDD转换操作，可以对RDD中的每一个数据元素通过某种函数进行转换并返回新的RDD。

map()方法是转换操作，不会立即进行计算。

转换操作是创建RDD的第二种方法，通过转换已有RDD生成新的RDD。因为RDD是一个不可变的集合，所以如果对RDD数据进行了某种转换，那么会生成一个新的RDD。操作如下：

2、使用sortBy()方法进行排序

sortBy()方法用于对标准RDD进行排序，有3个可输入参数，说明如下。

第1个参数是一个函数f:(T) => K，左边是要被排序对象中的每一个元素，右边返回的值是元素中要进行排序的值。
第2个参数是ascending，决定排序后RDD中的元素是升序的还是降序的，默认是true，即升序排序，如果需要降序排序那么需要将参数的值设置为false。
第3个参数是numPartitions，决定排序后的RDD的分区个数，默认排序后的分区个数和排序之前的分区个数相等，即this.partitions.size。

第一个参数是必须输入的，而后面的两个参数可以不输入。操作如下：

3、使用collect()方法查询数据

collect()方法是一种行动操作，可以将RDD中所有元素转换成数组并返回到Driver端，适用于返回处理后的少量数据。

因为需要从集群各个节点收集数据到本地，经过网络传输，并且加载到Driver内存中，所以如果数据量比较大，会给网络传输造成很大的压力。

因此，数据量较大时，尽量不使用collect()方法，否则可能导致Driver端出现内存溢出问题。

collect()方法有以下两种操作方式。

（1）collect：直接调用collect返回该RDD中的所有元素，返回类型是一个Array[T]数组。

（2）collect[U: ClassTag](f: PartialFunction[T, U])：RDD[U]。这种方式需要提供一个标准的偏函数，将元素保存至一个RDD中。首先定义一个函数one，用于将collect方法得到的数组中数值为1的值替换为“one”，将其他值替换为“other”。

4、使用flatMap()方法转换数据

flatMap()方法将函数参数应用于RDD之中的每一个元素，将返回的迭代器（如数组、列表等）中的所有元素构成新的RDD。
使用flatMap()方法时先进行map（映射）再进行flat（扁平化）操作，数据会先经过跟map一样的操作，为每一条输入返回一个迭代器（可迭代的数据类型），然后将所得到的不同级别的迭代器中的元素全部当成同级别的元素，返回一个元素级别全部相同的RDD。
这个转换操作通常用来切分单词，操作如下：

5、使用take()方法查询某几个值

take(N)方法用于获取RDD的前N个元素，返回数据为数组。
take()与collect()方法的原理相似，collect()方法用于获取全部数据，take()方法获取指定个数的数据。

获取RDD的前5个元素，操作如下：

6、使用union()方法合并多个RDD

union()方法是一种转换操作，用于将两个RDD合并成一个，不进行去重操作，而且两个RDD中每个元素中的值的个数、数据类型需要保持一致。

使用union()方法合并两个RDD，操作如下：

7、使用filter()方法进行过滤

filter()方法是一种转换操作，用于过滤RDD中的元素。
filter()方法需要一个参数，这个参数是一个用于过滤的函数，该函数的返回值为Boolean类型。
filter()方法将返回值为true的元素保留，将返回值为false的元素过滤掉，最后返回一个存储符合过滤条件的所有元素的新RDD。

创建一个RDD，并且过滤掉每个元组第二个值小于等于1的元素，操作如下：

8、使用distinct()方法进行去重

distinct()方法是一种转换操作，用于RDD的数据去重，去除两个完全相同的元素，没有参数。

创建一个带有重复数据的RDD，并使用distinct()方法去重，操作如下：

5、使用简单的集合操作

Spark中的集合操作常用方法（转换操作）

方法	描述
union()	参数是RDD，合并两个RDD的所有元素
intersection()	参数是RDD，求出两个RDD的共同元素
subtract()	参数是RDD，将原RDD里和参数RDD里相同的元素去掉
cartesian()	参数是RDD，求两个RDD的笛卡儿积

