Spark DataFrame 操作命令

一、Hive下生成DataFrame对象

SparkConf sparkConf = new SparkConf().setAppName("名称").setMaster("执行方式");
JavaSparkContext jsc = new JavaSparkContext(sparkConf);

HiveContext hc = new HiveContext(jsc);

#通过执行SQL生成DataFrame
DataFrame dataFrame= hc.sql("执行SQL")

#通过HiveContext创建DataFrame
DataFrame dataFrame2 = hc.createDataFrame(JavaRDD, schema)

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：

jdbcDF.show  //只显示前20条记录

show(numRows)     //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: Int, truncate: Boolean)         //综合前面的显示条数以及对过长字符串的显示格式

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()

3、collectAsList：获取所有数据到List

功能和collect类似，只不过返回结构变为了List

jdbcDF.collectAsList()

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。

jdbcDF .describe("c1" , "c2", "c4" ).show()

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

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

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

（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

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

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

jdbcDF.select( "id" , "c3" ).show( false)

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)

（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)

（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”)

（4）apply：获取指定字段

只能获取一个字段，返回对象为Column类型

val idCol1 = jdbcDF.apply("id")
val idCol2 = jdbcDF("id")

（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。

jdbcDF.drop("id")
jdbcDF.drop(jdbcDF("id"))

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)

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)

示例2，按字段字符串升序排序

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

（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

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。

jdbcDF .groupBy("c1" )
jdbcDF.groupBy( jdbcDF( "c1"))

6、distinct

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。

jdbcDF.distinct()

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")

8、union

unionAll方法：对两个DataFrame进行组合 ，类似于SQL中的UNION ALL操作。

jdbcDF.unionALL(jdbcDF.limit(1))

9、join

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")

（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"))

（6）、在指定join字段同时指定join类型

joinDF1.join(joinDF2 , joinDF1("id" ) === joinDF2( "t1_id"), "inner")