转换方法：

1、intersection()方法

intersection()方法用于求出两个RDD的共同元素，即找出两个RDD的交集，参数是另一个RDD，先后顺序与结果无关。

创建两个RDD，其中有相同的元素，通过intersection()方法求出两个RDD的交集，操作如下：

2、subtract()方法

subtract()方法用于将前一个RDD中在后一个RDD出现的元素删除，可以认为是求补集的操作，返回值为前一个RDD去除与后一个RDD相同元素后的剩余值所组成的新的RDD。两个RDD的顺序会影响结果。

创建两个RDD，分别为rdd1和rdd2，包含相同元素和不同元素，通过subtract()方法求rdd1和rdd2彼此的补集，操作如下：

3、 cartesian()方法

cartesian()方法可将两个集合的元素两两组合成一组，即求笛卡儿积。

创建两个RDD，分别有4个元素，通过cartesian()方法求两个RDD的笛卡儿积，操作如下：

6、了解键值对RDD

Spark的大部分RDD操作都支持所有种类的单值RDD，但是有少部分特殊的操作只能作用于键值对类型的RDD。

顾名思义，键值对RDD由一组组的键值对组成，这些RDD被称为PairRDD。PairRDD提供了并行操作各个键或跨节点重新进行数据分组的操作接口。

例如，PairRDD提供了reduceByKey()方法，可以分别规约每个键对应的数据，还有join()方法，可以把两个RDD中键相同的元素组合在一起，合并为一个RDD。

有很多种创建键值对RDD的方式，很多存储键值对的数据格式会在读取时直接返回由其键值对组成的PairRDD。

当需要将一个普通的RDD转化为一个PairRDD时可以使用map函数来进行操作，传递的函数需要返回键值对，操作如下：

1、使用键值对RDD的keys和values方法

键值对RDD，包含键和值两个部分。

Spark提供了两种方法，分别获取键值对RDD的键和值。

keys方法返回一个仅包含键的RDD。
values方法返回一个仅包含值的RDD。

2、使用键值对RDD的reduceByKey()方法

当数据集以键值对形式展现时，合并统计键相同的值是很常用的操作。

reduceByKey()方法用于合并具有相同键的值，作用对象是键值对，并且只对每个键的值进行处理，当RDD中有多个键相同的键值对时，则会对每个键对应的值进行处理。

reduceByKey()方法需要接收一个输入函数，键值对RDD相同键的值会根据函数进行合并并且创建一个新的RDD作为返回结果，操作如下：

3、使用键值对RDD的reduceByKey()方法

在进行处理时，reduceByKey()方法将相同键的前两个值传给输入函数，产生一个新的返回值，新产生的返回值与RDD中相同键的下一个值组成两个元素，再传给输入函数，直到最后每个键只有一个对应的值为止。reduceByKey()方法不是一种行动操作，而是一种转换操作，操作如下：

7、连接操作

1、使用join()方法连接两个RDD

（1）join()方法

join()方法用于根据键对两个RDD进行内连接，将两个RDD中键相同的数据的值存放在一个元组中，最后只返回两个RDD中都存在的键的连接结果。

例如，在两个RDD中分别有键值对(K,V)和(K,W)，通过join()方法连接会返回(K,(V,W))。

创建两个RDD，含有相同键和不同的键，通过join()方法进行内连接，操作如下：

（2）rightOuterJoin()方法

rightOuterJoin()方法用于根据键对两个RDD进行右外连接，连接结果是右边RDD的所有键的连接结果，不管这些键在左边RDD中是否存在。

在rightOuterJoin()方法中，如果在左边RDD中有对应的键，那么连接结果中值显示为Some类型值；如果没有，那么显示为None值。

（3）leftOuterJoin()方法

leftOuterJoin()方法用于根据键对两个RDD进行左外连接，与rightOuterJoin()方法相反，返回结果保留左边RDD的所有键。

（4）fullOuterJoin()方法

fullOuterJoin()方法用于对两个RDD进行全外连接，保留两个RDD中所有键的连接结果。

2、使用zip()方法组合两个RDD

zip()方法用于将两个RDD组合成键值对RDD，要求两个RDD的分区数量以及元素数量相同，否则会抛出异常。

将两个RDD组合成Key/Value形式的RDD，这里要求两个RDD的partition数量以及元素数量都相同，否则会抛出异常。

3、使用combineByKey()方法合并相同键的值

combineByKey()方法是Spark中一个比较核心的高级方法，键值对的其他一些高级方法底层均是使用combineByKey()方法实现的，如groupByKey()方法、reduceByKey()方法等。
combineByKey()方法用于将键相同的数据聚合，并且允许返回类型与输入数据的类型不同的返回值。
combineByKey()方法的使用方式如下。

combineByKey(createCombiner,mergeValue,mergeCombiners,numPartitions=None)

combineByKey()方法接收3个重要的参数，具体说明如下。

（1）createCombiner:V=>C，V是键值对RDD中的值部分，将该值转换为另一种类型的值C，C会作为每一个键的累加器的初始值。
（2）mergeValue:(C,V)=>C，该函数将元素V聚合到之前的元素C(createCombiner)上（这个操作在每个分区内进行）。
（3）mergeCombiners:(C,C)=>C，该函数将两个元素C进行合并（这个操作在不同分区间进行)。
由于合并操作会遍历分区中所有的元素，因此每个元素（这里指的是键值对）的键只有两种情况：以前没出现过或以前出现过。对于这两种情况，3个参数的执行情况描述如下。
（1）如果以前没出现过，则执行的是createCombiner()方法，createCombiner()方法会在新遇到的键对应的累加器中赋予初始值，否则执行mergeValue()方法。
（2）对于已经出现过的键，调用mergeValue()方法进行合并操作，对该键的累加器对应的当前值（C）与新值（V）进行合并。
（3）由于每个分区都是独立处理的，因此对于同一个键可以有多个累加器。如果有两个或更多的分区都有对应同一个键的累加器，就需要使用用户提供的mergeCombiners()方法对各个分区的结果（全是C）进行合并。

4、使用lookup()方法查找指定键的值

lookup(key:K)方法作用于键值对RDD，返回指定键的所有值。

三、Spark SQL ---- 结构化数据文件处理

1、了解Spark SQL基本概念

Spark SQL是Spark用来处理结构化数据的一个模块，它提供了一个编程抽象结构叫做DataFrame的数据模型（即带有Schema信息的RDD），Spark SQL作为分布式SQL查询引擎，让用户可以通过SQL、DataFrames API和Datasets API三种方式实现对结构化数据的处理。

Spark SQL主要提供了以下三个功能：

Spark SQL可从各种结构化数据源中读取数据，进行数据分析。
Spark SQL包含行业标准的JDBC和ODBC连接方式，因此它不局限于在Spark程序内使用SQL语句进行查询。
Spark SQL可以无缝地将SQL查询与Spark程序进行结合，它能够将结构化数据作为Spark中的分布式数据集（RDD）进行查询。

Spark要想很好地支持SQL，需要完成解析（Parser）、优化（Optimizer）、执行（Execution）三大过程。

2、掌握DataFrame基本操作

Spark SQL 提供了一个抽象的编程数据模型DataFrame，DataFrame 是由 SchemaRDD 发展而来的，从Spark 1.3.0天开始，SchemaRDD更名为DataFrame。 SchemaRDD 直接继承自RDD，而Data Frame 则自身实现RDD 的绝大多数功能。可以将Spark SQL的 DataFrame理解为一个分布式的Row对象的数据集合，该数据集合提供了由列组成的详细模式信息。

1、创建DataFrame对象

DataFrame可以通过结构化数据文件、外部数据库、Spark计算过程中生成的 RDD Hive 中的表进行创建。不同数据源的数据转换成DataFrame的方式也不同。

（1）、通过结构化数据文件创建DataFrame

一般情况下，结构化数据文件存储在HDFS中，较为常见的结构化数据文件是Parquet文件或 JSON 文件。Spark SQL可以通过load()方法将HDFS上的结构化文件数据转换为 DataFrame，load()方法默认导入的文件格式是Parquet，代码如下：

val dfUsers = spark.read.load("/user/root/sparkSql/users.parquet")

若加载JSON格式的文件数据，将其转换为DataFrame，则还需要使用format()方法，如代码下：

val dfPeople = spark.read.format("json").load("/user/root/sparkSql/people.json")

读者也可以直接使用json()方法将 JSON文件数据转换为DataFrame,如代代码下：

val dfPeople - spark.read.json("/user/root/sparkSql/people.json")

（2）、通过外部数据库创建DataFrame

Spark SQL还可以通过外部数据库(如MySQL、Oracle数据库)创建DataFrame，使用该方式创建DataFrame需要通过Java数据库互连(JavaDatabase Connectivity,JDBC)连接或开放式数据库互连(Open Database Connectivity,ODBC)连接的方式访问数据库。以 MySQL数据库的表数据为例，将MySQL数据库test中的people表的数据转换为DataFrame.。

读者需要将“user”“password”对应的值修改为实际进入MySQL数据库时的账户名称和密码。

# 设置MySQL的url的地址及端口
val url = "jdbc:mysql://192.168.128.130:3306/test"

#连接 MySQL获取数据库test 中的people 表
val jdbcDF = spark.read.format("jdbc").options( Map("url" -> url,"user" -> "root",
"password" -> "123456",
"dbtable" -> "people")).load()

（3）、通过 RDD 创建 DataFrame

通过RDD数据创建DataFrame有两种方式。

第一种方式是利用反射机制推断RDD模式，首先需要定义一个样例类，因为只有样例类才能被Spark隐式地转换为DataFrame，如代码下：

#定义一个样例类
case class Person(name:String, age:Int)

#读取文件创建 RDD
val data = sc.textFile("/user/root/sparkSql/people.txt").map(_.split(","))

#RDD转成 DataFrame
val people = data.map(p => Person (p(0),p(1) .trim.toInt)).toDF()

第二种方式是采用编程指定Schema的方式将RDD转换成DataFrame,

实现步骤如下：

(1)加载数据创建RDD。

(2)使用StructType创建一个和步骤(1)的RDD中的数据结构相匹配的 Schema。

(3)通过createDataFrame()方法将Schema应用到RDD上，将RDD数据转换成 DataFrame，如代码下：

#创建RDD
val people = sc.textFile("/user/root/sparkSql/people.txt" )

#用structType创建一个数据结构相匹配的 schema

val schemaString = "name age"
import org.apache.spark.sql.Row import org.apache.spark.sql.types.{StructType, StructField, stringType)
val schema - StructType(schemaString.split(" ").map(
fieldName => StructField(fieldName，StringType, true)))

#Schema转成RDD再转成 DataFrame
val rowRDD =people.map(_.split(",")).map(p => Row (p(0),p(1).trim))

val peopleDataFrame =spark.createDataFrame(rowRDD，schema)

（4）、通过 Hive 中的表创建 DataFrame

通过Hive中的表创建DataFrame，可以使用SparkSession对象。
使用SparkSession对象并调用sq1)方法查询Hive中的表数据并将其转换成DataFrame,如查询test 数据库中的people 表数据并将其转换成DataFrame，如代码下：

# 选择 Hive 中的 test数据库

spark.sql("use test")
# 将Hive中test数据库中的people 表转换成 DataFrame

val people = spark.sql ("select * from people")

2、查看 DataFrame数据

DataFrame的常用方法，具体如下表如示：

方法名称	相关说明
show()	查看DataFrame中的具体内容信息
printSchema()	查看DataFrame的Schema信息
select()	查看DataFrame中选取部分列的数据及进行重命名
filter()	实现条件查询，过滤出想要的结果
groupBy()	对记录进行分组
sort()	对特定字段进行排序操作

1. printSchema:输出数据模式

创建DataFrame对象后，一般会查看DataFrame数据模式。使用printSchema函数可以查看DataFrame数据模式，输出列的名称和类型，代码如下：

movies.printSchema

2、show(): 查看数据

使用show()方法可以查看DataFrame数据，可输入的参数及说明如表

方法名称	相关说明
show()	显示前20条记录
show(numRows:Int)	显示numRows 条记录
show(truncate:Boolean)	是否最多只显示20个字符，默认为true
show(numRows:lnt,truncate:Boolean)	显示numRows条记录并设置过长字符串的显示格式

使用show(方法查看 DataFrame对象movies 中的数据，show()方法与show(true)方查询到的结果一样，只显示前20条记录，并且最多只显示20个字符。如果需要显示所字符，那么需要使用show(false)方法，代码如下：

#显示前20条记录

movies.show ()

#显示所有字符

movies.show(false)

3.first()/head()/take()/takeAsList(): 获取若干条记录

获取 DataFrame若干条记录除了使用showO方法之外,还可以使用first()、head()、take
takeAsList()方法，解释说明如表

方法名称	相关说明
first()	获取第一条记录
head(n:Int)	获取前n条记录
take(n:Int)	获取前n条记录
takeAsList(n:Int)	获取前n条记录，并以列表的形式展现

分别使用first()、head()、take(、takeAsList()方法查看movies中前几条记录，代码如下：

# 获取第一条记录

movies.first()

# head ()方法获取前3条记录

movies.head (3)

# take()方法获取前3条记录

movies.take(3)

# takeAsList()方法获取前3条数据，并以列表的形式展现

movies.takeAsList(3)

4. collect()/collectAsList(): 获取所有数据

collect()可以查询DataFrame中所有的数据，并返回一个数组，collectAsListO方法和collect()方法类似可以查询DataFrame中所有的数据，但是返回的是列表。代码如下：

#使用co1lect()方法获取数据

movies,collect ()

#使用collectAsList()方法获取数据

movies,collectAsList()

3、掌握DataFrame 查询操作

DataFrame查询数据有两种方法，第一种是将DtaFrame注册成临时表，再通过SQL语句查询数据。第二种方法是直接在DtaFrame对象查询。

方法名称	相关说明
where()/filter()	条件查询
select()/selectExpr()/col()/apply()	查询指定字段的数据信息
limit()	查询前n条记录
order By()/sort()	排序查询
groupBy()	分组查询
join()	连接查询

1、where()/fiter()方法

使用where()或filter()方法可以查询数据中符合条件的所有字段的信息。

(1) where()方法

DataFrame可以使用where(conditionExpr:String)方法查询符合指定条件的数据，参可以使用and 或or。where()方法的返回结果仍然为DataFrame。代码如下：

#使用where查询user对象中性别为女且年龄为18岁的用户信息
val userWhere = user.where("gender = 'F' and age = 18")# 查看查询结果的前3条信息 userWhere.show(3)

(2)filter()方法

DataFrame 还可以使用filter()方法筛选出符合条件的数据，代码如下：

# 使用 filter()方法查询user 对象中性生别为女并且年龄为18岁的用户信息

val userFilter = user.filter ("g ender = 'F' and age = 18")

# 查看查询结果的前3条信息

userFilter.show(3)

2. select()/selectExpr()/col()/apply()方法

where()和 filter()方法查询的数据包含的是所有字段的信息，但是有时用户只需要查询
部分字段的值即可，DataFrame提供了查询指定字段的值的方法，如select(、selectExprO、 col()和 apply()方法等，用法介绍如下。

(1) select()方法:获取指定字段值

# 使用 select()方法查询user对象中userId及gender 字段的数据

val userSelect = user.select("userId", "gender")

# 查看查询结果的前3条信息

userSelect.show(3)

(2)selectExpr()方法:对指定字段进行特殊处理

在实际业务中，可能需要对某些字段进行特殊处理，如为某个字段取别名、对某个字段的数据进行四舍五入等。DataFrame提供了selectExpr()方法，可以对指定字段取别名或调用 UDF函数对其进行其他处理。selectExpr()方法传入 String 类型的参数，返回一个DataFrame 对象。

(3) col()/apply()方法

col()和apply()方法也可以获取DataFrame指定字段，但只能获取一个字段，并且返回的是一个Column对象。分别使用col()和apply()方法查询user对象中zip字段的数据，代码如下：

#查询 user对象中 zip字段的数据

val userCol = user.col("zip")

#查看查询结果

user.select(userCol).collect

t# 查询 user 对象中zip字段的数据

val userApply = user.apply("zip")

# 查看查询结果

user.select(userApply).collect

3、limit()方法

limit()方法可以获取指定DataFrame数据的前n条记录。不同于take()与 head()方法， limit()方法不是行动操作，因此并不会直接返回查询结果，需要结合show()方法或其他行动操作才可以显示结果。使用limit()方法查查询user对象的前3条记录，并使用show()方法显示查询结果，如代码下：

# 查询 user对象前3条记录
val userLimit = user.limit(3)

# 查看查询结果
userLimit.show()

4、orderBy()/sort()方法

orderBy()方法用于根据指定字段对数据进行排序，默认为升序排序。若要求降序排序， orderBy(方法的参数可以使用“desc("字段段名称")”或“$"字段名称".desc”，也可以在指定字段前面加“-”。使用orderBy()方法根据u serId 字段对 user对象进行降序排序，如代码下：

# 使用 orderBy()方法根据 userId字段对寸user 对象进行降序排序

val userOrderBy = user.orderBy(deesc("userId"))
val userOrderBy = user.orderBy($" userId".desc)
val userOrderBy =u iser.orderBy(-user("userId"))

#查看结果的前3条信息

userOrderBy.show(3)

sort()方法也可以根据指定字段对数据进行排序,用法与orderBy()方法一样。使用 sort()方法根据userId字段对user对象进行升序排序，如代码下:

# 使用sort方法根据userId字段对 us er 对象进行升序排序

val userSort = user.sort(asc("u serId"))

val userSort = user.sort($"user Id".asc)

val userSort = user.sort(user(" userId"))

# 查看查询结果的前3条信息

userSort.show(3)

5、groupBy()方法

使用groupBy()方法可以根据指旨定字段对数据进行分组操作。groupBy(方法的输入参数既可以是String类型型的字段名，也可以是Column对象。

方法名称	相关说明
max(colNames:String)	获取分组中指定字段或所有的数值类型字段的最大值
min(colNames:String)	获取分组中指定字段或所有的数值类型字段的最小值
mean(colNames:String)	获取分组中指定字段或所有的数值类型字段的平均值
sum(colNames:String)	获取分组中指定字段或所有的数值类型字段的值的和
count()	获取分组中的元素个数

#根据 gender 字段对user对象进行分组，并计算分组中的元素个数

val userGroupByCount = user.groupBy("gender").count

userGroupByCount.show()

6、join()方法

DataFrame提供了join()方法用于连接两个表。使用如下：

方法名称	相关说明
join(right:DataFrame)	返回两个表的笛卡儿积
join(right:DataFrame,joinExprs:Column)	根据两表中相同的某个字段进行连接
join(right:DataFrame,joinExprs:Column,joinType:String)	根据两表中相同的某个字段进行连接并指定连接类型

使用join(right:DataFrame)方法连接rating和user两个DataFrame数据，如代码下:

#允许笛卡儿积操作
spark.conf.set("spark.sql.crossJoin.enabled", "true")

#使用join(right:DataFrame)方法连接rating和user两个DataFrame数据

val dfjoin = user.join(rating)

#查看前3条记录

dfjoin.show(3)

4、掌握DataFrame输出操作

DataFrame提供了很多输出操作的方法，其中save()方法可以将DataFrame数据保存成文件；saveAsTable()方法可以将DataFrame数据保存成持久化的表，并在Hive的元数据库中创建一个指针指向该表的位置，持久化的表会一直保留，即使Spark程序重启也没有影响，只要连接至同一个元数据服务即可读取表数据。读取持久化表时，只需要用表名作为参数，调用spark.table()方法即可加载表数据并创建DataFrame。
默认情况下，saveAsTable()方法会创建一个内部表，表数据的位置是由元数据服务控制的。如果删除表，那么表数据也会同步册删除。

狙击hh

关注

5
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
Spark方法梳理总结

Scala的列表（List）与数组非常相似，列表的所有元素都具有相同的类型。与数组不同的是，列表是不可变的，即列表的元素不能通过赋值进行更改。定义列表时，需要写明列表元素的数据类型，或者根据列表初值类型自动推断。具有类型T的元素的列表类型可写为List[T]。代码如下：构造列表的两个基本单位是“Nil”和“::”。“Nil”可以表示空列表；“::”称为中缀操作符，表示列表从前端扩展，遵循右结合。
复制链接

扫一扫